一种基于神经网络模型的海域波浪数据推演方法及系统
- 国知局
- 2024-08-22 15:06:44
本发明涉及海洋工程,具体的,涉及一种基于神经网络模型的海域波浪数据推演方法及系统。
背景技术:
1、海洋中具有十分丰富的资源,不断吸引着人类对海洋进行探索和开发,现有技术对海洋的研究也越来越多,其中,在对海洋的研究过程中,推演海洋的波浪数据成为海洋监测的重要数据。
2、推演海洋波浪数据不仅可以为船舶的海上行驶提供行驶依据,保证在海上行驶的船舶及海上作业的安全,同时准确可靠的推演波浪要素对工程的规划、设计、建设和安全运营都至关重要,现有技术中通常采用以下几种方式进行波浪数据的推演,其中:
3、采用监测仪在岸边进行人工监测估算波浪数据的周期,利用所述周期推演未来时刻内的波浪数据,但是这种方式不仅过度依赖于监测人员的经验,且波浪高度估计结果的精度低。
4、构建波浪数学模型反映波浪的宏观特性,根据所述宏观特性推演波浪数据,然而现有技术中利用模型进行波浪数据预测的技术手段大部分是通过采集大量的历史数据,通过单一的预测手段根据所述历史数据直接进行预测,不仅精准度低,同时采集所述历史数据不仅难度大、需要处理的数据量还日益增多,造成预测的效率低下。
技术实现思路
1、为了解决上述技术问题,本发明公开了一种基于神经网络模型的海域波浪数据推演方法及系统,用于提高波浪数据推演的准确性及效率。
2、为了实现上述目的,本发明公开了一种基于神经网络模型的海域波浪数据推演方法,包括:
3、获取目标海域对应的第一波浪图像及历史波浪数据,并通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像;
4、对所述历史波浪数据进行数据转换,构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据;
5、通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,以使结合所述模型参数及预设的模型公式构建所述周期性预测模型;
6、通过所述周期性预测模型提取所述周期性数据对应的周期性特征,并将所述周期性特征与所述第一历史波浪时序数据进行数据拟合,输出第二历史波浪时序数据;
7、对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列;
8、将所述子序列及所述第二波浪图像输入至预训练的双通道神经网络模型,根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的预测,输出所述目标海域在预测周期内的波浪数据。
9、本发明公开了一种基于神经网络模型的海域波浪数据推演方法,基于目标海域的历史波浪数据及当前获得的波浪图像数据推演目标海域在预测时刻内的波浪数据,其中,首先获得所述目标海域的第一波浪图像,并去除所述第一波浪图像中的耀光背景,避免太阳耀光对图像特征提取的影响,提高图像特征提取的精准度,接着获取目标海域的历史波浪数据,并将其转换为时序数据以使提取所述波浪数据中对应的周期特征,以便于融合所述周期特征及所述图像特征推演目标海域的波浪数据,提高所述波浪数据推演的精准度。
10、进一步的,对转换后的时序数据进行模态分解以使分析历史波浪数据中体现时间相关性的数据,进而提高后续提取历史波浪数据中的时间相关特征的精准度,接着将进行模态分解后获得的数据及所述获得的波浪图像一起输入至预训练的双通道神经网络,通过预设在所述双通道神经网络模型中的预测周期进行预测,输出所述目标海域在预测周期内的波浪数据,提高波浪数据推演的精准度及效率。
11、作为优选例子,所述通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像,包括:
12、根据预设的中值滤波对所述第一波浪图像进行去噪处理,获得初始第二波浪图像;
13、通过预设的最大类间方差算法计算所述初始第二波浪图像的阈值;
14、计算所述初始第二波浪图像中每一个像素点的灰度值,并将所述灰度值与所述阈值进行比较;
15、当所述灰度值大于所述阈值时,判定当前的灰度值对应的像素点所在的区域为太阳耀光背景;
16、对所述太阳耀光背景下的像素点进行灰度值补偿,获得所述第二波浪图像。
17、本发明首先对所述图像进行去噪处理,去除图像中的噪声,降低后期对图像进行处理的数据量,接着利用最大类间方差算法利用像素点之间的灰度值方差制定所述图像的阈值,以使根据所述阈值筛选所述图像中的耀光背景,进而对所述背景中的像素点进行灰度值补偿,提高所述图像的精度,进而提高后续波浪数据推演的精度。
18、作为优选例子,在所述构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据,包括:
19、根据时间戳对所述历史波浪数据依次进行读取,获得按时间顺序进行排列的历史波浪数据;
20、根据所述时间顺序依次将所述历史波浪数据中的每一个波浪数据转换为时间序列数据,构建所述历史波浪数据对应的第一历史波浪时序数据;
21、通过预设的时间序列分解算法对所述第一历史波浪时序数据进行时间序列的分解,获得所述第一历史波浪时序数据对应的周期性数据;其中,所述周期性数据包括趋势数据和周期数据。
22、本发明通过将获取的历史波浪数据转换为模型可以进行理解和输入的时间序列数据,便于后续通过模型进行波浪数据的预测,接着通过时间序列分解方法将波浪数据的趋势和周期进行循环分离,能够更精确地识别并分析影响波浪数据的关键因素,提高波浪数据预测的准确度。
23、作为优选例子,所述通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,包括:
24、对所述第一历史波浪时序数据进行数据平稳化处理,去除所述第一历史波浪时序数据的趋势和季节性成分,获得待构建的周期性预测模型的差分值;
25、根据所述第一历史波浪时序数据,通过预设的自相关函数和偏自相关函数获得所述待构建的周期性预测模型的模型参数;其中,所述模型参数包括自回归项的阶数,差分阶数,移动平均项的阶数,季节性自回归项的阶数,季节性差分阶数,季节性移动平均项的阶数、季节周期以及所述差分值。
26、本发明根据时间序列数据,利用预设的自相关函数及偏自相关函数确定待构建的周期性预测模型的模型参数,以使所述构建的周期性预测模型贴合所述波浪数据的实际时序特性,提高所述周期性预测模型预测的准确性。
27、作为优选例子,所述对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列,包括:
28、根据预设的模态分解算法及迭代次数对所述第二历史波浪时序数据进行模态分解,获得若干个第一模态分量及若干个第一剩余信号分量;
29、在每一次模态分解中,通过在所述第二历史波浪时序数据中添加若干次白噪声,获得预处理时序数据;
30、在所述每一次模态分解中,通过预设的emd对所述预处理时序数据进行若干次分解,获得第一剩余信号分量及若干个初始模态分量,并对所述若干个初始模态分量进行均值求解,获得第一模态分量;其中,所述子序列包括所述第一剩余信号分量及若干个初始模态分量。
31、本发明为了提高预测的精准度,采用对所述波浪序列数据进行模态分解的方法从而降低数据的波动性,以使在后续通过模型进行数据的推演时,更好的提取所述数据的特征,进而提高数据推演的精准度。
32、作为优选例子,所述根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的预测,包括:
33、通过预设在所述双通道神经网络模型中的第一通道提取所述第二波浪图像对应的形态学特征及深度特征,并融合所述形态学特征及所述深度特征生成所述第二波浪图像对应的波浪特征;
34、根据所述波浪特征,通过预设在所述第一通道中的决策树对所述波浪特征进行波高预测,获得第一波高预测值;
35、根据预设在所述双通道神经网络模型中的第二通道对所述子序列进行波高预测,获得所述子序列对应的第二波高预测值;
36、根据预设在所述双通道神经网络模型中的全连接层对所述第一波高预测值和所述第二波高预测值进行重构,输出所述目标海域在所述预测周期内的波浪高度。
37、本发明结合所述图像数据及所述周期性预测模型输出的第二历史波浪时间序列数据进行模态分解生成的子序列进行波浪数据的推演,使得所述双通道神经网络模型捕捉所述波浪时序数据间的时间相关性,以使获得更准确的预测数据,提高波浪数据推演的精准度。
38、另一方面,本发明还公开了一种基于神经网络模型的海域波浪数据推演系统,包括数据采集模块、数据转换模块、模型构建模块、数据拟合模块、模态分解模块及波浪推演模块;
39、所述数据采集模块用于获取目标海域对应的第一波浪图像及历史波浪数据,并通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像;
40、所述数据转换模块用于对所述历史波浪数据进行数据转换,构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据;
41、所述模型构建模块用于通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,以使结合所述模型参数及预设的模型公式构建所述周期性预测模型;
42、所述数据拟合模块用于通过所述周期性预测模型提取所述周期性数据对应的周期性特征,并将所述周期性特征与所述第一历史波浪时序数据进行数据拟合,输出第二历史波浪时序数据;
43、所述模态分解模块用于对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列;
44、所述波浪推演模块用于将所述子序列及所述第二波浪图像输入至预训练的双通道神经网络模型,根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的推演,输出所述目标海域在所述预测周期内的波浪数据。
45、本发明公开的一种基于神经网络模型的海域波浪数据推演系统,基于目标海域的历史波浪数据及当前获得的波浪图像数据推演目标海域在预测时刻内的波浪数据,其中,首先获得所述目标海域的第一波浪图像,并去除所述第一波浪图像中的耀光背景,避免太阳耀光对图像特征提取的影响,提高图像特征提取的精准度,接着获取目标海域的历史波浪数据,并将其转换为时序数据以使提取所述波浪数据中对应的周期特征,以便于融合所述周期特征及所述图像特征推演目标海域的波浪数据,提高所述波浪数据推演的精准度。
46、进一步的,对转换后的时序数据进行模态分解以使分析历史波浪数据中体现时间相关性的数据,进而提高后续提取历史波浪数据中的时间相关特征的精准度,接着将进行模态分解后获得的数据及所述获得的波浪图像一起输入至预训练的双通道神经网络,通过预设在所述双通道神经网络模型中的预测周期进行预测,输出所述目标海域在预测周期内的波浪数据,提高波浪数据推演的精准度及效率。
47、作为优选例子,所述数据采集模块包括图像去噪单元及图像补偿单元;
48、所述图像去噪单元用于根据预设的中值滤波对所述第一波浪图像进行去噪处理,获得初始第二波浪图像;
49、所述图像补偿单元用于通过预设的最大类间方差算法计算所述初始第二波浪图像的阈值;计算所述初始第二波浪图像中每一个像素点的灰度值,并将所述灰度值与所述阈值进行比较;当所述灰度值大于所述阈值时,判定当前的灰度值对应的像素点所在的区域为太阳耀光背景;对所述太阳耀光背景下的像素点进行灰度值补偿,获得所述第二波浪图像。
50、本发明首先对所述图像进行去噪处理,去除图像中的噪声,降低后期对图像进行处理的数据量,接着利用最大类间方差算法利用像素点之间的灰度值方差制定所述图像的阈值,以使根据所述阈值筛选所述图像中的耀光背景,进而对所述背景中的像素点进行灰度值补偿,提高所述图像的精度,进而提高后续波浪数据推演的精度。
51、作为优选例子,所述数据转换模块包括时序转换单元及时序分解单元;
52、所述时序转换单元用于根据时间戳对所述历史波浪数据依次进行读取,获得按时间顺序进行排列的历史波浪数据;根据所述时间顺序依次将所述历史波浪数据中的每一个波浪数据转换为时间序列数据,构建所述历史波浪数据对应的第一历史波浪时序数据;
53、所述时序分解单元用于通过预设的时间序列分解算法对所述第一历史波浪时序数据进行时间序列的分解,获得所述第一历史波浪时序数据对应的周期性数据;其中,所述周期性数据包括趋势数据和周期数据。
54、本发明通过将获取的历史波浪数据转换为模型可以进行理解和输入的时间序列数据,便于后续通过模型进行波浪数据的预测,接着通过时间序列分解方法将波浪数据的趋势和周期进行循环分离,能够更精确地识别并分析影响波浪数据的关键因素,提高波浪数据预测的准确度。
55、作为优选例子,所述模型构建模块包括数据处理单元及相关性计算单元;
56、所述数据处理单元用于对所述第一历史波浪时序数据进行数据平稳化处理,去除所述第一历史波浪时序数据的趋势成分和季节性成分,获得待构建的周期性预测模型的差分值;
57、所述相关性计算单元用于根据所述第一历史波浪时序数据,通过预设的自相关函数和偏自相关函数获得所述待构建的周期性预测模型的模型参数;其中,所述模型参数包括自回归项的阶数,差分阶数,移动平均项的阶数,季节性自回归项的阶数,季节性差分阶数,季节性移动平均项的阶数及季节周期。
58、本发明根据时间序列数据,利用预设的自相关函数及偏自相关函数确定待构建的周期性预测模型的模型参数,以使所述构建的周期性预测模型贴合所述波浪数据的实际时序特性,提高所述周期性预测模型预测的准确性。
本文地址:https://www.jishuxx.com/zhuanli/20240822/281205.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表