海洋浪高预测方法、系统、计算机设备、存储介质、终端与流程

技术特征：
1.一种海洋浪高预测方法，其特征在于，所述海洋浪高预测方法包括以下步骤：选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；cdw为bp模型进行初始化阶段的优化；在cpso
‑
bp模型中，混沌粒子群优化算法cpso在解空间中寻找最优的粒子对bp网络的初始权值和阈值进行优化；使用cpso算法优化过的参数作为elm网络的初始权值和阈值传入elm网络；利用cpso
‑
bp模型进行海洋预警领域浪高预测。2.如权利要求1所述的海洋浪高预测方法，其特征在于，在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面msl、10米风速u分量u10、10米风速v分量v10、平均海波方向mwd、平均海波周期mwp五项特征；通过皮尔逊相关系数r
x，y
计算各个变量与海浪高度swh的相关性，以相关性作为参考选取神经网络的输入特征；皮尔逊相关系数r
x，y
用来定量分析变量间的相关性，r
x，y
∈[
‑
1，1]，当|r
x，y
|接近于1，两者相关性高，当|r
x，y
|接近于0，两者相关性低；r
x，y
的正负代表两个变量的相关性正负，根据以下公式进行计算：其中，|r
x，y
|＞0.8时，两个变量高度相关；当|r
x，y
|∈[0.3，0.5))时，两个变量低度相关；当|r
x，y
|＜0.3时，两个变量弱相关；u10和v10分别为精度和纬度上的风速分量，其相关性不适合单独拿出来作为海浪高度预测的参数；通过特征融合，计算观测点风速值uv用作网络的输入，uv可由以下公式进行计算：特征融合后的新特征uv与swh具有最高的相关性，且与mwp不同，uv不具有后验性，可以作为输入特征；选用p值pvalue来分析各参数的显著性；p值可通过计算chi
‑
square后查询卡方分布表得出，用于判断h0假设是否成立的依据。chi
‑
square计算公式为：其中o
i
为实际值，e
i
为理论值.当原假设成立时，p值代表极端情况的发生几率。3.如权利要求1所述的海洋浪高预测方法，其特征在于，对粒子群进行位置初始化，第i个粒子的初始位置表示为：x
i
＝(x
i，1
，x
i，2
，...x
i，n
)，i∈[1，m]；在生成初始向量之后，使用混沌算法对生成的初始向量进行混沌初始化；利用混沌算法的特性对于初始向量的每一个x
i
分别赋予n个初始值，生成混沌变量通过如下公式可以将初始值从问题空间映射到混沌空间：
找到当前最优解和整个粒子群中的最优解来决定更新速率，当前适应度最高的解记作p
i
，整个粒子群中的最优解记作p
g
；第i个粒子的当前最优解表示为：p
i
＝(p
i1
，p
i2
，...p
in
)，i∈[1，m]；全局最优解表示为：pso通过在不同轮次改变每个粒子的速度，使解朝向趋于p
i
和p
g
的方向更新从而得到最优解；第i个粒子通过以下等式对速度进行更新：其中，c1是局部加速系数，c2是整体加速系数，ω∈r，被称之为惯性权重系数r1和r2为(0，1)区间内的随机实数；小值c1和大值c2能使粒子在优化的后期收敛到全局最优解；局部加速系数由以下公式计算：整体加速系数由以下公式计算：其中，c
1i
和c
2i
是加速系数c1和c2的初始值，且c
1f
和c
2f
是加速系数的最终值；自适应惯性权重系数可由以下公式计算：其中，ω
max
和ω
min
分别为权重系数ω的最大值和最小值，随着进化过程推进，ω逐渐减小；f是当前粒子的适应度，f
av
为粒子群整体的适应度平均值，f
min
为粒子群中的最小适应度；第i个粒子通过以下等式对速度进行更新：其中，x
i
是粒子i的位置，v
i
代表粒子i的速率，v
i
∈(v
min
，v
max
)，v
min
和v
max
在[0，1]之内；λ∈r被称为限制因子，用于调整ω∈r，限制速率；当达到最大轮次或收敛至符合适应度要求时，计算终止。4.如权利要求1所述的海洋浪高预测方法，其特征在于，所述cpso
‑
bp模型的实现方法包括：(1)确定bp网络模型结构；通过特征选取，选择uv和msl作为输入特征值；确定网络输入节点数s
i
为2，隐藏层节点数s
o
为1，将隐藏层节点数s
l
设置为5；其中，每个粒子的维数n可通过以下公式计算：n＝s
i
×
s
l
s
l
×
s
o
s
l
s
o
q，q＝1；其中，q为每个粒子的适应度值，将其放在每个粒子的最后一维构成一个22维的粒子x
i
；s
i
×
s
l
为输入层到隐藏层的权值的数量，s
l
为隐藏层的阈值的数量，粒子的维数n＝22；
(2)设置cpso初始参数；设置限制因子λ＝0.92，自适应惯性权重因子的最大值ω
max
＝0.9和最小值ω
min
＝0.4，设置加速系数初始值c
1i
＝c
2i
＝0.5，设置加速系数最终值c
1f
＝c
2f
＝2.5；(3)根据bp网络模型的结构，生成cpso算法中的初始向量和混沌向量；将输入层到隐藏层的权值和隐藏层的阈值作为cpso矩阵中的元素，cpso中的每一个粒子都表示bp网络的初始参数；对种群x初始化，模型随机产生一个大小m为2000的粒子群，初始种群的第i个粒子由以下公式计算：x
i
＝(x
i，1
，x
i，2
，...x
i，m
)，i＝1，2，...，22；为x
i
中每一个参数加入一个微小的扰动，由此生成初始混沌向量，第i个初始混沌向量由以下公式计算：(4)通过适应度的大小来对种群中的每一个粒子进行打分；每一个粒子的适应度为均方差的倒数，通过适应度的大小来对种群中的每一个粒子进行打分，将各个粒子的得分设为向量的最后一项，适应度与bp网络模型的权值和阈值一起作为该粒子的参数，以确定一个粒子的结构；其中，第i个粒子的适应度由以下公式计算：通过得到的适应度值对每个粒子进行排序，排名前五的粒子作为优胜粒子，排名次五的粒子作为临时粒子；(5)为粒子群按照适应度值进行排序，再对粒子群进行寻优，生成新的粒子群；按照适应度得分，排序最靠前的5个粒子作为优胜粒子，记作在这五个粒子之后排名次五粒子作为临时粒子，记作以这十个被选出来的优胜粒子和临时粒子作为新的中心，与随机矩阵相加19次，分别生成19个新的粒子；表示为随机生成一个22维矩阵y＝[y
1 y
2 ... y
22
]；其中，将分别与矩阵y相加，将相加后的新矩阵归一化到与y相同的区间，相加后的新矩阵可由以下公式计算：其中，l
manx
由以下公式计算：l
max
＝{max||x
i
y
i
|，i＝1，2，...，22}，n＝1，2，...，19；每一个优胜粒子和临时粒子与之后生成的19个z
n
组成一个新的粒子群；从而产生5个新的优胜粒子群，记作以及5个新的临时粒子群，记作(6)混沌趋同和混沌异化操作；将五个优胜粒子和五个临时粒子分别作为中心，生成10个新的粒子群，将新生成的粒子按照适应度值进行重新排序；混沌趋同：当子群体进行趋同操作时，种群会以自己内部得分最高的个体为中心，生成新的子群体，如果新的子群体中有比自己得分高的，那么则以新的优胜个体为中心继续趋
同操作；更新计算粒子的适应度f的平均值f
av
：和适应度f的最小值f
min
，更新权重系数ω；混沌异化：更新自适应惯性权重系数ω、局部加速系数c1和整体加速系数c2，计算出粒子进行混沌化后的速度和粒子新位置；根据粒子的新位置重新计算粒子坐标和适应度f，当出现f值更高的粒子，就用这一粒子生成新的粒子群，将适应度值低的粒子淘汰，直到粒子群成熟，所有个体收敛；如果异化后的粒子群仍未收敛，则重复该步骤直至网络收敛；(7)将适应度最高的个体x
best
＝[x
1 x
2 ... x
22
]作为bp神经网络的输入；将x
best
中x1，x2，...，x
10
作为网络输入层到隐藏层的连接权值，记作将x
best
中x
11
，x
12
，...，x
15
作为神经隐藏层到输出层的连接权值，记作w2＝[x
11
，x
12
，...，x
15
]
t
；将x
best
中x
16
，x
17
，...，x
20
作为隐藏层中各个节点的阈值，记作b1＝[x
16
，x
17
，...，x
20
]
t
将x
best
中x
21
作为输出层中各个节点的阈值，记作b2＝[x
21
]
t
；将w＝[w1，w2]
t
和b＝[b1，b2]
t
分别作为bp网络的初始权值和阈值，形成初始cpso
‑
bp模型；(8)训练预测模型，进行仿真预测。5.如权利要求1所述的海洋浪高预测方法，其特征在于，所述cpso
‑
bp模型的寻优方法包括：在cpso
‑
bp模型中，cpso在解空间中寻找最优的粒子对bp网络的初始权值和阈值进行优化，cpso通过趋同和异化运算来发掘适应度更高的粒子；在进行趋同运算之前，cpso先根据适应度值将所有粒子进行排序，从排名靠前的粒子中找到最优粒子和临时粒子；由最优粒子和临时粒子为中心，生成新的粒子群，对每个新生成的粒子群进行排序，进行趋同和异化操作；当异化过程不再产生适应度值更高的粒子，即找到最优粒子时，不再对粒子群进行更新，算法结束；在cpso的优化过程中，在选取5个优胜粒子和5个临时粒子之后，分别以它们为中心生成了5个优胜粒子群和5个临时粒子群；每个粒子群适应度得分在经过一定次数的变化之后趋于一个稳定值，这说明粒子群已经成熟，适应度得分不再变化；当每个粒子群经过趋同运算，每个粒子群的最终得分为其内部得分最高的粒子的适应度值；在进行最优粒子群更新之后，进入异化阶段；优胜粒子群中的子种群2，子种群3和子种群4的适应度值得分低于临时粒子群中的子种群1、子种群2和子种群5的适应度值得分；所以，由临时粒子群中的子种群1、子种群2和子种群5取代优胜粒子群中的子种群2，子种群3和子种群4作为新的优胜粒子群进入异化阶段；将优胜粒子群被替换的三个粒子群淘汰，再在临时粒子群中随机生成三个新的粒子群，进入异化阶段；在经过4次趋同运算之后粒子群的适应度得分不再变化，说明此时所有的粒子群已经成熟，满足算法停止条件，cpso算法寻优至此结束；将cpso找到的适应度值最高的粒子的值传入bp神经网络作为初始权值和阈值。6.如权利要求1所述的海洋浪高预测方法，其特征在于，所述cpso
‑
elm模型的实现，包括：cpso
‑
elm模型的形式与cpso
‑
bp模型类似；cpso在算法策略上不变，在cpso算法运行结束后将算法寻找到的最优解传入elm作为其初始权值和阈值；elm在确定输入层到隐藏层各个节点的权值和隐藏层的阈值后，elm能自行确定隐藏层
神经元到输出层神经元的权值；通过特征选取，选择uv和msl作为输入特征值，通过训练bp神经网络对swh进行预测；输入神经元个数s
i
为2，输出层节点数s
o
为1，将隐藏层节点个数s
l
设置为5；其中，每个粒子的维数n，通过以下公式计算：n＝s
i
×
s
l
s
l
q，q＝1；其中，q为每个粒子的适应度值，将其放在每个粒子的最后一维构成一个16维的粒子x
i
；s
i
×
s
l
为输入层到隐藏层的权值数量；s
l
为隐藏层神经元的阈值数量，粒子的维数n＝16；cpso
‑
elm模型的基本思想是将使用cpso算法优化过的参数作为elm网络的初始权值和阈值传入elm网络，通过优化神经网络参数来对预测的效果进行优化。7.一种实施权利要求1～6任意一项所述的海洋浪高预测方法的海洋浪高预测系统，其特征在于，所述海洋浪高预测系统包括：特征选取模块，用于选取相关系数高的特征作为预测海浪高度的输入特征；cpso算法确定模块，用于按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；cpso
‑
bp模型实现模块，用于通过cdw为bp模型进行初始化阶段的优化；cpso
‑
bp模型寻优模块，在cpso
‑
bp模型中，用于通过cpso在解空间中寻找最优的粒子对bp网络的初始权值和阈值进行优化；cpso
‑
elm模型实现模块，用于使用cpso算法优化过的参数作为elm网络的初始权值和阈值传入elm网络；浪高预测模块，用于利用cpso
‑
bp模型或cpso
‑
elm模型进行海洋预警领域的浪高预测。8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；cdw为bp模型进行初始化阶段的优化；在cpso
‑
bp模型中，cpso在解空间中寻找最优的粒子对bp网络的初始权值和阈值进行优化；使用cpso算法优化过的参数作为elm网络的初始权值和阈值传入elm网络；利用cpso
‑
bp模型或cpso
‑
elm模型进行海洋预警领域的浪高预测。9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；cdw为bp模型进行初始化阶段的优化；在cpso
‑
bp模型中，cpso在解空间中寻找最优的粒子对bp网络的初始权值和阈值进行优化；使用cpso算法优化过的参数作为elm网络的初始权值和阈值传入elm网络；利用cpso
‑
bp模型或cpso
‑
elm模型进行海洋预警领域的浪高预测。10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的海洋浪高预测系统。

技术总结
本发明属于海洋浪高预测技术领域，公开了一种海洋浪高预测方法、系统、计算机设备、存储介质、终端，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO


技术研发人员：唐瑞春 邹远晨 刘培顺 王学芳
受保护的技术使用者：中国海洋大学
技术研发日：2021.08.06
技术公布日：2021/11/30