基于Grey-GMDH的模块化实时潮汐预报

为了提高潮汐水位的实时预测精度,本文提出了一种基于灰色的数据处理群模块化(Grey-GMDH)潮汐水位实时预测模型。模块化将潮汐分解为两部分:由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。使用Grey-GMDH模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。并选用San Diego港口的实测潮汐值数据进行实时预报的仿真实验,实验结果验证了该方法的可行性与有效性并取得了良好的仿真结果,验证了模型有着较高的预报精度。     

基于调和分析法与ANFIS系统的综合潮汐预报模型

港口沿岸地区以及河流入海口等地区的精确潮汐预报对于各种海洋工程作业有着非常重要的意义。潮汐水位的变化受到众多复杂因素的影响,而且这些复杂的因素往往有着较强的实变性和非线性。为了进一步提高沿岸港口码头等水域的潮汐水位的预测精度,本文提出了一种基于调和分析模型与自适应神经模糊推理系统相结合的模块化潮汐水位预测模型;并采用相关分析确定整个预测模型的输入维数;模块化将潮汐分解为两部分：由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。其中调和分析法用于天文潮部分的预测,ANFIS用于预测具有较强非线性的非文潮部分。模块化综合了两种方法的优势,即调和分析法能够实现长期、稳定的天文潮预报,ANFIS能够以较高的精度实现潮汐非线性拟合与预测。模型使用ANFIS模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。此外,本文选用三种不同的模糊规则生成方法（grid partition （GP）,fuzzy c-means （FCM） and sub-clustering （SC））生成完整的ANFIS系统,并使用实测数据进行验证用以选取最优的ANFIS预测模型。最后将最优的ANFIS模型与调和分析模型相结合进行潮汐水位的最终预报。仿真实验选用Fort Pulaski潮汐观测站的实测潮汐值数据进行预报的仿真实验,仿真结果验证了该模型的可行性与有效性并取得了良好的效果,具有较高的预报精度。     

BP模型用于潮汐预报研究

针对调和分析法预报潮汐精度不高的缺陷,论述了神经网络的BP(反向传播)模型用于潮汐预报的可行性和先进性,设计了潮汐预报的BP神经网络模型,论述了模型的算法改进和预报方法过程,用验潮站20多年的潮汐记录,验证了BP模型用于潮汐预报的可行性和精度.     

基于潮汐表数据同化的天文潮数值预报模型及其模拟预报效果

潮汐表是利用长期潮汐观测结果经调和分析实现的主要港湾潮汐预报结果,具有较高的预报精度,而通常的天文潮数值预报目前还难以达到潮汐表的预报精度.本研究在建立常规天文潮数值预报模型的基础上,建立了基于潮汐表数据同化的天文潮数值预报模型,并分别采用这2种模型预报福建沿岸海域的天文潮.其结果表明同化模型的预报结果无论是在潮时还是在潮高均明显优于常规模型;同化模型能显著地改善所研究的沿岸海域90个水位点中至少45个水位点的潮汐预报结果,而其他水位点的预报结果也有不同程度地改善.     

风暴潮与天文潮非线性相互作用结果及有关问题的分析

分析了风暴潮与天文潮非线性相互作用的结果，给出了增、减水的解析表达式，指出了潮汐预报精度在增、减水分离中的重要性，提出了提高潮汐分析预报精度的方法。     

基于神经网络的潮汐预报方法初探

文章运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报。将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高。     

基于神经网络的潮汐预报方法初探

运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报.将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高.     

风暴潮预报知识讲座

第九讲 潮汐与潮汐预报 潮汐(tide)系指海水在天体引潮力作用下所产生的周期性运动。它包括海面周期性的垂直涨落与海水周期性的水平流动,通常将前者称为潮汐,亦即天文潮(astronamicaltide),后者称为潮流。风暴潮预报海区的潮波特性和各预报验潮站的潮汐预报是风暴潮     

超强台风“桑美”及“韦帕”风暴潮预报分析

基干河口海岸水动力模型MIKE2l,以及全球潮汐预报模型,建立浙江省沿海天文潮与风暴潮耦合预报模式.针对登陆浙江省的两次超强台风"桑美"和"韦帕",以预报的天文潮潮波和台风参数为依据,进行浙江沿海风暴潮位预报,在路径基本准确的情况下,风暴高潮位预报值与实测值相差17cm,后报精度为12cm,为沿海防汛提供了可靠的依据.     

短期潮汐预报探索

以天文潮调和分析原理为基础,通过对余水位的分布特征统计分析,提出一种基于少量观测潮位数据实现短期潮汐预报的方法,并研究开发相关的预报软件。应用案例试验结果表明所提出的统计预报方法具有两项重要的应用价值:(1)在缺测数据修订方面具有较高的精度,平均绝对值误差优于5 cm;(2)在为期3天的短期潮汐预报中具有较好表现,平均绝对值误差小于13 cm。     

渤海潮汐余差谱的初步分析

应用验潮记录研究由气象因素所引起的海洋水位变化时,必须考虑天文潮的预报精度。目前,为了获得较为准确的潮汐预报,多采用电子计算机来实现,其中大都采用一百多个分潮进行预报。正如Munk和Cartwright(1966))所指出的,在调和分析方法中,     

人工神经网络在潮汐数值预报中的应用

潮汐数值预报经过了几十年的发展,但是其预报精度并不能让人十分满意,本文试图将传统的潮汐数值预报模式与近年来发展迅速的人工神经网络相结合并改进潮汐数值预报的精度。文章建立了一个神经网络系统,采用潮汐数值模式的输出结果作为网络输入,潮位观测资料作为输出,用建立的神经网络进行训练,结果表明人工神经网络可以明显地改进潮汐数值预报的精度。     

使用MATLAB拟合工具箱进行潮汐调和分析

应用一个月潮汐资料分析的理论方法,将一个月潮汐资料调和分析和预测结果与实测情况进行比对,并进行决定系数和方差计算等分析,验证了MATLAB的曲线拟合工具箱可以非常简单地实现调和常数计算.建立的短期预报模式,预报结果与实测资料匹配较好,但也发现了因为意外天气系统干扰而造成实测潮位相对于天文潮位的较大偏离,是预报模型无法避开的缺陷.初步认为,该方法可以作为一种实用方法应用于短期潮汐资料的分析和预报,对于中远期的预报应用具有一定的参考价值.     

基于粒子群优化神经网络的水深反演模型

针对直接采用BP神经网络反演水深收敛速度慢,且易陷入局部最优的问题,提出了一种基于粒子群(PSO)优化BP神经网络的水深遥感新模型。该模型首先利用粒子群算法对BP神经网络的权重和阈值进行优化,然后将该优化值作为BP神经网络的初始值,最后再将PSO优化后的模型用于测试海区的反演精度评估。实验结果表明,该模型的网络收敛速度明显加快,水深反演的精度也得到提高。     

北黄海天文潮与风暴潮耦合水位的数值预报方法

本文在北黄海潮汐、天文潮与风暴潮耦合作用数值研究的基础上,建立了该区天文潮与风暴潮耦合作用下水位的数值预报方法,并取得了计算值与实测值较吻合的结果。     

PSO-BP网络算法在运动要素解算中的应用

为了改善被测目标运动要素计算精度,提出了采用 PSO-BP 神经网络算法作为运动要素解算的方程。 该算法将粒子群算法作为 BP 神经网络的学习算法,提高 BP 网络的全局收敛性和收敛速度,将观测到的运动目标参数作为 PSO-BP 神经网络的输入,并将运动目标的方位作为主要输出量,将运动目标的方位值与误差期望值进行比较并作为 PSO 的输入修改 BP 网络权值,进而得到高精度 BP 神经网络。 对该算法进行仿真计算,结果表明:基于该算法的运动目标运动要素解算,尤其是运动方位的解算器精度可以达到 0. 128°,提高了运动要素解算的精度和速度。     

便携式潮汐预报仪的开发与研究

讨论了一种便携式潮汐预报仪的开发与实现。其内部集成嵌入式μC/OS-Ⅱ实时操作系统以及潮汐预报软件,能够根据用户需要实时计算待测港口的潮位信息。将预测数据与实测数据进行比对,说明本系统与传统纸质潮汐表及微机版电子潮汐预报仪相比,具有便携、使用方便、预测精度高等优点。     

基于人工神经网络的赤潮预测模型

本文利用非线性时间序列预测模型,将海洋预报和人工神经网络BP算法相结合,提出了基于神经网络的海洋预报模型;运用改进的三层BP(Back Propagation)神经网络模型对海洋气象进行赤潮灾害监测和预报;同时针对仿真结果进行分析,结果表明该模型具有较好的预测能力。     

浅水潮综合预报方法的研究

本文以上海港的潮汐预报方法为例,阐述了适用于河口及我国沿海其他浅水港口潮汐预报的一种综合性方法,它包括对天文潮、增减水及其综合水位的预报方法与效果问题的研究等。 上海港扼长江口、濒东海之滨,潮汐属非正规半日浅海潮,常受台风、寒潮和长江径流等水文气象因素的影响,航道水深较浅,潮汐水流情况复杂。近十多年来,通过实践,逐     

基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度,提出了一种基于遗传算法(GA)优化反向传播(Back Propagation,BP)神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化,利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验,预测结果误差小于传统BP神经网络,并且在网络训练时间上有所缩短,预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。