水下自主机器人水动力预报方法研究

针对水下机器人操纵性优化设计中水动力系数预报问题,在水下机器人水动力预报中引入艇体肥瘦指数概念,确定了水下机器人艇体几何描述的五参数模型。提出采用小波神经网络方法预报水下机器人水动力,确定了神经网络的结构,利用均匀试验设计方法,设计了神经网络的学习样本。研究结果表明,只要确定适当的输入参数,选择适当的学习样本和网络结构,利用小波神经网络方法对水下机器人水动力进行预报可以达到较好的精度。     

基于IRI的卫星高度计电离层Keras神经网络模型研究

基于IRI-2016数据,通过深度学习建立了电离层Keras神经网络模型。经测试,Keras神经网络模型与IRI-2016模型具有同等精度。将Keras神经网络模型应用于Jason-2卫星高度计的电离层电子含量观测,对Jason-2双频观测值进行多项式拟合并与Keras模型值进行比对,结果表明:二者平均电子含量均方根误差为4.46 TECU;平均相关系数为0.75;将总电子含量的均方根差值换算成Ku波段的传输延迟值为8.5 mm,对于测高精度在厘米级别的卫星高度计,该误差在可接受范围内。电离层Keras神经网络模型可以扩展IRI模型的使用范围,方便快捷,也有效地避免了IRI复杂繁琐的分层积分算法。该模型可应用于单频卫星高度计的电离层延迟误差校正。     

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。     

Jason-2高度计电离层GIM误差分析及修正研究

基于Jason-2高度计2015年地球物理数据集(GDR)38个周期太平洋海域的全球电离层图(GIM)电离层校正值和双频校正值的数据,分不同季度和不同纬度区域比较二者的差异,结果表明:GIM值与双频校正值之间存在明显的差异,GIM校正值普遍高于双频校正值,说明GIM高估了电离层路径延迟,GIM校正值与双频校正值的差异与季节和纬度区间有关。用梯度下降法得到GIM值的修正方程,将修正方程应用于2016年Jason-2的全年数据,修正后的GIM值与双频校正值十分接近,在各年份中均具有良好的适用性。在单频高度计不能使用电离层双频校正算法的情况下,可以利用不同季度和不同纬度区域的修正方程对同等高度的高度计GIM值进行修正以达到双频校正值的精度水平。     

滨海湿地稀疏采样重构高光谱图像分类精度评价

高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。     

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GPOS-BP神经网络模型的潮汐预报

为了提高预报潮汐的精度,提出了一种遗传算法(GA)与粒子群算法(PSO)结合的神经网络仿真模型进行潮汐预测,及引入遗传算法变异操作提升粒子群算法的寻优的性能,改善BP神经网络阈值和权值选取敏感、易陷入局部极小值的缺点。然后利用本文算法与调和分析法对潮汐进行非天文潮预报和天文潮预报。最后对Alexandria港口的实测潮汐数据仿真预测,实验结果验证了该方法的可行性与可靠性,且具有较高的预报精度。     

小波神经网络在变形监测预报中的应用

小波神经网络具有良好的时频局域化性质和神经网络的自学习功能。它通过小波分解进行平移和伸缩变换后得到的级数,具有小波分解的一般逼近函数的性质,因此可以用来预报。小波神经网络引入了两个新的参变量即伸缩因子和平移因子,因此具有比小波分解更多的自由度,从而使其具有灵活有效的函数逼近能力和较强的容错能力。     

基于回声状态网络的海浪谱实时预报方法

为实现在非线性较强情况下的海浪谱预报,以船载测波雷达实船测量的海浪谱数据为基础,将经验模态分解(EMD)和回声状态神经网络(ESN)相结合,对海浪谱的实船实时预报方法进行了研究。所提方法利用经验模态分解对子波谱密度值时间序列进行分解,并对分解后各分量分别应用回声状态神经网络进行预报。将预报结果进行叠加,可以得到子波谱密度的预报值,进一步可合并得到整个海浪谱信息。结果表明:该方法可以有效解决非线性较强情况下预报效果变差的问题。方法可为船舶实时掌握海浪谱信息,提高船载测波雷达系统的实用性提供一定的基础。     

电离层折射误差的多频改正方法及精度分析

基于GPS多频观测值的线性组合处理电离层折射误差的原理和方法,推导了电离层延迟的多频消除组合公式,并估计这些线性组合观测值的观测精度和适用范围,验证了用多频观测值组合改正电离层误差的可行性和有效性。GPS现代化后,充分利用增加的第三个导航频率,用三频组合观测值对电离层折射误差进行改正,可以考虑到高阶电离层延迟效应,更有效地提高GPS定位精度。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

Development of wavelet network model for accurate water levels prediction with meteorological effects

Accurate water levels modeling and prediction is essential for safety of coastal navigation and other maritime applications. Water levels modeling and prediction is traditionally developed using the least-squares-based harmonic analysis method that estimates the harmonic constituents from the measured water levels. If long water level measurements are not obtained from the tide gauge, accurate water levels prediction cannot be estimated. To overcome the above limitations, the current state-of-the-art artificial neural network has recently been developed for water levels prediction from short water level measurements. However, a highly nonlinear and efficient wavelet network model is proposed and developed in this paper for water levels modeling and prediction using short water level measurements. Water level measurements (about one month and a week) from six different tide gauges are employed to develop the proposed model and investigate the atmospheric changes effect. It is shown that the majority of error values, the differences between water level measurements and the modeled and predicted values, fall within the −5 cm and +5 cm range and root-mean-squared (RMS) errors fall within 1–6 cm range. A comparison between the developed highly nonlinear wavelet network model and the harmonic analysis method and the artificial neural networks shows that the RMS of the developed wavelet network model when compared with the RMS of the harmonic analysis method is reduced by about 70% and when compared with the RMS of the artificial neural networks is reduced by about 22%. It is also worth noting that if the atmospheric changes effect (meteorological effect) of the air pressure, the air temperature, the relative humidity, wind speed and wind direction are considered, the performance accuracy of the developed wavelet network model is improved by about 20% (based on the estimated RMS values).     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

海洋环境中平台钢腐蚀速率的三层BP 神经网络预测

利用三层BP神经网络预测海洋环境因素对材料的腐蚀速率的影响。结合实测的pH值、温度、溶解氧、盐度、生物附着等影响因素,分析了上述环境因素对平台钢腐蚀的影响,建立环境因素与腐蚀速率之间的映射关系,预测了平台钢在海洋环境中的腐蚀速率。结果表明,全浸区腐蚀速率预测误差为6.95%,潮差带腐蚀速率预测误差为4.2%,预测精度较高。说明利用三层BP神经网络预测钢在海水中腐蚀速率技术可行,具有较高的预测精度和应用价值。     

基于RBF神经网络的多系统钟差预报算法

针对海上条件下,对于实时定位应用,实时数据流无法下载的情况,文中提出一种基于RBF神经网络的卫星钟差预报算法,给出基函数的中心、方差以及隐含层到输出层的权值的计算方法,采用滑动窗口的方法,用样本数据训练后的网络预测下一个历元的钟差值,依次往后训练网络直到预测完整个时间段,通过实验验证了算法的可用性。短期预报中,GPS预报精度在1 ns以下,BDS和GLONASS在2～3 ns左右;长期预报中,GPS预报精度在几十纳秒左右,而BDS和GLONASS在几百纳秒左右,文中给出了相应的结果分析。     

基于多变量LSTM神经网络模型的PDO指数预测研究

利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。     

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。     

水下机器人神经网络滤波技术的研究

滤波技术能提高水下机器人传感器信息的可靠性和精度 ,以保障水下机器人智能作业的顺利完成。将水下机器人的动力学特性隐式地分布在网络权值上 ,构造BP神经网络 ,进行水下机器人的运动状态预报 ,并将预报值与平滑后的实测数据相结合进行滤波 ,有效去除信号的噪声。仿真结果表明该方法能达到很好的滤波效果