基于误差修正和LSTM的海浪高度预测模型

准确可靠的海浪高度预测是海洋工程和沿海工程应用的一项重要任务,如海洋渔业捕捞和近海勘探工程。提出一种基于误差修正和长短期记忆(LSTM)网络的海浪高度预测模型,采用自适应噪声完备集合经验模态(CEEMDAN)分解误差序列,产生误差模态分量,根据斯皮尔曼(Spearman)产生的相关系数划分每个模态分量的权重,利用长短期记忆网络对误差模态分量进行预测,将权重和预测模态分量相结合,融合到未来对应点位的预测值中,提高预测精度。实验结果表明,在均方根误差(RMSE)、拟合优度(R^(2))等评价指标上,与极限学习机(ELM)、融合注意力机制LSTM(A-LSTM)等模型进行比较,CSLM模型的评价指标较好,验证了CSLM模型的有效性和可行性。

基于GWO-SVR的深海采矿海试区海浪高度预测

基于ERA5再分析资料,取海试区中心区域海洋环境数据构建输入特征,使用灰狼优化算法(GWO)对支持向量回归(SVR)算法进行参数寻优,并将GWO-SVR算法和传统SVR算法及基于粒子群算法(PSO)的PSO-SVR浪高预测效果进行比较和分析。为进一步探究周围环境及海浪状态对GWO-SVR预测效果的影响,构建3种数据模型进行了63组试验。结果表明,GWO-SVR能够对海浪高度进行有效预测,且预测精度较高;当使用较大空间范围的海洋环境数据构建特征作为算法输入时,能够有效提高GWO-SVR算法对海浪高度预测的精度。

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂。基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。为了比较和说明,以太平洋东北海盆海域和马尾藻海域的4个站点浮标数据进行实验。实验结果表明,本文提出的混合模型(VALM)将海浪高度数据分解为更平稳和更规则的子序列;可以更好的区分数据之间的重要程度,并能够携带更多信息的数据;与支持向量回归(SVR)、人工神经网络(ANN)和LSTM等模型进行比较,VALM模型的预测效果最好且具备一定的鲁棒性。

机载浪高计误差分析计算

本文论述了用“天向加速度计”介决因飞机起伏使机载激光浪高计测量海浪高度产生方法误差问题。还分析了其它各种误差源,并分别计算了其大小,作为对系统中元部件精度选择的依据。为保障测量精度,飞机在实施海浪测量时,应遵循的必要条件。