基于二次阶段插值预测内河任意点潮高的预测模型

随着经济的发展,许多港口码头的靠离船舶趋于大型化,深吃水的船舶往往需要乘潮进出港口。因此,准确的潮高预测对大型船舶进出港口至关重要。目前大多数研究都是对已知港口的潮高进行长短期预测及潮高校正,而一些无潮高信息的港口只能通过其附近港口的潮高信息进行预估。为了精确预测无潮高预报港口的潮高信息,通过二次阶段插值建立内河任意点潮高的预测模型,通过距离-时间关系计算任意点p在同阶潮时的时间t,通过距离-潮高关系计算在时刻t对应的潮高,最后通过分段拟合来计算港口的任意时刻的潮高。测试结果表明,该模型的潮高预测有很高的精度,这对船舶进出无潮高信息港口的航行安全具有重要意义。

基于改进的粒子群优化神经网络算法的海平面变化预测分析

针对验潮站潮位预报的需求,提出一种基于分群策略的粒子群优化神经网络(SSPSO-BP)的预报方法。该方法通过建立多个不同功能且具有交流能力的智能粒子群,经SSPSO和BP的两次优化,构建潮高预报模型。实验研究表明,SSPSO-BP模型在Oga站的潮位资料上高、低潮位间的时刻基本保持一致,高潮时刻最大潮高差为7.37 cm,低潮时刻最大潮高差为4.21 cm,该模型比标准BP神经网络及PSO优化神经网络在准确度和精度上有了很大的提高,其平均绝对误差、均方误差相较于BP神经网络分别提升了16.2%、79.2%,相较于PSO-BP神经网络提升了13.9%、79.6%。