基于回声状态网络的海浪谱实时预报方法

作者：张新宇  蔡烽  王骁  石爱国

单位：大连舰艇学院, 辽宁 大连 116018

关键词：回声状态网络 经验模态分解 测波雷达 非线性预报

分类号：P731.33

出版年·卷·期（页码）：2018·35·第五期（34-40）

摘要：

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。

In order to realize forecast of ocean wave spectrum in relatively strong-nonlinearity, empirical mode decomposition (EMD) and echo state network (ESN) was combined to study on real time forecast method of wave spectrum, with the spectrum data measured by onboard X-band radar. EMD was used to decompose the measured nonlinear time series of wavelet spectral density value, and the decomposition results can forecast using ESN. Forecast results can be summed to reconstruct forecast result of different wavelets, and then the frequency spectrum. Results showed that, this method can solve the problem that the forecast results getting worse in relatively strong-nonlinearity condition. This method can provide the basis for people onboard know the real-time data of wave spectrum and for improving practicability of X-band radar.

参考文献：

[1] 陈磊, 徐汉文, 吴泽强. WaMoS Ⅱ测波雷达应用及对比分析[J]. 海洋预报, 2014, 31(1):86-90. [2] 马卫民, 赖德培, 许海恩. 船载WaMoSII测波雷达参数调整及应用分析[J]. 海洋预报, 2011, 28(6):46-50. [3] 王作超, 石爱国, 吴明, 等. 基于测波雷达现实方向谱的三维波浪数值模拟研究[J]. 舰船科学技术, 2014, 36(8):66-70. [4] 郑崇伟, 周林. 近10年南海波候特征分析及波浪能研究[J]. 太阳能学报, 2012, 33(8):1349-1356. [5] 张新宇, 石博文, 石爱国. 船载雷达测波海浪谱预报方法研究[J]. 计算机仿真, 2017, 34(4):31-35. [6] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A:Mathematical, Physical and Engineering Sciences, 1998, 454(1971):903-995. [7] 高祥涛, 李士进. 基于经验模态分解的水文时间序列预测研究[J]. 水文, 2009, 29(3):66-68. [8] 程知, 何枫, 张巳龙, 等. 趋势项调制的小波-经验模态分解联合方法用于大气相干长度廓线去噪[J]. 光学学报, 2017, 37(12):1201002. [9] 黄标兵. 回声状态网络时间序列预测方法及应用研究[D]. 长春:吉林大学, 2017. [10] 李乐, 刘天琪. 基于近邻传播聚类和回声状态网络的光伏预测[J]. 电力自动化设备, 2016, 36(7):41-46. [11] Maass W, Natschläger T, Markram H. Real-time computing without stable states:a new framework for neural computation based on perturbations[J]. Neural Computation, 2002, 14(11):2531-2560. [12] 吕金虎, 陆君安, 陈士乐. 混沌时间序列分析及其应用[M]. 武汉:武汉大学出版社, 2002.

服务与反馈：

【文章下载】【发表评论】【查看评论】【加入收藏】