基于机器学习算法对海浪波高的预测及优化研究

论文摘要

海浪是海洋表面重要的运动过程,机器学习是目前国内外热门研究领域,本文将海洋科学与机器学习相结合,探索了机器学习在海洋科学领域应用的可行性,为今后的研究奠定基础。本文采用了机器学习中的两种不同算法对海浪有效波高进行预测和修正。(1)建立使用支持向量机(SVM)的预测模型,选取风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的影响。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了四组不同特征向量的模型对海浪有效波高进行预测,并对四种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果更接近模式预报结果,相关系数将近99%,均方根误差约为0.2m。(2)使用神经网络模型建立模式结果的优化模型,对MASNUM海浪模式的有效波高进行优化。选用风场,波浪场作为学习要素,选取南海海域作为实验区域,按季节划分了夏季、秋季、冬季3个模型进行训练。与卫星观测的数据相比,修正后结果的均方根误差与绝均差减少了约30%。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究意义
•   1.2 研究背景
•   1.3 本文的工作
• 第二章 SVM预测模型设计方案的建立与验证
•   2.1 SVM基本理论
•   2.2 模型的建立
•     2.2.1 数据的选取
•     2.2.2 参数的确定
•     2.2.3 数据标准化处理
•     2.2.4 特征向量的选取
•     2.2.5 具体实现方法
•   2.3 预测结果分析
•     2.3.1 预测结果
•     2.3.2 模型结果对比分析
•     2.3.3 模型的不足
• 第三章 基于深度神经网络对海浪模式结果的优化
•   3.1 MASUNM海浪模式
•     3.1.1 模式介绍
•     3.1.2 模式设置
•   3.2 深度神经网络
•   3.3 实验地形和数据
•   3.4 预实验
•   3.5 实验设计
•   3.6 夏季实验模型介绍和结果验证
•     3.6.1 模型介绍
•     3.6.2 结果验证
•   3.7 秋季实验模型和结果验证
•     3.7.1 模型介绍
•     3.7.2 结果验证
•   3.8 冬季实验模型和结果验证
•     3.8.1 模型介绍
•     3.8.2 结果验证
• 第四章 结语
•   4.1 主要创新点和结论
•   4.2 存在的问题和展望
• 参考文献
• 附录
• 发表文章
• 致谢

文章来源

类型: 硕士论文

作者: 金权

导师: 华锋

关键词: 机器学习,支持向量机,海浪要素预测,海浪数值模式,神经网络,海浪有效波高优化

来源: 自然资源部第一海洋研究所

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 海洋学,海洋学,水利水电工程

单位: 自然资源部第一海洋研究所

分类号: P731.22;P714

总页数: 65

文件大小: 3687K

下载量: 211