共查询到20条相似文献，搜索用时 31 毫秒
1.
2.
3.
4.
5.
基于调和分析法与ANFIS系统的综合潮汐预报模型 总被引：1，自引：1，他引：0
港口沿岸地区以及河流入海口等地区的精确潮汐预报对于各种海洋工程作业有着非常重要的意义。潮汐水位的变化受到众多复杂因素的影响,而且这些复杂的因素往往有着较强的实变性和非线性。为了进一步提高沿岸港口码头等水域的潮汐水位的预测精度,本文提出了一种基于调和分析模型与自适应神经模糊推理系统相结合的模块化潮汐水位预测模型;并采用相关分析确定整个预测模型的输入维数;模块化将潮汐分解为两部分：由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。其中调和分析法用于天文潮部分的预测,ANFIS用于预测具有较强非线性的非文潮部分。模块化综合了两种方法的优势,即调和分析法能够实现长期、稳定的天文潮预报,ANFIS能够以较高的精度实现潮汐非线性拟合与预测。模型使用ANFIS模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。此外,本文选用三种不同的模糊规则生成方法（grid partition （GP）,fuzzy c-means （FCM） and sub-clustering （SC））生成完整的ANFIS系统,并使用实测数据进行验证用以选取最优的ANFIS预测模型。最后将最优的ANFIS模型与调和分析模型相结合进行潮汐水位的最终预报。仿真实验选用Fort Pulaski潮汐观测站的实测潮汐值数据进行预报的仿真实验,仿真结果验证了该模型的可行性与有效性并取得了良好的效果,具有较高的预报精度。 相似文献
6.
为了提高潮汐水位的实时预测精度,本文提出了一种基于灰色的数据处理群模块化(Grey-GMDH)潮汐水位实时预测模型。模块化将潮汐分解为两部分:由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。使用Grey-GMDH模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。并选用San Diego港口的实测潮汐值数据进行实时预报的仿真实验,实验结果验证了该方法的可行性与有效性并取得了良好的仿真结果,验证了模型有着较高的预报精度。 相似文献
7.
基于潮汐表数据同化的天文潮数值预报模型及其模拟预报效果 总被引：1，自引：0，他引：1
潮汐表是利用长期潮汐观测结果经调和分析实现的主要港湾潮汐预报结果,具有较高的预报精度,而通常的天文潮数值预报目前还难以达到潮汐表的预报精度.本研究在建立常规天文潮数值预报模型的基础上,建立了基于潮汐表数据同化的天文潮数值预报模型,并分别采用这2种模型预报福建沿岸海域的天文潮.其结果表明同化模型的预报结果无论是在潮时还是在潮高均明显优于常规模型;同化模型能显著地改善所研究的沿岸海域90个水位点中至少45个水位点的潮汐预报结果,而其他水位点的预报结果也有不同程度地改善. 相似文献
8.
9.
基于主成分和BP神经网络的智利竹筴鱼渔场预报模型研究 总被引：3，自引：0，他引：3
东南太平洋智利竹筴鱼Trachurus murphyi是我国大型拖网渔船队的重要捕捞对象。准确预报中心渔场是提高渔业生产能力的重要工作。本文根据2003—2009年我国船队在东南太平洋海域捕捞智利竹筴鱼的渔捞日志数据,结合海洋遥感获得的海表温度(SST)和海面高度(SSH)等海洋环境因子,利用主成分和BP神经网络方法对智利竹筴鱼中心渔场预报模型进行了研究。研究利用主成分分析法(PCA)得到累计贡献率在90%以上样本的主成分,综合考虑模型测试的精度与速度,基于原始样本和经PCA处理后的主成分分别建立了BP模型,其最优BP模型结构分别为5∶10∶1和3∶7∶1。研究结果表明,经PCA处理后的主成分所建立的BP神经网络模型在训练结果和测试结果上均要优于用原始样本建立的BP神经网络模型,两者的预报准确率分别为67%和60%。 相似文献
10.
11.
12.
13.
14.
长江口外海上测量除受风浪影响较大外,最重要的问题是潮位控制非常困难。文中简要阐述了开展长江口外潮汐精细化模型研究的方法,介绍了利用潮汐精细化模型对长江口外航路任意点进行潮汐预报的方法,并通过实测数据进行了精度分析,提出了建议。 相似文献
15.
《海洋技术学报》2023,(2)
全球潮汐预报模型在深水大洋具有较高的精度, 但在近岸强潮海区由于地形岸线、模型分辨率等原因精度不一, 难以直接应用。三门湾海域多年平均潮差4 m, 最大潮差可达7 m,是典型的强潮海湾, 为了评估TPXO9.0、TPXO9.0-atlas TOPEX/POSEIDON TIDES）、NAO.99b（National Astronomical Observatory of Japan）与GTM（Global Tide Model） 4 种预报模型在三门湾海域的预报精度, 本文分别通过上述4 个潮汐预报模型提取水动力数学模型开边界进行对比,并利用提取的开边界潮位对二维水动力模型进行驱动。通过计算分析潮位站实测数据与数值模拟结果的误差, 研究4 种预报模型模拟的三门湾潮汐变化得出, NAO.99b 模型在三门湾海域整体预报精度最佳, 分潮振幅、迟角和实测数据误差最小, TPXO9.0-atlas 分潮振幅模拟较好, 但迟角误差较大。对湾内四大分潮进行潮汐调和分析发现, 三门湾海域以半日潮为主, M2、S2 和K1分潮振幅由湾顶向湾口递减, O1分潮相反。 相似文献
16.
河口潮汐过程受上游径流、外海潮波等综合因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS_TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12~48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列;以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12~48 h潮位预报误差,据此对NS_TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS_TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS_TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。 相似文献
17.
在海底沉积物声速预报中,针对传统经验公式存在预测精度差、适用范围窄、缺乏物理意义等问题,在已有BP神经网络预测的基础上,运用遗传算法优化其初始权值和阈值的方法,构建出基于含水量、孔隙度的声速预报模型。将南沙海域采集得到的海底沉积物样品分为两部分,抽取120组涵盖陆架、陆坡、海槽等地貌单元的样品作为训练数据,另外剩余6组作为测试数据。经试验对比后发现,在对本区域进行声速预报时,宜采用遗传算法优化的BP神经网络,其要优于传统的单参数、双参数回归拟合预报方法和国内外其他学者所得到的经验公式。此种预报方法具有一定的科学依据和广泛的应用前景,可在今后为建立明确、统一的声速预报模型提供参考。 相似文献
18.
19.
基于长江口外鸡骨礁、绿华山潮位站多年实测潮汐资料,开展潮汐调和分析与应用研究。采用最小二乘法计算调和常数,研究不同分潮组合及不同资料长度对调和分析结果的影响。采用规范法及直接预报法计算深度基准面,并分析计算结果。采用余水位订正方法推算潮位,并进行精度验证。结果表明:调和分析精度随分潮个数的增加而提高;采用年实测潮汐资料调和分析的精度总体高于采用多年实测潮汐资料调和分析的精度;采用预报年份相邻的年实测潮汐资料进行潮汐预报精度较高;理论最低潮面计算值,规范法较直接预报法偏小。基于绿华山站与鸡骨礁站实测资料进行余水位推算验证,精度基本满足实用要求。 相似文献
20.
分析了风暴潮与天文潮非线性相互作用的结果，给出了增、减水的解析表达式，指出了潮汐预报精度在增、减水分离中的重要性，提出了提高潮汐分析预报精度的方法。 相似文献