基于信号分解的多要素海浪预报方法、电子设备、介质

本发明属于海洋科学领域，尤其涉及一种基于信号分解的多要素海浪预报方法、电子设备、介质。

背景技术：

1、目前，基于深度学习进行海浪预测的方法存在以下问题：

2、绝大多数方法都只关注有效波高预测，从未有人关注不同神经网络在对不同波浪特征进行预测时的性能差异；然而在实际应用中，不光是有效波高，有效波周期和波向都是重要的有预测价值的物理量，并且不同的神经网络架构对不同波浪特征的预测精度也有相当大的差异。

3、基于深度学习的海浪预测方法在长时预测与泛化预测时精度低，并且单纯地通过改换神经网络架构难以有效提升预测精度。

4、同时，目前以emd（经验模态分解）类为主的信号分解技术在深度学习海浪预测领域面临以下的局限性：

5、emd类信号分解方法虽然能自适应地分解时间序列，但其分解出的imf数量会随着时间序列长度、复杂度的变化而变化。从而导致根据各imf训练出的模型在泛化时与所要预测的各imf之间数目、物理含义不对应而使得无法预测。

6、即使利用可调控分解数目的vmd来得到相同数量的模态函数，但分解出的模态函数仍然无法与在泛化时所要预测的各模态函数之间进行物理含义上的对应，从而导致预测精度显著下降。

技术实现思路

1、本发明的目的是克服现有技术中的不足，提供了一种基于信号分解的多要素海浪预报方法、电子设备、介质。

2、第一方面，本发明实施例提供了一种基于信号分解的多要素海浪预报方法，所述方法包括：

3、获取海浪数据，从海浪数据中提取有效波高时序数据、有效波周期时序数据、波向时序数据；

4、对有效波高时序数据、有效波周期时序数据、波向时序数据分别进行自适应噪声完备经验模态分解，计算分解得到的每一本征模态函数的熵值；设置熵阈值，将大于熵阈值的本征模态函数作为高频模态函数，将小于熵阈值的本征模态函数作为低频模态函数；

5、将有效波高时序数据、有效波周期时序数据、波向时序数据对应的低频模态函数分别划分为k11组模态、k21组模态、k31组模态；

6、对有效波高时序数据、有效波周期时序数据、波向时序数据对应的高频模态函数分别叠加后进行变分模态分解；将变分模态分解后得到的模态函数分别划分为k12组模态、k22组模态、k32组模态；

7、将k11组模态、k12组模态依次输入bilstm模型中，输出有效波高预测结果；将k21组模态、k22组模态依次输入lstm模型中，输出有效波周期预测结果；将k31组模态、k32组模态依次输入lstm-gru模型中，输出波向预测结果。

8、第二方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于信号分解的多要素海浪预报方法。

9、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于信号分解的多要素海浪预报方法。

10、第四方面，本发明实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述的基于信号分解的多要素海浪预报方法。

11、与现有技术相比，本发明的有益效果是：

12、（1）本发明对有效波高时序数据、有效波周期时序数据、波向时序数据进行自适应噪声完备经验模态分解（iceemdan分解），以及变分模态分解（vmd分解），使得神经网络更好地学习各海浪特征时间序列中的信息，从而显著提高预测精度。

13、（2）本发明利用rmse-ci分类技术，将有效波高时序数据、有效波周期时序数据、波向时序数据对应的低频模态函数分别划分为k11组模态、k21组模态、k31组模态；对有效波高时序数据、有效波周期时序数据、波向时序数据对应的高频模态函数经变分模态分解后得到的模态函数分别划分为k12组模态、k22组模态、k32组模态；解决目前emd类信号分解方法与深度学习结合时无法泛化的难点，使得在保留信号分解技术对预测精度提升的情况下实现模型泛化。

14、（3）本发明分别利用bilstm模型预测有效波高，利用lstm模型预测有效波周期，利用lstm-gru模型预测波向；针对有效波高、有效波周期、波向选用对应预测性能最优的神经网络架构，实现高精度长时可泛化预测。

技术特征：

1.一种基于信号分解的多要素海浪预报方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于信号分解的多要素海浪预报方法，其特征在于，对有效波高时序数据、有效波周期时序数据、波向时序数据分别进行自适应噪声完备经验模态分解的过程包括：

3.根据权利要求1或2所述的一种基于信号分解的多要素海浪预报方法，其特征在于，计算每一本征模态函数的熵值的过程包括：

4.根据权利要求1所述的一种基于信号分解的多要素海浪预报方法，其特征在于，对有效波高时序数据、有效波周期时序数据、波向时序数据对应的高频模态函数分别叠加后进行变分模态分解的过程包括：

5.根据权利要求2或4所述的一种基于信号分解的多要素海浪预报方法，其特征在于，将有效波高时序数据、有效波周期时序数据、波向时序数据对应的低频模态函数分别划分为k11组模态、k21组模态、k31组模态；将变分模态分解后得到的模态函数分别划分为k12组模态、k22组模态、k32组模态的过程包括：

6.根据权利要求1所述的一种基于信号分解的多要素海浪预报方法，其特征在于，输出有效波高预测结果、有效波周期预测结果、波向预测结果的过程包括：

7.根据权利要求1或6所述的一种基于信号分解的多要素海浪预报方法，其特征在于，所述lstm-gru模型包括依次连接的输入层、第一长短时记忆网络、第一随机失活层、第一门控循环单元、第二随机失活层、第二长短时记忆网络、第三随机失活层、全连接层。

8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-7任一项所述的基于信号分解的多要素海浪预报方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的基于信号分解的多要素海浪预报方法。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-7中任一所述的基于信号分解的多要素海浪预报方法。

技术总结
本发明公开了一种基于信号分解的多要素海浪预报方法、电子设备、介质，包括：对有效波高、有效波周期、波向时序数据分别进行自适应噪声完备经验模态分解，将分解得到的每一本征模态函数划分为高频模态函数、低频模态函数；将有效波高、有效波周期、波向时序数据对应的低频模态函数划分为K<subgt;11</subgt;、K<subgt;21</subgt;、K<subgt;31</subgt;组模态；对有效波高、有效波周期、波向时序数据对应的高频模态函数分别叠加后进行变分模态分解，将分解得到的模态函数分别划分为K<subgt;12</subgt;、K<subgt;22</subgt;、K<subgt;32</subgt;组模态；将K<subgt;11</subgt;、K<subgt;12</subgt;组模态依次输入BiLSTM模型，输出效波高预测结果；将K<subgt;21</subgt;、K<subgt;22</subgt;组模态依次输入LSTM模型，输出有效波周期预测结果；将K<subgt;31</subgt;、K<subgt;32</subgt;组模态依次输入LSTM‑GRU模型，输出波向预测结果。

技术研发人员：白晔斐,范迦勒,周桑君,周一帆,魏笑然,赵文宇,支泓欢
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/9/23