預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置制造方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置。其中，該方法包括：對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于LMS迭代訓(xùn)練；根據(jù)LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型；使用初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，該測(cè)試數(shù)據(jù)中的樣本數(shù)至少為預(yù)設(shè)樣本數(shù)量的2倍；根據(jù)測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值；根據(jù)動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量；從海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本；對(duì)新樣本進(jìn)行LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型；使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。本發(fā)明提升了海流監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)和診斷的有效性。
【專(zhuān)利說(shuō)明】預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及海洋數(shù)據(jù)監(jiān)測(cè)領(lǐng)域，具體而言，涉及預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置。
【背景技術(shù)】
[0002]目前，對(duì)于海流監(jiān)測(cè)數(shù)據(jù)的數(shù)據(jù)預(yù)測(cè)、診斷與評(píng)價(jià)算法主要有自回歸移動(dòng)平均模型和神經(jīng)網(wǎng)絡(luò)模型，而用于預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型主要有線(xiàn)性神經(jīng)網(wǎng)絡(luò)、BP (BackPropagation,反向傳播)神經(jīng)網(wǎng)絡(luò)、RBF (Radical Basis Function,徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)。
[0003]上述自回歸移動(dòng)平均模型和神經(jīng)網(wǎng)絡(luò)模型大多針對(duì)既有數(shù)據(jù)進(jìn)行處理，未考慮在線(xiàn)監(jiān)測(cè)過(guò)程中數(shù)據(jù)的實(shí)時(shí)更新，無(wú)法有效地判斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)是否異常。
[0004]針對(duì)上述無(wú)法有效地判斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)是否異常的問(wèn)題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實(shí)施例的目的在于提供一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置，用以解決上述問(wèn)題。
[0006]根據(jù)本發(fā)明實(shí)施例的一方面，提供了一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法，包括:對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于(梯度的最小均方)LMS迭代訓(xùn)練；根據(jù)LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型；使用初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，該測(cè)試數(shù)據(jù)中的樣本數(shù)至少為預(yù)設(shè)樣本數(shù)量的2倍；根據(jù)上述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值；根據(jù)動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量；從海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本；對(duì)新樣本進(jìn)行LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型；使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。
[0007]根據(jù)本發(fā)明實(shí)施例的另一方面，提供了一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的裝置，包括:初始神經(jīng)網(wǎng)絡(luò)模型確定模塊，用于對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于LMS迭代訓(xùn)練；根據(jù)LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型；初始預(yù)測(cè)模塊，用于使用初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，測(cè)試數(shù)據(jù)中的樣本數(shù)至少為預(yù)設(shè)樣本數(shù)量的2倍；樣本數(shù)量確定模塊，用于根據(jù)上述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值；根據(jù)動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量；神經(jīng)網(wǎng)絡(luò)模型更新模塊，用于從海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本；對(duì)新樣本進(jìn)行LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型；后續(xù)數(shù)據(jù)預(yù)測(cè)與診斷模塊，用于使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。
[0008]本發(fā)明實(shí)施例通過(guò)在訓(xùn)練階段增加測(cè)試性的動(dòng)態(tài)預(yù)測(cè)計(jì)算，并根據(jù)測(cè)試性計(jì)算結(jié)果確定動(dòng)態(tài)學(xué)習(xí)的權(quán)值，進(jìn)而確定神經(jīng)網(wǎng)絡(luò)模型所需要的實(shí)際樣本數(shù)量，進(jìn)行最終的迭代訓(xùn)練確定更新的神經(jīng)網(wǎng)絡(luò)模型，采用更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)和診斷，使診斷結(jié)果更客觀化，提升了在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)是否異常判斷的有效性，具有較強(qiáng)的實(shí)用性。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0009]構(gòu)成本申請(qǐng)的一部分的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中:
[0010]圖1是本發(fā)明實(shí)施例提供的預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法流程圖；
[0011]圖2是本發(fā)明實(shí)施例提供的預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的具體方法流程圖；
[0012]圖3是本發(fā)明實(shí)施例提供的預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0013]下文中將參考附圖并結(jié)合實(shí)施例來(lái)詳細(xì)說(shuō)明本發(fā)明。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。
[0014]針對(duì)相關(guān)技術(shù)對(duì)海上運(yùn)行的海流監(jiān)測(cè)數(shù)據(jù)，只進(jìn)行簡(jiǎn)單的通訊過(guò)程的發(fā)送與接收，無(wú)法有效校驗(yàn)判斷通訊環(huán)節(jié)是否會(huì)有數(shù)據(jù)錯(cuò)誤等問(wèn)題，本實(shí)施例提供了一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法和裝置。下面通過(guò)以下實(shí)施例進(jìn)行描述。
[0015]參見(jiàn)圖1所示的預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法流程圖，該方法包括以下步驟:
[0016]步驟S102，對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于LMS (梯度的最小均方)迭代訓(xùn)練；
[0017]步驟S104，根據(jù)LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型；
[0018]步驟S106，使用初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，測(cè)試數(shù)據(jù)中的樣本數(shù)至少為預(yù)設(shè)樣本數(shù)量的2倍；該測(cè)試數(shù)據(jù)可以是后續(xù)接收到的海流監(jiān)測(cè)數(shù)據(jù)；
[0019]步驟S108，根據(jù)上述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值；
[0020]步驟S110，根據(jù)上述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量；
[0021]步驟S112，從上述海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本；
[0022]步驟S114，對(duì)該新樣本進(jìn)行LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型；
[0023]步驟S116，使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。
[0024]本實(shí)施例通過(guò)在訓(xùn)練階段增加測(cè)試性的動(dòng)態(tài)預(yù)測(cè)計(jì)算，并根據(jù)測(cè)試性計(jì)算結(jié)果確定動(dòng)態(tài)學(xué)習(xí)的權(quán)值，進(jìn)而確定神經(jīng)網(wǎng)絡(luò)模型所需要的實(shí)際樣本數(shù)量，進(jìn)行最終的迭代訓(xùn)練確定更新的神經(jīng)網(wǎng)絡(luò)模型，采用更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)和診斷，使診斷結(jié)果更客觀化，提升了在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)是否異常判斷的有效性，具有較強(qiáng)的實(shí)用性。
[0025]上述動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果中包括預(yù)測(cè)值和實(shí)際監(jiān)測(cè)值之間的均方誤差，基于此，上述根據(jù)測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值包括:用α表示動(dòng)態(tài)學(xué)習(xí)權(quán)值，通過(guò)在設(shè)定區(qū)間(例如0.005到0.1之間)內(nèi)多次變化α取值的方式對(duì)上述測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)，將預(yù)測(cè)結(jié)果中均方誤差最小值對(duì)應(yīng)的α取值確定為α的最終取值；該方式通過(guò)在一定區(qū)間內(nèi)不斷變化α取值進(jìn)行反復(fù)的測(cè)試計(jì)算，得到使預(yù)測(cè)結(jié)果均方誤差最小的α值，將該值作為動(dòng)態(tài)學(xué)習(xí)權(quán)值的最終值。相應(yīng)地，上述根據(jù)動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量包括:設(shè)置海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量N=logl_a α。
[0026]優(yōu)選地，上述使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷包括:根據(jù)更新的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)計(jì)算結(jié)果判斷是否滿(mǎn)足學(xué)習(xí)條件；其中，該學(xué)習(xí)條件為預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差小于10%，且前M個(gè)時(shí)次海流監(jiān)測(cè)數(shù)據(jù)的有效率大于70% ;其中，M為根據(jù)經(jīng)驗(yàn)設(shè)定的大于或等于5的整數(shù)；如果是，根據(jù)動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)；并使用調(diào)整網(wǎng)絡(luò)系數(shù)后的神經(jīng)網(wǎng)絡(luò)模型作為新的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)與診斷；如果否，采用更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)與診斷。對(duì)于后續(xù)每一時(shí)刻新得到的海流監(jiān)測(cè)數(shù)據(jù)，這種學(xué)習(xí)方式可以在滿(mǎn)足條件時(shí)進(jìn)行單個(gè)樣本學(xué)習(xí)并動(dòng)態(tài)實(shí)時(shí)調(diào)整神經(jīng)網(wǎng)絡(luò)模型參數(shù)，在保證神經(jīng)網(wǎng)絡(luò)模型能夠自適應(yīng)數(shù)據(jù)變化規(guī)律的同時(shí)還有效避免了不必要的頻繁更新，一定程度上保證了數(shù)據(jù)預(yù)測(cè)與診斷的效率。
[0027]具體地，上述使用更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷還可
以包括:計(jì)算預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差
【權(quán)利要求】
1.一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的方法，其特征在于，包括: 對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于梯度的最小均方LMS迭代訓(xùn)練； 根據(jù)所述LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型； 使用所述初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，所述測(cè)試數(shù)據(jù)中的樣本數(shù)至少為所述預(yù)設(shè)樣本數(shù)量的2倍； 根據(jù)所述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值； 根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量； 從所述海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本； 對(duì)所述新樣本進(jìn)行所述LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型； 使用所述更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于， 根據(jù)所述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值包括:用α表示動(dòng)態(tài)學(xué)習(xí)權(quán)值，通過(guò)在設(shè)定區(qū)間內(nèi)多次變化α取值的方式對(duì)所述測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)，將預(yù)測(cè)結(jié)果中均方誤差最小值對(duì)應(yīng)的α取值確定為α的最終取值；根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量包括:設(shè)置所述海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量N=1g1^a α。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，使用所述更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷包括: 根據(jù)所述更新的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)計(jì)算結(jié)果判斷是否滿(mǎn)足學(xué)習(xí)條件；其中，所述學(xué)習(xí)條件為預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差小于10%，且前M個(gè)時(shí)次海流監(jiān)測(cè)數(shù)據(jù)的有效率大于70% ;其中，M為根據(jù)經(jīng)驗(yàn)設(shè)定的大于或等于5的整數(shù)； 如果是，根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)；并使用調(diào)整網(wǎng)絡(luò)系數(shù)后的神經(jīng)網(wǎng)絡(luò)模型作為新的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)與診斷； 如果否，采用所述更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)與診斷。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，使用所述更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷包括: 計(jì)算預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)包括: 調(diào)整所述更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)WD^wfa-a，其中Wtl為當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)，W1為所述當(dāng)前神經(jīng)網(wǎng)絡(luò)模型單次再學(xué)習(xí)得到的網(wǎng)絡(luò)系數(shù)。
6.一種預(yù)測(cè)與診斷在線(xiàn)海流監(jiān)測(cè)數(shù)據(jù)的裝置，其特征在于，包括: 初始神經(jīng)網(wǎng)絡(luò)模型確定模塊，用于對(duì)預(yù)設(shè)樣本數(shù)量的海流監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行基于梯度的最小均方LMS迭代訓(xùn)練；根據(jù)所述LMS迭代訓(xùn)練的結(jié)果確定初始神經(jīng)網(wǎng)絡(luò)模型； 初始預(yù)測(cè)模塊，用于使用所述初始神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)計(jì)算，其中，所述測(cè)試數(shù)據(jù)中的樣本數(shù)至少為所述預(yù)設(shè)樣本數(shù)量的2倍； 樣本數(shù)量確定模塊，用于根據(jù)所述測(cè)試數(shù)據(jù)動(dòng)態(tài)預(yù)測(cè)計(jì)算的結(jié)果確定動(dòng)態(tài)學(xué)習(xí)權(quán)值；根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量； 神經(jīng)網(wǎng)絡(luò)模型更新模塊，用于從所述海流監(jiān)測(cè)數(shù)據(jù)樣本中選取樣本數(shù)量調(diào)整后的樣本作為新樣本；對(duì)所述新樣本進(jìn)行所述LMS迭代訓(xùn)練，得到更新的神經(jīng)網(wǎng)絡(luò)模型； 后續(xù)數(shù)據(jù)預(yù)測(cè)與診斷模塊，用于使用所述更新的神經(jīng)網(wǎng)絡(luò)模型對(duì)后續(xù)海流監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與診斷。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述樣本數(shù)量確定模塊包括: 動(dòng)態(tài)學(xué)習(xí)權(quán)值確定單元，用于用α表示動(dòng)態(tài)學(xué)習(xí)權(quán)值，通過(guò)在設(shè)定區(qū)間內(nèi)多次變化α取值的方式對(duì)所述測(cè)試數(shù)據(jù)進(jìn)行動(dòng)態(tài)預(yù)測(cè)，將預(yù)測(cè)結(jié)果中均方誤差最小值對(duì)應(yīng)的α取值確定為Ct的最終取值； 樣本數(shù)量設(shè)置單元，用于設(shè)置所述海流監(jiān)測(cè)數(shù)據(jù)樣本的樣本數(shù)量N=logl_a α。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述后續(xù)數(shù)據(jù)預(yù)測(cè)與診斷模塊包括: 學(xué)習(xí)判斷單元，用于根據(jù)所述更新的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)計(jì)算結(jié)果判斷是否滿(mǎn)足學(xué)習(xí)條件；其中，所述學(xué)習(xí)條件 為預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差小于10%，且前M個(gè)時(shí)次海流監(jiān)測(cè)數(shù)據(jù)的有效率大于70% ;其中，M為根據(jù)經(jīng)驗(yàn)設(shè)定的大于或等于5的整數(shù)；第一預(yù)測(cè)與診斷單元，用于如果所述學(xué)習(xí)判斷單元的結(jié)果為是，根據(jù)所述動(dòng)態(tài)學(xué)習(xí)權(quán)值調(diào)整所述更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)；并使用調(diào)整網(wǎng)絡(luò)系數(shù)后的神經(jīng)網(wǎng)絡(luò)模型作為新的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)與診斷； 第二預(yù)測(cè)與診斷單元，用于如果所述學(xué)習(xí)判斷單元的結(jié)果為否，采用所述更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行后續(xù)海流監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)與診斷。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述后續(xù)數(shù)據(jù)預(yù)測(cè)與診斷模塊包括: 相對(duì)誤差計(jì)算單元，用于計(jì)算預(yù)測(cè)值與對(duì)應(yīng)的海流監(jiān)測(cè)數(shù)據(jù)的相對(duì)誤差
10.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述第一預(yù)測(cè)與診斷單元包括: 網(wǎng)絡(luò)系數(shù)調(diào)整子單元，用于調(diào)整所述更新的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)Wltest=Wtl*α-a，其中Wtl為當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)系數(shù)，W1為所述當(dāng)前神經(jīng)網(wǎng)絡(luò)模型單次再學(xué)習(xí)得到的網(wǎng)絡(luò)系數(shù)。
【文檔編號(hào)】G06N3/08GK103489034SQ201310477056
【公開(kāi)日】2014年1月1日 申請(qǐng)日期:2013年10月12日 優(yōu)先權(quán)日:2013年10月12日
【發(fā)明者】李文慶, 王文彥, 劉世萱, 付曉, 裴亮, 陳世哲, 王曉燕 申請(qǐng)人:山東省科學(xué)院海洋儀器儀表研究所