一种高精度的短期潮汐预报模型（历史学毕业论文）.docVIP

一种高精度的短期潮汐预报模型（历史学毕业论文） 文档信息 属性： F-0182MT，doc格式，正文6729字。质优实惠，欢迎下载！ 适用： 作为文章写作的参考文献，解决如何写好实用应用文、正确编写文案格式、内容摘取等相关工作。 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 1基础知识 4 2潮汐预报模型 　　天文潮预报的调和分析法 5 3模型检验 7 4结论 10 参考文献： 10 论文原创声明（模板） 12 论文致谢（模板） 12 正文 一种高精度的短期潮汐预报模型（历史学毕业论文） 为提高潮汐预报的精度，提出一种基于支持向量机（Support Vector Machine，SVM）的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮，分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报， 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中，将SVM与灰色模型相结合，并利用粒子群优化（Particle Swarm Optimization，PSO）算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度. 潮汐预报； 模块化方法； 调和分析法； 支持向量机（SVM）； 灰色模型； 粒子群优化（PSO） 0引言 潮汐（海面周期升降运动[1]）预报直接关系到船舶航行安全和港口营运效率，对军事、渔业、港口和近岸工程以及其他沿海生产活动都有重要的影响. 潮汐一直是船舶航行计划制定和港口作业调度的重要因素：准确的潮汐预报是航行安全的重要保障，并有利于港口水深资源的充分利用；相反，不准确的或误差较大的潮汐预报，则很可能导致船舶搁浅或撞桥等海上交通事故的发生. 传统的潮汐预报方法是调和分析法.它以潮汐静力学和动力学为基础，经过多年发展，已经能够实现对潮汐进行稳定、长期预报，但需要大量、长期的潮位观测数据才能得出准确的调和分析模型，且其平均预报误差约为20～30 cm，在许多场合达不到对潮汐预报精度的要求. 潮汐产生的原动力是天体的引潮力，但又受到如风力、风向、海水温度、气压等环境因素的影响，因此潮汐变化展现出强非线性和不确定性，难以对其确立固定的预报模型. 为满足现代航海的实际需求，急需一种能够提高潮汐预报精度的方法. 近些年发展起来的人工智能技术，如神经网络、模糊逻辑推理和进化计算等在航海领域得到了越来越多的应用，其中神经网络已被应用于潮汐预报研究中.PASHOVA等[2]使用时滞分析、径向基函数（Radial Basis Function， RBF）神经网络的方法对Burgas港的潮位进行了预测；JAIN等[3] 利用神经网络对印度洋西海岸New Mangalore潮位站的潮汐提前一天进行预报；YIN等[4]提出利用序贯学习算法建立变结构的径向基神经网络的潮汐预报模型以反映系统的时变动态. 支持向量机（Support Vector Machine， SVM）是建立在统计学理论[5]和结构风险最小化原理基础上的机器学习方法，它在解决小样本、非线性问题以及高维模式识别中表现出许多特有的优势[6].本文选用一种基于SVM的模块化预报模型对潮汐进行预报.模块化是在解决某个具体问题时，把系统划分为具有不同属性的若干个模块的过程.在本文潮汐预报中首先按潮汐形成原因通过模块化方法把潮汐分为天文潮和非天文潮两部分，将调和分析法用于预报潮汐中天文潮部分，而将SVM用于预测具有较强非线性的非天文潮部分. 这种分块方式能有效利用两种方法的优势，即调和分析法能够实现长期、稳定的天文潮预报，而SVM能够以较高的精度实现潮汐的非线性拟合与预报. 在本文研究中，将灰色模型预测方法应用于SVM预测中以减小环境要素的不确定性对潮汐预报精度造成的不利影响，同时应用粒子群优化（Particle Swarm Optimization， PSO）算法对SVM的参数进行优化，使其拥有较快的收敛速度并避免其陷入局部最优解.灰色预测和PSO在SVM预测模型中的应用能提高潮汐预报的精度. 最后，选取火奴鲁鲁等港口的实测潮汐数据进行港口潮汐的实时预报仿真.实验结果表明本文提出的方法可以有效地实现潮汐预报，并拥有较高的预报精度和较快的运算速度. 1基础知识 的基本概念 SVM在1995首次由Vapnik提出，它是结构风险最小化的近似实现.[7] 与神经网络相比，SVM具有严格的理论基础和数学基础，不存在局部最小问题，能较好地解决小样本问题. SVM的体系结构见图1.图1中，K为核函数，x（n）为输入值。 回归理论 对于训练样本集{xi，yi}（其中：i=1，2，…，n