基于优化神经网络的三维海温场重构技术研究.pdfVIP

基于优化神经网络的三维海温场重构技术研究

摘要

当前海洋强国战略已经上升为国家的发展战略，海水温度空间分布的重构预测对

于海洋生态环境和物理海洋研究等具有重要意义。目前浮标等移动测温设备可以获取

海洋内部一定深度范围的海温信息，因此，利用海洋上层的实测海温数据构建水平和

垂直空间的完整三维海温分布是海洋要素研究的热点。经典的分层拟合海温场重构方

法仅能实现单点位的垂直拓展预测，不能将长期的历史数据转化为预测所需参量，且

存在剖面划分层级结构的不统一性和非线性函数选择的个人经验性，从而导致海温场

垂向延拓效果较差。另一方面，可测深度范围内的海温数据水平重构需要利用网格化

方法实现，但传统的数据网格化方法存在采样点少时效果较差的不足。以上方法的缺

点和不足均严重制约着由上层离散海温数据反演真实空间温度场研究的发展。

针对上述问题，本文将全连接神经网络应用于上层海温数据的水平重构中，实现

离散海温数据的高效网格化。并利用所得上层海温网格化数据，结合全连接神经网络

对海温场垂直重构问题中垂向关系的学习和门控循环单元网络对其中历史数据时间特

征的学习，构建组合模型实现对海温场垂向延拓的时空特性捕捉，从而完成基于上层

网格化海温数据预测海温剖面垂直热结构的垂直重构过程。本文主要研究的具体内容

如下。

首先，针对实测稀疏离散海温数据难以直接进行海温场的重构预测，及传统离散

数据网格化方法概念理解困难和结果精度差等问题，本文设计一种基于全连接神经网

络的上层稀疏数据网格化方案。该方法利用神经网络的非线性拟合能力学习上层离散

海温数据点之间的复杂关系，通过多个神经元和多个权值阈值参数，实现对三维空间

数据点的高准度拟合，从而构建海洋上层的空间结构，实现浮标可测深度范围内的海

温剖面水平重构预测。利用实测数据设计网格化实验，通过设置反距离加权法和克里

金法的对照实验，验证所提出的基于全连接神经网络的上层稀疏海温数据网格化方案

的效果，结果表明其具有最优的预测准确性和较高的模型运行效率。

其次，针对浮标可测深度范围有限，传统分层拟合法无法有效利用大量的历史海

温数据、剖面层次划分和非线性拟合函数选择的个人经验性等导致的延拓效果差的问

题，本文在海温水平重构得到的网格数据基础上，结合全连接神经网络、门控循环单

元网络和过拟合改善机制，利用自适应权重系数将两种神经网络模型加以融合，提出

一种基于全连接神经网络和门控循环单元网络结合的海温场垂向延拓方法。利用全连

哈尔滨工程大学硕士学位论文

接网络的空间特征学习能力和门控循环单元复合门级结构的时序数据学习能力，提取

历史温度场信息中蕴含的时空尺度关系，实现针对大范围、多海深的温度场垂直重构。

结合海温场垂直重构的传统分层拟合方案，分析对比不同算法在对数据不同程度考察

下的结果完备性。结果表明两种神经网络组合的垂向延拓方案具有最优的重构准确度。

最后，针对神经网络海温场垂直重构模型中因权重参数选择随意性大导致易陷入

局部极小值的问题，基于遗传进化算法，设计一种针对神经网络初始训练权重和阈值

的优化筛选方法，该方法利用遗传算法的基本进化理论，通过选择、交叉和变异等多

种手段，实现预设初始参数种群的个体优选，减少神经网络陷入局部极小的可能。通

过优化算法的实验验证，结合未优化的海温场垂向延拓结果，说明所提出神经网络模

型参数优化方法的优势，结果表明遗传算法优化后海温垂向延拓的重构精度有一定程

度的提升。

关键词：海温场重构；垂向延拓；数据网格化；神经网络；遗传算法

基于优化神经网络的三维海温场重构技术研究

ABSTRACT

Thecurrentstrategyofbecomingamaritimepowerhasbeenelevatedtoanational

developmentstrategy,andthereconstructionandpredictionofthespatialdistributionof

seawatertemperatureisofgreatsignificancefor