基于思维进化算法优化的BP...经网络对蒸发波导高度的预测_李耀皓.pdf

第4 5卷 第1期2 0 2 3年 2月海 洋 湖 沼 通 报T r a n s a c t i o n so fO c e a n o l o g ya n dL i m n o l o g yV o l.4 5 1F e b.,2 0 2 3基于思维进化算法优化的B P神经网络对蒸发波导高度的预测李耀皓1,2,李醒飞1*,丁乐乐3,杨少波1,2(1.天津大学 精密测试技术及仪器国家重点实验室,天津3 0 0 0 7 2;2.天津大学 青岛海洋技术研究院,山东 青岛2 6 6 2 3 7;3.天津市勘察设计院,天津3 0 0 1 9 1)摘 要:预先掌握海上的波导高度参数对海上作战有重要意义,然而准确探测或预测波导参数十分困难。本文使用南海铁塔波导探测平台的实测数据与E R A-I n t e r i m公开数据集,提取所需相关的水文气象要素的点数据,利用N P S模型计算波导高度值,组建数据集;之后使用ME A优化的B P神经网络模型预测波导高度值。优化后的B P神经网络可避免陷入局部极小值点,预测结果有较高的准确率,且ME A在求最优个体时有比较快的收敛速度,为水平均匀的蒸发波导高度预测提供了一种方法。关键词:蒸发波导;N P S模型;神经网络中图分类号:P 4 1 5.3 文献标志码:A 文章编号:1 0 0 3-6 4 8 2(2 0 2 3)0 1-0 1 8-0 5D O I:1 0.1 3 9 8 4/j.c n k i.c n 3 7-1 1 4 1.2 0 2 3.0 1.0 0 3引 言人们在实践中利用雷达探测的时候,时常会发生一些电磁波传播的异常现象。海水的蒸发与海表面的空气在一定温度、气压、风速的条件下形成了一种层结,该层结的大气折射率特殊,一定频率的电磁波入射到该层结时被束缚在里面,就像电磁波在金属管中传播一样,所以也被称为大气波导现象1。掌握海上波导高度信息有利于发挥雷达的作战效能,实现超视距探测;还可以利用波导盲区,对敌方实施纵深打击,对提高军事作战能力具有重要意义2。目前,一些发达国家对蒸发波导,建立了一系列计算蒸发波导高度的模型,如P J模型、MG B模型、B a b i n模型和N P S模型2-4;2 0 0 7年C a g l a rY a r d i m等基于遗传算法和马尔科夫蒙特卡罗方法的混合法研究了大气波导环境中的大气折射率预估问题5;2 0 1 7年天津大学何鑫采用时间序列分析和神经网络方法对蒸发波导间接进行了短期预测6,即分别对气温、气压、湿度、风速、海表皮温度进行时间上的预测再将预测结果使用N P S模型方法间接预测波导高度。国内对于大气波导的研究主要为,刘成国在大气波导的理论和统计规律方面做了研究7;成印河等利用MM 5模式对大气波导进行了数值模拟8;2 0 1 5年丁菊丽等以C OA R E模型和N P S模型为基础建立了U E D模型9;2 0 1 6年杨少波等对N P S模型在南海海域的适应性进行了研究1 0。然而现有波导探测设备(铁塔、探空仪等)以及计算方法(数值模拟、雷达海杂波反演等)实际效果仍有待改进;特别是建立蒸发波导预测模型方面,存在误差大、数据不准确等问题。本文利用南海铁塔波导探测平台的实测数据与E R A-I n t e r i m公开数据集,提取所需相关的水文气象要素数据,使用N P S模型计算波导高度值作为标准并组建数据集;之后使用ME A-B P模型对空间中点的波导高度值进行预测,在水平均匀的情况下,因该点周围物理特性相同,可当作对该点周边区域一定范围的波导高度进行预测。优化后的神经网络可避免陷入局部极小值点,预测结果有较高的准确率,且 基金项目:山东省重点研发计划(2 0 1 9 GHY 1 1 2 0 7 2,2 0 1 9 GHY 1 1 2 0 5 1);青岛市海洋工程与技术智库联合基金项目(2 0 1 9 0 1 3 1-2)第一作者简介:李耀皓(1 9 9 3),男,硕士,主要研究方向为海洋观测仪器。E-m a i l:2 7 8 2 4 1 7 4 0q q.c o m*通信作者:李醒飞(1 9 6 6),男,博士,教授,主要研究方向是多传感器融合技术和测试计量技术。E-m a i l:l i x f t j u.e d u.c n 收稿日期:2 0 2 0-0 6-1 01期基于思维进化算法优化的B P神经网络对蒸发波导高度的预测1 9 ME A在求最优个体时有比较快的收敛速度。1 基本原理1.1 大气波导的基本原理大气修正折射率N和大气修正折射指数M的公式为1 1:N=7 7.6PT-5.6eT+3.7 51 05eT2(1)M=N+za1 06=N+0.1 5 7z(2)式中,P为大气压强(h P a);e为水汽压强(h P a);T为大气温度(K);h为地球以上垂直高度(m);a为地球半径,取63 7 8k m。修正折射指数的梯度与折射率梯度之间满足1 1:dMdh=dNdh+0.1 5 7(3)电磁波弯曲程度主要受大气折射垂直梯度变化的影响。不同大气折射条件下,可以证明电磁波弯曲的曲率为1 1:=-dndh=-1 0-6dNdh(4)图1 蒸发波导修正折射指数廓线F i g.1 M o d i f i e dr e f r a c t i v i t yp r o f i l eo f e v a p o r a t i o nd u c t 当电波射线向下弯曲的曲率大于地球表面的曲率时(即:dNdh-1 5 7),电磁波就会折向地面,即可产生大气波导现象1 1-1 2。蒸发波导的修正折射指数廓线如图1所示。其中,波导层顶高度为ht,波导层厚度为m,波导强度为M。1.2 N P S模型与C O A R E 3.0算法N P S模型在2 0 0 0年由美国海军研究生院发布,目前,N P S采用C OA R E 3.0算法和稳定大气条件下的修 正函数1 2。基于海气耦 合响应实验 的C OA R E 3.0算法,采用新的粗糙度计算方法和普适函数,增加了风速范围,扩展了适用区域。在中性的大气条件下或稳定的大气条件下,新的风速稳定度修正函数和温度稳定度修正函数分别整定为1 2:m=-(23)-(50.3 5)e x p(-d)-(10.1 0 5)(5)h=1-1+(23)1.5-(23)-(50.3 5)e x p(-d)+(10.1 0 5)(6)式中,d=m i n(5 0,0.3 5)。为确定稳定性判别参数,迭代方案采用G r a c h e v和F a i r a l l定义稳定性的方法为1 2:=C R ib1-R ibR ib0C R ib1+R ibR ib c-1R ib1)(9)N P S模型输入气温、气压、湿度、风速、海表皮温可求出大气折射率剖面,根据折射率最小值可求出波导高度,是一种计算蒸发波导高度的常用模型,供不同预测模型预测蒸发波导高度比较的标准。1.3 ME A改进B P神经网络B P算法速度慢、易陷入局部最小值点。为改善提高达到最优性能的概率,考虑使用思维进化算法ME A优化B P神经网络1 3。ME A的趋同与异化操作的并行性、记忆性可提高进化效率。这里针对B P神经网络的初始化权值、阈值进行优化,所以ME A算法的个体就是初始化权值和阈值的一个解,根据B P神经网络的拓扑结构,决定个体的编码长度。个体或种群的得分函数我们取均方误差的倒数,通过算法的不断迭代,找到最优的个体结果输出,得到最优的初始化权值和阈值1 3。2 数据处理本文训练神经网络模型的数据一部分来自N C A R(T h eN a t i o n a lC e n t e r f o rA t m o s p h e r i cR e s e a r c h)美国大气研究中心官方网站所提供的E R A-I n t e r i m项目数据集。时间2 0 1 5年,区域选择3 1 2 N,1 0 9 1 1 8 E,选取气温、海表皮温度、1 0m风速、相对湿度、气压等参数。另一部分数据来自某基地铁塔实验平台。该平台用于探测大气压和5个不同高度的空气温度、相对湿度、风速及海表皮温度。利用该系统,进行了为期一年的蒸发波导探测实验,对大气数据进行实时探测采集。将所有数据读取出来,进行数据的格式标准化、异常数据清除等工作。把处理后的数据导入到N P S模型,求出波导高度。因为蒸发波导高度一般在04 0m,所以筛选出稳定状态下的1 2 0 0组波导高度在04 0m的数据组成数据集,8 0 0组作为训练集,余下4 0 0组作为测试集,为训练神经网络模型做好准备。3 仿真实验3.1 参数确定首先确定输入层与输出层,输入为气温、气压、相对湿度、风速风向以及海表皮温度共5项,故输入层节点数为5;输出为大气波导高度,故输出层节点数为1。确立隐含层为1层。其次确定隐含层神经元个数,可根据经验公式(1 0)确定1 3:h=m+n+a(1 0)式中,h为隐含层节点数;m为输入层节点数;n为输出层节点数;a为11 0之间的常数。经计算,隐含层神经元为8时,效果最好,故网络结构为5-8-1。B P神经网络的参数详见表1所示。ME A参数主要有种群大小p o p s i z e、优胜子群体数量b e s t s i z e,临时子群体数量t e m p s i z e,子群体大小S G,迭代次数e p o c h s。子群体的大小可以通过前3个参量计算得到,S G=p o p s i z e/(b e s t s i z e+t e mp s i z e),经过仿真实验,参数确定如表2所示。经计算,在这样的参数情况下,均方误差ME S为0.4 3%。表1 B P神经网络参数T a b l e1 P a r a m e t e r so fB Pn e u r a l n e t w o r k网络结构学习算法最大迭代次数学习率训练精度有效性检验5-8-1L-M5 0 00.0 10.0 161期基于思维进化算法优化的B P神经网络对蒸发波导高度的预测2 1 图2 优胜子种群的趋同过程F i g.2 T h ep r o c e s so f s u p e r i o rs u b-p o p u l a t i o n sc o n v e r g e n c e3.2 仿真实验结果优胜子种群的趋同过程如图2所示。部分临时子种群趋同过程如图3所示。图4为ME A-B P预测均方误差曲线,B P神经网络在4次迭代达到了预设误差范围内,均方误差为0.5 2%。3.3 不同模型预测结果比较蒸发波导的预测还有一些其它类似的模型,如B P神经网络、R B F神经网络、遗传算法优化的B P神经 网 络(GA-B P)。这 里 分 别 采 用 这 些 模 型 与ME A-B P的预测结果进行比较,预测结果如表3所示。由实验仿真结果可以看出,4层B P神经网络误差最小,R B F神经网络误差较大。图3 临时子种群的趋同过程F i g.3 T h ep r o c e s so f t e m p o r a r ys u b-p o p u l a t i o n sc o n v e r g e n c e图4 ME A-B P预测均方误差曲线F i g.4 T h ep r o c e s so f s u p e r i o rs u b-p o p u l a t i o n sc o n v e r g e n c e表2 ME A算法参数T a b l e2 P a r a m e t e r so fME Aa l g o r i t h m种群大小优胜子群体数量临时子群体数量子群体大小迭代次数均方误差2 0 0552 01 00.4 3%表3 不同模型训练结果比较T a b l e3 C o m p a r r e do fd i f f e r e n tm o d e l s p r e d i c t r e s u l t s网络类型层数迭