一种基于BP神经网络的NPS-GRYANIK20蒸发波导高度预测方法

本发明涉及蒸发波导计算，尤其是一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法。

背景技术：

1、蒸发波导是一种常见的大气波导现象，出现在对流层内，与海面大气环境的各种气象因素有关。海洋蒸发会导致海气相互作用，在一定高度处出现折射曲率小于地球曲率的现象，从而产生开常大气折射率现象，可实现电磁波在海面的超视距传播。蒸发波导对海洋通信、海洋开发、海上救援和军事侦查等具有重要影响，如何准确预测蒸发波导高度成为海洋蒸发波导研究中的重要课题。

2、目前，预测模型法是获取蒸发波导高度的主流方法，该方法基于莫宁-奥布霍夫相似理论，通过将海上某一高度的大气温度、海面温度、大气压力、相对湿度和风速代入到蒸发波导预测模型中，结合大气修正折射率公式，经过数次迭代计算得到大气修正折射剖面，剖面处修正折射率最低点所对应的高度值即为蒸发波导高度。然而，该方法对非均匀、强稳定大气条件下普适函数、稳定度修正函数和尺度参数的选择缺乏灵活性，从而导致波导预测高度存在较大偏差。因此，亟需提升预测模型法对海洋蒸发波导高度的预测精度。

技术实现思路

1、本发明的目的是针对现有技术的不足而提供的一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法，采用基于nps-gryanik20蒸发波导模型的环境区间划分的方法，在不同环境区间内构建基于捕食者算法的bp神经网络预测模型，实现蒸发波导高度的精准预测，该方法分析不同环境参数对nps-gryanik20蒸发波导高度模型的依赖性，进而划分不同的环境区间，通过引入捕食者算法对bp神经网络参数进行优化，并在不同的环境区间建立基于捕食者算法的bp神经网络预测模型，通过对bp神经网络参数的优化，大大提高蒸发波导高度预测的准确性与可靠性，方法科学合理，适用性强，效果佳，有效解决了现有的蒸发波导高度预测模型存在预测不准确的问题，具有较高的实际应用价值。

2、本发明的目的是这样实现的：一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法，其特点是采用基于nps-gryanik20蒸发波导模型的环境区间划分的方法，在不同环境区间内构建基于捕食者算法的bp神经网络预测模型，实现蒸发波导高度的精准预测，具体包括以下步骤：

3、(1)蒸发波导高度真值获取：通过海上垂直梯度观测方法，获取不同高度上的大气温度、海面温度、大气压力、相对湿度和风速数据，并对数据进行修正，获得蒸发波导真实发生高度，即蒸发波导高度真值。

4、所述数据修正是一种数据处理方法，主要包括传感器标定曲线修正和潮位数据修正两个方面。在实际观测中，传感器输出信号往往会受到各种因素的影响，例如温度、湿度、噪声等，这些因素可能会导致传感器输出信号与实际测量值之间的偏差。为了消除这些偏差，需要进行传感器标定曲线修正。具体而言，传感器标定曲线是通过对传感器进行实验室标定获得的，描述了传感器输出信号与实际测量值之间的关系。在数据处理过程中，使用传感器标定曲线对观测数据进行修订，将观测数据根据传感器标定曲线的不同部分进行修正，从而得到更加准确的测量结果。所述潮位数据修正是指对实际观测中的潮位数据进行修正，以消除由于各种因素引起的误差。在潮位观测中，由于海洋环境的复杂性以及设备的限制等原因，潮位数据可能会存在偏差。为了消除这些偏差，需要采用不同的修正方法，例如通过对潮汐分析得到的潮汐参数进行修正，或者通过与参考站数据进行对比来进行修正等方法。通过对潮位数据进行修正，可以得到更加准确的潮汐数据，为海洋环境的监测和研究提供更为准确的数据支持。

5、(2)基于nps-gryanik20蒸发波导模型的环境区间划分：基于gryanik20相似函数，实现对传统简单线性相似函数的更新，形成一种基于gryanik20相似函数的nps蒸发波导模型，简称为nps-gryanik20蒸发波导模型。在步骤(1)获取气象站点的大气温度、海面温度、大气压力、相对湿度和风速的基础上，采用nps-gryanik20蒸发波导模型获得蒸发波导高度。

6、所述nps-gryanik20蒸发波导模型中的近地层内温度t和比湿r的垂直剖面由下述(a)～(b)式表示为：

7、1)

8、2)

9、式中，t(z)和r(z)分别为高度z处的空气温度和比湿；t0和r0分别为海表温度和比湿；θ*和r*分别为位温θ和比湿r的特征尺度；k为卡尔曼常数；z0t为温度粗糙度高度；ψh为温度普适函数；γd为干绝热递减率；l为相似长度。

10、所述nps-gryanik20蒸发波导模型中的gryanik20形式的风速和温度稳定度函数由下述(c)～(d)式表示为：

11、3)

12、4)

13、式中，am，ah，bm和bh为经验常数；pr0为中性极限普朗特数，通常定义为pr0＝0.98，am＝5.0，ah＝5.0，bm＝0.3，bh＝0.4。

14、所述nps-gryanik20蒸发波导模型中的压强剖面由下述(e)式确定：

15、5)

16、式中，p(z1)和p(z2)分别为测量高度z1和z2处的气压；c为干空气气体常数；g为重力加速度；tv为高度z1和z2处的虚温平均值。

17、根据比湿r与水汽压e的函数关系由下述(f)式确定水汽压剖面：

18、6)

19、式中，f为常数0.622。

20、根据上述(a)、(b)和(f)式确定的温度、气压和水汽压剖面可获得大气折射率剖面，剖面最小值位置对应的高度即为蒸发波导高度。

21、根据nps-gryanik20蒸发波导模型的计算方法，通过设定大气温度、海面温度、大气压力、相对湿度和风速等环境参数变化范围，分析不同环境参数对nps-gryanik20蒸发波导模型的依赖程度，进而划分不同的环境区间。

22、(3)基于bp神经网络预测模型的构建：引入捕食者算法对bp神经网络的权值和偏置参数进行优化，得出最优值。根据步骤(2)的分析结果，在各区间内以获得的大气温度、海面温度、大气压力、相对湿度、风速、降雨衰减、海面粗糙度和蒸发波导模型高度真值为输入，以蒸发波导模型高度预测值和蒸发波导模型高度真值的误差作为判决依据。当误差满足设定阈值则停止训练，得出输入和输出之间的非线性映射关系，以此构建基于捕食者算法的bp神经网络预测模型进行蒸发波导高度的预测。

23、所述基于捕食者算法的bp神经网络预测模型如下：在捕食者算法中，根据适者生存理论，捕食者群体中捕食能力最强的个体称为顶级捕食者。利用顶级捕食者构建名为elite的矩阵，矩阵中每个数组为捕食者在下一次觅食中提供目前所发现猎物的位置信息，即由下述(g)式表示的elite矩阵：

24、7)

25、式中，n是捕食者个体数，d是捕食者个体维度，x表示顶级捕食者向量。

26、在每次迭代后，如果有捕食能力更佳的捕食者出现，则捕食能力更佳的捕食者会代替原有的顶级捕食者成为新的顶级捕食者，elite矩阵也会被更新，更新后的矩阵由下述(h)式表示为prey矩阵：

27、8)

28、式中，xij表示第i个猎物的第j个维度。

29、所述捕食者算法的优化主要围绕这两个矩阵进行，优化过程按照捕食者和猎物的不同速度比可分为：高速比、等速比和低速比三个阶段，所述三个阶段简述如下：

30、1)在高速比场景下，捕食者的移动速度比猎物速度慢。这个阶段属于算法的探测阶段，数学公式由下述(i)～(j)式表示为：

31、9)

32、10)

33、式中，是一个包含基于正态分布产生的随机向量，表示布朗运动。表示第i捕食者下一次移动的步长向量。p是常量，用于调节捕食者的移动步长，是一个0到1范围内的随机向量。

34、2)在等速比场景下，猎物和捕食者速度相当，这个阶段，算法由探索逐渐过渡为开采，其公式述由下述(k)～(1)式表示为：

35、11)

36、12)

37、式中，是一组服从levy分布的随机向量，cp是用于控制捕食者移动步长的自适应控制变量，t为当前迭代数，t为最大迭代数。

38、3)在低速比场景下，捕食者速度比猎物快，算法由探索转化为开发，捕食者的最佳觅食策略是levy移动，其数学公式由下述(m)式表示为：

39、13)

40、14)

41、在自然界中，环境的变化也会影响捕食者的觅食活动，在捕食者算法中，f被认为是局部最优，它的数学模型由下述(o)式定义为：

42、15)

43、式中，f＝0.2表示受环境变化影响发生觅食活动的概率，r是一个随机生成的0到1范围的随机数，是一个包含0或1的二元向量，和分别为决策变量的上限和下限。

44、对捕食者算法模型进行建模，将bp神经网络的均方误差(mse)作为适应度函数，该函数用来评估bp神经网络预测结果与实际结果之间的误差mse由下述(p)式表示为：

45、16)

46、式中，n是样本数量，yi是第i个样本的实际值，是第i个样本的预测值，mse越小，bp神经网络的预测结果与实际结果之间的误差越小，预测性能越好。

47、(4)蒸发波导高度预测：获取新的大气温度、海面温度、大气压力、相对湿度和风速等数据，输入到步骤(3)中建立好的基于捕食者算法的bp神经网络预测模型中，进行蒸发波导模型高度预测。此外，在步骤(3)建立好预测模型后，对模型进行评估，将新的大气温度、海面温度、大气压力、相对湿度、风速、降雨衰减以及海面粗糙度等数据代入步骤(3)建立的非线性映射关系中，得到当前时刻的蒸发波导高度预测值，与蒸发波导高度真值进行评估，评估方式包括蒸发波导高度预测值与蒸发波导高度真值之间的绝对误差、方差和相关性等。

48、本发明与现有技术相比具有提高蒸发波导高度预测的准确性和可靠性，较好的解决了蒸发波导高度预测不准确的问题，为海洋电磁波传输路径的精细刻画提供高精度的模型支撑，对于海洋通信领域具有重要的实际应用价值。