CN113297801B 一种基于steof-lstm的海洋环境要素预测方法 （哈尔滨工程大学）

通大街145号哈尔滨工程大学科技处一种基于STEOF-LSTM的海洋环境要素预测本发明属于海洋动力环境要素预测技术领效弥补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素预报时效较短2值对应的特征向量，依次计算各个特征值总占比并按顺序对特征值及特征向量进行排列，3其中，主成分是每个时空特征向量所对应的时空系拟合空间时序阵Hi,f和与预报时间相同的预使用最小二乘估计方法求解时空观测值的拟合系数和通过重构拟合系数和预测时空基来预测时空序列的未4遗忘门读取上一个状态ht-1和当前输入状态xt的信息，通过Sigmoid层输出一个在0到1首先将ht-1与xt输入Sigmoid函数确定将要更新的值，然后通过tanh层创建候选值向量胞状态通过tanh进行处理并将其与Sigmoid的输出相乘得到这一时间的输出形式化的描述步骤4：将时空经验正交函数模的小尺度预报结果与长短期记忆神经网络的大尺度预利用随机动态分析方法实现对指定海域海洋环境动力要素时空序列数据的多尺度分5对海洋环境的精准预报和海洋信息的及时掌握也有着极为重要的作析等方法。人工手动分类识别方法受主观因素的影响而不能真实刻画数据中的隐含信息；[0005]深度学习在海洋预报特别是海洋复杂时空序列的预报领域具有良好的应用效果准预报和海洋信息的及时掌握具有极为重要的6…>λm＞…>78向量接着将旧状态与ft相乘，确定需要遗忘的信息，加上it与的乘积产生新的候选然后将细胞状态通过tanh进行处理并将其与Sigmoid的输出相乘得到这一时间的输出可以[0049]步骤4：将时空经验正交函数模的小尺度预报结果与长短期记忆神经网络的大尺[0050]利用随机动态分析方法实现对指定海域海洋环境动力要素时空序列数据的多尺9[0060]本发明涉及海洋动力环境要素预测技术，特别设计一种基于时空经验正交函数(SpatiotemporalEmpiricalOrthogonalFunction,STEOF)和长短期记忆网络(LongShort-TermMemory,LSTM)结合的海洋动力环境要素中长期统计预测方法，称为STEOF-法可以有效弥补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素[0074]由于求解时空样本矩阵X的协方差矩阵的特征值和特征向量通常采用Jacobi迭代T和C*＝XT多个时空序列的分解结果建立了一组时空基，并利用时空观测和时空基础来预测时空序最小二乘估计(LSE)是最优的拟合方法。使用最小二乘估计方法求解时空观测值的拟合系尺度时间信息进行分析预测，得到大尺度预测结果。长短期记忆网络(LongShortTerm过Sigmoid层输出一个在0到1之间的数值给每个细胞状态Ct-1，Ct-1中的数字决定从细胞状值，通过Sigmoid层决定输出的细胞状态，然后将细胞状态通过tanh进行处理并将其与Sigmoid的输出相乘得到这一时间的输出[0109]步骤4：将时空经验正交函数模的小尺度预报结果与长短期记忆神经网络的大尺方法如下：本发明所提出的基于随机动态分析、时空经验正交函数(SpatiotemporalEmpiricalOrthogonalFunction,STEOF)和长短期记忆网络(LongShort-TermMemory，动力要素时空序列数据的大尺度分量和小尺度分量；以STEOF为基础实现对小尺度时间信补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素预报时效较短[0114]利用1958年1月1日至2016年12月31日的长时间序列再分析数据分析研究了全球对应时间尺度的时空经验正交函数模型进行中长期时空分析预测，得到小尺度的预测结[0123]由于求解时空样本矩阵X的协方差矩阵的特征值和特征向量通常采用Jacobi迭代T和C*＝XT多个时空序列的分解结果建立了一组时空基，并利用时空观测和时空基础来预测时空序最小二乘估计(LSE)是最优的拟合方法。使用最小二乘估计方法求解时空观测值的拟合系i[0154]通过上述的时空经验正交函数方法即可完成海表温度时空序列小尺度信息进行过Sigmoid层输出一个在0到1之间的数值给每个细胞状态Ct-1，Ct-1中的数字决定从细胞状值，通过Sigmoid层决定输出的细胞状态，然后将细胞状态通过tanh进行处理并将其与Sigmoid的输出相乘得到这一时间的输出[0161]步骤4：将时空经验正交函数模的小尺度预报结果与长短期记忆神经网络的大尺方法如下：本发明所提出的基于随机动态分析、时空经验正交函数(SpatiotemporalEmpiricalOrthogonalFunction,STEOF)和长