基于GPOS-BP神经网络模型的潮汐预报

发布时间：2022-02-19 07:26

　　为了提高预报潮汐的精度,提出了一种遗传算法（GA）与粒子群算法（PSO）结合的神经网络仿真模型进行潮汐预测,及引入遗传算法变异操作提升粒子群算法的寻优的性能,改善BP神经网络阈值和权值选取敏感、易陷入局部极小值的缺点。然后利用本文算法与调和分析法对潮汐进行非天文潮预报和天文潮预报。最后对Alexandria港口的实测潮汐数据仿真预测,实验结果验证了该方法的可行性与可靠性,且具有较高的预报精度。 

【文章来源】：海洋信息. 2020,35(02)

【文章页数】：5 页

【文章目录】：
1 遗传粒子群算法原理
    1.1 粒子群算法原理
    1.2 遗传粒子群优化算法
2 潮汐预报模型分析
    2.1 调和分析法预报
    2.2 GPOS优化BP神经网络预报
3 实验数据分析
    3.1 调和分析法潮汐预报分析
    3.3 BP神经网络潮汐预报分析
    3.2 GPSO算法BP神经网络潮汐预报分析
4 结语


【参考文献】：
期刊论文
[1]标准时频变换的潮汐预测初探[J]. 蔡松,柳林涛,王国成.  测绘科学. 2018(07)
[2]一种高精度的短期潮汐预报模型[J]. 柳成,尹建川.  上海海事大学学报. 2016(03)
[3]粒子群算法优化的BP网络预测软件质量[J]. 宫丽娜,马怀志.  计算机工程与应用. 2014(23)
[4]使用MATLAB拟合工具箱进行潮汐调和分析[J]. 江海东,费岳军,应岳.  海洋技术. 2012(03)
[5]一种神经网络的偏远海区潮汐仿真预测[J]. 张巍,沈寿林,白承森.  计算机仿真. 2011(04)
[6]BP神经网络算法的改进及应用[J]. 王美玲,王念平,李晓.  计算机工程与应用. 2009(35)
[7]人工神经网络在潮汐预测中应用研究[J]. 李明昌,梁书秀,孙昭晨.  大连理工大学学报. 2007(01)



本文编号：3632495