数据挖掘_Ocean wave time series data(海浪时间序列数据集)
大数据背景下海洋档案数据挖掘研究
大数据背景下海洋档案数据挖掘研究作者：吴晓文孙杰杨帆来源：《办公室业务（上半月）》 2017年第10期一、引言伴随着信息技术的飞速发展，各类电子设备的大量普及，信息化发展迎来了“大数据”时代。
海洋档案是“蓝色记忆”的守护者、传承者，是海洋事业发展的重要部分。
大数据时代，每个人都是知识的生产者、传播者、利用者，同时也是档案的形成者、利用者。
档案不像图书、文献，所承载的数据呈分散形式存在，不会自动形成知识资源，如何将海量档案数据转变成信息或效用更大的知识网络，这就需要海洋档案工作者和科研工作者共同的劳动介入。
国家海洋局东海档案馆为我国在三个海区设立的海洋档案馆之一，目前正在寻求与大数据开发公司合作，开发适合海洋档案的大数据挖掘工具，增强从大数据中分析萃取信息的能力，进而提高档案为海洋管理部门决策、业务部门科研水平的服务能力。
二、海洋档案数据挖掘海洋档案是各项海洋工作活动的记录和凭证，包含国家机构、社会组织和个人在从事海洋管理、科研调查、资源开发、公益服务、对外合作与交流以及海洋部门党政工作等活动中，直接形成的具有保存价值的原始记录，对服务国家海洋事业发展具有不可替代的作用，是我国档案界中宝贵的“蓝色财富”。
大数据时代应建立“大档案”概念，海洋档案数据挖掘（Marine Archives Data Mining），就是从大量的档案文献、专业基础数据、网络收集资料、档案编研资料等不完全的、有噪声的、模糊的、随机的海洋档案数据中获取有效的、新颖的、潜在有用的、最终可理解模式的非平凡过程。
从广义上说，数据挖掘又称为数据库中知识发现（Knowledge Discovery inDatabase，KDD），就是从存放在数据库、数据仓库或其他信息库的大量数据中“挖掘”知识的过程，能够有效地解决数据和知识之间的鸿沟，实现数据与知识的转变、交换。
大数据时代给数据挖掘技术带来的根本性改变是使数据的深度挖掘成为可能，对大量数据进行分析处理和智能化挖掘，从管理角度来看，要达到最优的结果，不仅数据要全面、可靠、有价值，而且需要对数据进行深度挖掘。
基于物理关联深度学习的海浪浪高预测方法
基于物理关联深度学习的海浪浪高预测方法宋巍;姜浩;杜艳玲;张立华;陈刚【期刊名称】《海洋通报》【年(卷),期】2024(43)3【摘要】精确的海浪有效波高(简称浪高)预测对于海上生产生活具有重要意义。
针对现有海浪浪高预测模型对不同海洋要素间关联信息考虑不足,以及长时序浪高数据本身存在非平稳性的问题,本文设计了一种考虑物理约束与差值约束的海浪浪高时间序列预测方法。
该方法基于风速与浪高之间的物理关联,设计物理约束,并通过提取差分信息设计差值约束,结合现有基于深度学习的时间序列预测模型,实现浪高预测。
采用黄海和东海的6个不同站点浮标数据进行了大量实验。
实验结果表明,本文提出的方法可以利用海洋要素间的物理关联,有效提高浪高预测精度,并避免因不同要素间融合造成的信息间干扰;同时,利用差值约束,限制时间序列预测结果的变动范围。
本文方法可以与不同类型的时间序列预测模型相结合,显著提升原有模型的性能,并在长时间序列的预测中体现出很好的鲁棒性,为海洋要素预测中物理与数据驱动模型的有效结合提供了思路和验证。
【总页数】11页(P371-381)【作者】宋巍;姜浩;杜艳玲;张立华;陈刚【作者单位】上海海洋大学信息学院;海军大连舰艇学院军事海洋与测绘系;国家海洋信息中心【正文语种】中文【中图分类】P731.33【相关文献】1.深度学习方法在海浪有效波高数据高分辨率处理中的应用2.基于FOS-ELM模型的深度学习方法在高边坡变形预测中的应用3.探讨循证护理在重症急性胰腺炎护理中的应用效果4.基于物理机制耦合深度学习方法的径流预测研究5.基于多周期趋势分解和两级融合策略的浪高预测方法因版权原因，仅展示原文概要，查看原文内容请购买。
面向数据挖掘的水文时间序列数据提取方法研究
面向数据挖掘的水文时间序列数据提取方法研究许进河海大学水文水资源与水利工程科学国家重点实验室，南京（210098）E-mail：xj_hydrology@摘要：截止2004年底，全国水文数据累积量已经超过10TB。
面对如此庞大的数据集，如何更加有效合理的利用它们，从这些数据中间挖掘有用的信息，以促进水利行业发展，是摆在每个水利工作者面前的重要问题。
数据挖掘正是从大量的实际应用数据中，提取隐含在其中的、人们事先不知道的、但潜在有用的信息和知识的过程。
本文研究了数据挖掘技术在水文时间序列分析应用中的一个重要技术方法——数据提取方法，针对基于特征点的数据提取思想，提出了一种新的数据提取方法，并与已有的提取方法进行比较，得出结论：本文提出的APLR_FP方法具有更高的提取效率和更小的提取误差，并且参数稳定，较易选取。
关键词：水文时间序列；数据提取；特征点1. 引言数据挖掘是指从大量的实际应用数据中，提取隐含在其中的、人们事先不知道的、但潜在有用的信息和知识的过程【1】。
水文数据挖掘（Hydrological Data Mining）是数据挖掘技术在水文领域的应用，是从大量的、不完全的、有噪声的、模糊的、随机的水文及其相关数据中，提取隐含在其中的水文信息和知识的过程【2】。
通常，水文时间序列的数据量大、维数高且具有噪声的干扰。
因此，直接针对水文时间序列进行数据挖掘往往需要花费高昂的计算时间和存储空间的代价，并可能影响计算结果的可靠性。
对此，常用的处理方法是对水文时间序列先进行数据提取（也称模式表示），保留水文时间序列中的重要形态特征，消除噪声干扰，降低数据量和数据维数，以便于后续的数据挖掘操作。
2. 常用数据提取方法时间序列的常用数据提取方法主要包括频域表示法、奇异值分解表示法、符号表示法以及分段线性表示法。
频域表示法的基本思想是构造转换函数将原始时间序列映射到频域空间中，通过选取转换后频域空间中的较少特征数据表示原始时间序列，以达到消除噪声和降维的目的。
(完整word版)时间序列的小波分析及等值线图、小波方差制作
时间序列的小波分析时间序列（Time Series ）是地学研究中经常遇到的问题。
在时间序列研究中，时域和频域是常用的两种基本形式。
其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。
然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。
对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。
显然，时域分析和频域分析对此均无能为力。
20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。
目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。
在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。
一、小波分析基本原理1. 小波函数小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。
因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2∈ψ且满足：⎰+∞∞-=0dt )t (ψ （1）式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系：)abt (a)t (2/1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2）式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。
中国海海浪波周期季节特征的精细化模拟分析
The wave period is close to the development of wave energy resource, navigation, ocean engineering, prevents and reduces sea wave calamity, and so on. In this study, the first China Sea wave data were obtained, using WW3 wave model forced by CCMP (Cross-Calibrated, Multi-Platform) wind field. Then the seasonal characteristics of the China Sea wave period were analyzed. Results showed that: 1) Wave period in January and October was greater than that in April and July. Wave period in the Bohai Sea was smaller than that in other waters all year round. In January, April and October, large area of wave period was mainly located in the south of 25˚N, while in the north of 15˚N in July. 2) From annual average wave period, values in the South China Sea, East Sea, and east of Philippine was greater than that in other waters. 3) During the period of monsoon, wave period in the area affected by the monsoon was larger than in the area not affected by the monsoon.
WAVEWATCH_Ⅲ第三代海浪数值模式在中国东海的应用和改进
第53卷 第8期 2023年8月中国海洋大学学报P E R I O D I C A LO FO C E A N U N I V E R S I T YO FC H I N A53(8):008~015A u g.,2023WA V E WA T C H Ⅲ第三代海浪数值模式在中国东海的应用和改进❋曹赛超1,高志一2,赵栋梁1❋❋(1.中国海洋大学海洋与大气学院物理海洋教育部重点实验室,山东青岛266100;2.自然资源部国家海洋环境预报中心,北京100081)摘 要: 利用东海的浮标观测数据,比较了W A V E W A T C H Ⅲ第三代海浪数值模式的S T 2㊁S T 4和S T 6三种源函数方案在东海的适用性㊂结果表明,三种源函数方案在波高小于3m 中低风速情形下,模拟波高与观测波高符合的很好,而在波高大于3m 的高风速情形下,模拟波高偏大㊂在此基础上,提出了以波龄和波陡为参数的海面粗糙度参数化公式,以此来计算拖曳系数㊂该方案可以自动满足拖曳系数在临界风速达到饱和的观测事实,将上述拖曳系数计算方案应用于最新的S T 6源函数方案,在保持中低风速时的模拟精度的同时,可有效地改善高风速时模拟波高偏大问题,而且可使模拟周期与浮标观测结果更为一致㊂关键词: 海浪数值模式;源函数方案;拖曳系数;波龄;波陡中图法分类号: P 731.2 文献标志码: A 文章编号: 1672-5174(2023)08-008-08D O I : 10.16441/j.c n k i .h d x b .20220118引用格式: 曹赛超,高志一,赵栋梁.W A V E W A T C H Ⅲ第三代海浪数值模式在中国东海的应用和改进[J ].中国海洋大学学报(自然科学版),2023,53(8):8-15.C a o S a i c h a o ,G a o Z h i y i ,Z h a oD o n g l i a n g .A p p l i c a t i o n a n d i m p r o v e m e n t o fW a v e w a t c h Ⅲt h i r d g e n e r a t i o nw a v e n u m e r i c a l m o d e l i n t h eE a s t C h i n a S e a [J ].P e r i o d i c a l o fO c e a nU n i v e r s i t y of C h i n a ,2023,53(8):8-15. ❋ 基金项目:国家自然科学基金项目(41876010)资助S u p p o r t e d b yt h eN a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n o f C h i n a (41876010)收稿日期:2022-02-28;修订日期:2022-04-06作者简介:曹赛超(1995 ),男,硕士生㊂E -m a i l :c s c w e i m e n ge r b o @163.c o m ❋❋ 通讯作者:E -m a i l :d l z h a o 2013@163.c o m海浪是最常见的海上自然现象和自然灾害,大风引起的大浪会对船舶航行和海上及近岸建筑物造成非常大的损害,甚至人员伤亡㊂海浪在近岸破碎形成的沿岸流和离岸流对泥沙输运起着至关重要的作用,其长期效应可引起海岸线的变迁㊂海浪及其破碎会直接影响海-气界面的动量㊁热量和物质通量,进而影响海气相互作用强度以及全球气候变化㊂因此,海浪的准确模拟和预报有非常重要的实际应用和理论研究意义㊂目前最为成功的海浪数值预报模式为谱模式,海浪谱S (ω)随着时空的演变由能量平衡方程来表示,即d S (ω)d t=S i n +S d s +S n l ㊂(1)式中:S (ω)为海浪谱;ω为圆频率;右边各项为源函数项,分别为S i n :风输入;S d s :波浪破碎引起的能量耗散;S n l :非线性波-波相互作用㊂1988年,以K l a u sH a s s e l -m a n n 为首的W A M D I 研究团队[1]建立了第一个第三代海浪数值模式 W A M 模式,与之前的第二代海浪数值模式不同,W A M 模式不需要事先假定海浪谱形,而是通过直接计算风输入㊁破碎引起的耗散和非线性波-波相互作用等3个源函数项而得到㊂在第三代海浪数值模式W A M 的基础上,D e l f t 技术大学和美国航空航天局G o d d a r d 空间飞行中心分别开发了W A V E W A T C H Ⅰ海浪数值模式[2]和W A V -E W A T C H Ⅱ海浪数值模式[3],美国国家海洋和大气管理局/美国气象环境预报中心(N O A A /N C E P )环境模拟中心海洋模拟小组又开发了W A V E W A T C H Ⅲ海浪数值模式[4]㊂W A V E W A T C H Ⅲ第三代海浪数值模式(以后简称WW 3模式)考虑波-流相互作用,用波作用量N =S (ω)/ω来代替S (ω)来进行计算,对过去模式的控制方程㊁程序结构㊁数值和物理的处理方法等做了改进,有利于采用并行计算技术,从而提高模式的性能和效率㊂WW 3的源代码是公开的,之后很多研究者参与了模式中源函数的改进工作,提供了不同的源函数方案,迄今为止,主要源函数方案有S T 2㊁S T 3㊁S T 4和S T 6可供选择[5]㊂基于卫星和浮标观测数据,S t o p a 等[5]对上述4种源函数方案进行了评估,认为S T 2方案会高估涌浪波高,从而会整体上高估波高㊂S T 3方案的模拟波高比S T 2Copyright ©博看网. All Rights Reserved.8期曹赛超,等:W A V E W A T C H Ⅲ第三代海浪数值模式在中国东海的应用和改进要好,利用其高阶矩计算的S t o k e s 漂流速度和均方波陡与实测大体一致㊂S T 4方案给出的波高具有最小的误差,从全球角度上看,低于5%或30c m ,给出的均方波陡和高阶量与卫星观测一致性很好㊂S T 6方案的表现与S T 4方案相似,但S T 6会高估高阶量,如S t o k e s 漂流和均方波陡㊂以飓风I v a n 为例,L i u 等[6]对上述4种源函数方案进行了评估,发现S T 2方案会在整体上低估大浪,其表现较差,而其他3种方案的表现较好,彼此之间没有明显差异㊂而当浪向和风向不一致时,3种方案会高估波浪能量,得到的波高偏大㊂在S T 6方案中,适当增强涌浪引起的耗散,可以对此有所改善㊂国内的研究者针对WW 3对全球浪场的模拟能力也进行了评估[7]㊂基于WW 3模式,也有研究者开展了中国东海的海浪数值模拟工作[8-9],从不同角度讨论了WW 3在东海的模拟能力㊂然而,尚缺少对不同源函数方案在东海的全面评估㊂本文利用在东海的波浪浮标观测数据,评估S T 2㊁S T 4和S T 6三种源函数方案在东海的表现,在此基础上,通过改进S T 6方案中的拖曳系数计算方法,给出了以波龄和波陡为参数的计算方案,使高风速情形的模拟波高与观测符合得较好,整体提高了WW 3模式在东海的波浪模拟能力㊂1 数据和模式设置1.1所用数据为了对所使用的风场数据和模拟结果进行验证,本文使用了4个波浪浮标观测数据,观测数据包括每小时的风速㊁风向㊁有效波高㊁有效周期㊁波向㊁气温和水温等㊂浮标数据的时间段为2019年1月1日 2020年12月31日,图1为各个浮标具体位置㊂(颜色代表水深,自北向南各个浮标对应的水深依次为95㊁82㊁85和103m ㊂C o l o r r e p r e s e n t sw a t e rd e p t h .T h ec o r r e s p o n d i n g w a t e rd e pt h so f e a c h b u o y f r o mn o r t h t o S o u t h a r e 95,82,85a n d 103mr e s p e c t i v e l y.)图1 位于东海的波浪浮标位置及模式计算区域F i g .1 L o c a t i o n o fw a v e b u o yi n t h eE a s t C h i n a S e a a n d m o d e l c a l c u l a t i o n a re a下文中所用观测数据为上述4个浮标在2020年8和9月的全部数据㊂为了驱动海浪模式,所使用的风场为气候预报系统再分析资料(C l i m a t ef o r e c a s ts y s t e m r e a n a l ys i s ,C F S R )(h t t p ://c f s .n c e p .n o a a .go v ),时间分辨率为1h ,空间分辨率为0.2ʎˑ0.2ʎ[10]㊂为了验证C F S P 风场数据在东海的适用性,将C F S R 风场数据与浮标观测风速U 10进行了比较(见图2),图2中b 为平均偏差,ε为均方根误差,r 为相关系数,U 10为海面上10m 高度处的风速㊂从图2可以看到,两者的相关系数达到了0.81,偏差和均方根误差分别为0.32和2.73m /s ,证明C F S R 风场可以用来驱动海浪数值模式㊂图2 波浪浮标观测风速与C F S R 风速在东海的比较F i g .2 C o m p a r i s o n b e t w e e nw a v e b u o y o b s e r v e dw i n d s pe e d a n d C F S Rw i n d s p e e d i n t h eE a s t C h i n a S e a 1.2模式设置本文所用的WW 3为当前最新的V 6.07版本,为了保证模拟结果的可靠性,采用了两层嵌套计算方式,大区域的范围为117.0ʎE 131.0ʎE ,23.0ʎN 33.0ʎN ,小区域的范围为120.0ʎE 129.0ʎE ,24.0ʎN 31.0ʎN ,计算区域如图1所示,其中红色框内为小区域计算范围㊂采用规则网格进行计算,所使用的水深数据为e t o -po 2数据,波-波非线性相互作用采用D I A 算法,计算大区域的空间分辨率设为0.1ʎ,时间步长为900s,小区域的空间分辨率设为0.05ʎ,时间步长为600s ,每小时输出一次结果㊂初始场由J O N S W A P -谱提供,对方向谱频率做了35分离散,初始频率为0.0375H z ,下一个离散化频率为上一个的1.1倍㊂计算时间为2020年8㊁9月的全部天数,模式预热时间为每月第一天,数据从每月的第二天开始输出㊂之所以选取这两个月份,9Copyright ©博看网. All Rights Reserved.中 国 海 洋 大 学 学 报2023年是因为在此期间均有台风经过研究区域,旨在验证大风情形下模式的模拟能力㊂2 不同源函数方案的模拟结果比较2.1所用参数化方案针对东海区域,本文将评估WW 3模式的S T 2㊁S T 4㊁S T 6源函数方案㊂S T 2采用T o l m a n a n dC h a l i k -o v [11]提出的风输入项S i n 和耗散项S d s ,S T 4采用A r d h u i n 等[12-13]给出的风输入和耗散项,S T 6采用D o n e l a n 等[14]㊁B a b a n i n 等[15]㊁R o g e r s 等[16]和Z i e g e r 等[17]改进的方案[18]㊂在这些源函数项中,其中最为关键的问题之一就是风应力的计算㊂作为海-气界面湍流通量的风应力通常采用块体公式进行计算,即τ=ρa C D U 210㊂(2)式中:ρa 为空气密度;C D 为拖曳系数;其定义为:C D =u 2*/U 210㊂(3)式中u *为空气摩擦速度㊂在大气中性稳定条件下,海面上方的不同高度处平均风速U 可以表示为对数分布U =u *k l n zz 0㊂(4)式中:U 为海面上方高度z 处的平均风速;k =0.4,为卡曼常数;z 0为海面粗糙度,代表海面对风的阻碍效应㊂显然拖曳系数(C D )与海面粗糙度之间存在一一对应关系,即C D =(k /l n (10/z 0)2㊂(5)在早期的研究中,由于高风速情形下的条件恶劣和观测困难,几乎所有的观测都是在风速小于20m /s进行,发现拖曳系数随风速增加而线性增大,并将这一结果推广到高风速情形,直到2003年,P o w e l l 等[19]利用飓风情形下的探空气球数据,得到高风速情形下的风速廓形分布,进而得到拖曳系数㊂发现拖曳系数C D并非随风速增大而单调增大,而是当风速大于临界值30m /s 时,拖曳系数达到饱和,开始随风速增大而减小㊂之后很多实验室和外海的观测证实了拖曳系数达到饱和的临界风速的存在,但临界风速的变动很大,从20~40m /s 不等㊂为了应对这一新发现,避免高风速情形拖曳系数过大,使风输入项增大,造成模拟波高偏大,WW 3模式对上述3种方案中的拖曳系数C D 做出了上限限制㊂S T 2方案直接将C D 上限设置为2.5ˑ10-3,S T 4方案通过给海面粗糙度z 0设置最大值来防止C D 过大㊂S T 6方案采用了由H w a n g [20]提出,又经R o ge r s 等[16]对更高风速情形进行了修正的拖曳系数公式:C D =-0.016U 210+0.967U 10+8.058()ˑ10-4, U 10<50.33m /s u C */U 10()2,U 10ȡ50.33m /s ìîíïïïï㊂(6)式中u C *=2.206m /s ㊂根据(6)式,拖曳系数在风速30.2m /s 左右达到最大值2.27ˑ10-3,之后随着风速增大而减小㊂2.2模拟结果图3为S T 2㊁S T 4和S T 6方案模拟的有效波高与浮标观测波高的比较,统计参量包括平均偏差b ㊁均方根误差ε和相关系数r ㊂整体而言,3个方案的模拟结果与观测符合得很好,最大偏差为0.287m /s,最大的均方误差为0.724m /s ,均为S T 4方案的模拟情形㊂3个方案在东海同时达到最大相关系数0.94,S T 2方案整体表现最优㊂同时由文献[21]可知,3个参数化方案在东海模拟效果整体可观,但还有一定的提升空间㊂我们还发现,当波高小于3m ,3个方案的模拟结果与观测符合得非常好,没有系统性偏离,当波高大于3m 时,所有的方案均高估了波高,这很可能是高风速情形下,3个方案中的拖曳系数过大所致㊂01Copyright ©博看网. All Rights Reserved.8期曹赛超,等:W A V E W A T C H Ⅲ第三代海浪数值模式在中国东海的应用和改进((a )S T 2结果;(b )S T 4结果;(c )S T 6结果;(d )整体结果㊂(a )S T 2r e s u l t s ;(b )S T 4r e s u l t s ;(c )S T 6r e s u l t s ;(d )O v e r a l l r e s u l t s .)图3 三个参数化方案有效波高模拟结果F i g .3 S i m u l a t i o n r e s u l t s o f s i g n i f i c a n tw a v e h e i gh t o f t h r e e p a r a m e t e r i z e d s c h e m e s 浮标数据仅提供了有效周期T s ,而模式输出的是平均周期(T 0,1㊁T 0,2)㊂有研究表明,模式输出的一阶矩周期T 0,1与浮标观测的有效周期T s 较为接近㊂图4为3种方案模拟得到的一阶矩周期T 0,1与波浪浮标观测得到的有效周期T s 的比较㊂因为一阶矩周期T 0,1及二阶矩周期T 0,2更多反映短波的效应,而有效周期((a )S T 2结果;(b )S T 4结果;(c )S T 6结果;(d )整体结果㊂(a )S T 2r e s u l t s ;(b )S T 4r e s u l t s ;(c )S T 6r e s u l t s ;(d )O v e r a l l r e s u l t s .)图4 三个参数化方案周期模拟结果F i g .4 S i m u l a t i o n r e s u l t s o f pe r i o d of t h r e e p a r a m e t e r i z e d s c h e m e s 11Copyright ©博看网. All Rights Reserved.中国海洋大学学报2023年T s则是1/3大波周期的平均,所以一般而言,有效周期T s 要大于一阶矩周期T0,1及二阶矩周期T0,2,这一点可以从平均偏差中看到㊂T a y l o r图及统计结果均显示3种方案对中国近海周期有较好模拟能力,但是相关性没有有效波高好,这一点有望通过接下来的方案调整得到改善㊂从上述分析可以看到,S T2方案在东海对有效波高表现最好,S T6方案次之,对周期而言S T2方案模拟效果不如其它两个方案㊂上文已提及,S T2方案风应力拖曳系数计算方案涉及波龄参量,而S T6风应力拖曳系数是拟合最新观测数据的结果,仅和风速有关,而在台风状况下,只考虑风速的拖曳系数计算方案不能满足模式需求[22-23]㊂因此有望通过改善S T6方案拖曳系数计算方案来提高WW3数值模式的精度㊂3拖曳系数新参数化方案从上述的分析可以看到,3个参数化方案在东海模拟结果存在一个共同问题,就是高风速时模拟的波高偏大,这显然与风输入项中的拖曳系数公式有关㊂在S T6方案中,拖曳系数是风速的函数,与波浪状态无关㊂虽然考虑了拖曳系数饱和现象,但是否适用于东海区域值得商榷㊂另一方面,对于拖曳系数饱和或减小的原因,有很多工作对此进行了探讨,但尚没有统一的结论,但所有的工作都认为波浪及其破碎过程有关㊂如波浪破碎形成白冠覆盖于海面,会使海面 光滑 ,产生的海洋飞沫会被风加速而降低风应力效果,海洋飞沫会提高大气边界层的稳定性,从而抑制动量通量,波峰附近发生波流分离会掩盖波谷,导致海面光滑等㊂显然所有这些原因均与波浪有关,而描述波浪不同状态最常用的两个量为波龄和波陡㊂波龄反映了波浪和大气之间的相互作用状态,波龄越小,代表海-气相互作用越强㊂波陡则反映了波浪自身的稳定性,波陡越大,波浪越不稳定而破碎[24]㊂T a k a g a k i等[25]将实验室测得的高风速的结果与外海中低风速的观测数据相结合,认为在风浪情形下,拖曳系数或海面粗糙长度仅与波浪有关,与海上风速没有直接关系,给出了海面粗糙长度(z0)与波高和周期的函数,可表示为波陡和波龄的函数:z0=68.35(H s/L p)4(g T p/2πU10)2U210/g㊂(7)式中:g为重力加速度;H s/L p为波陡;L p为谱峰对应的波长;g T p/(2πU10)为波龄;T p为谱峰周期㊂在通常情况下,波龄和波陡均基于谱峰所对应的波长和周期进行定义,在实际应用中,谱峰有时很难确定,特别是存在混合浪的情形,此时得到的谱峰周期会有非常大的变动,不利于计算的稳定性㊂与谱峰周期相比,二阶矩周期T0,2的稳定性较好,因此,用二阶矩周期T0,2来计算波龄和波陡,以此定义的波龄β和波陡δ分别为:β=g T0,22πU10;δ=2πH sg T20,2㊂(8)基于前人的工作及(7)式,为了在保证低风速情形模拟精度同时,提高高风速时的模拟精度,作者试图建立类似的适用于东海区域的拖曳系数公式㊂利用S T6输出的波浪数据(T0,2及H s)计算波龄及波陡,通过对公式(9)中参数调整使得其计算的拖曳系数在风速小于15m/s时,趋势与S T6方案相同,在风速大于15m/s 时,趋势小于S T6方案㊂将此时的公式替代S T6原始计算方案称为S T6a方案,反复带入模式验证结果,最终得到本文公式(9)中参数㊂图5散点为S T6a方案输出的波浪数据计算所得拖曳系数,同时增加了Z i j l e m a等[26]文献资料作为对比,可以发现新拖曳系数方案基本符合以往结果的变化趋势,不同的是,该方案可以自动达到饱和㊂C D=0.65ˑ10-3+κ/l n10/z0()[]2,z0=120δ6β4U210/g,β=m i n(g T0,22πU10,0.9)㊂(9)式中m i n代表取其后括号内两者的较小值㊂(图中实线为公式(6)结果,虚线为文献结果对比㊂T h e s o l i d l i n e i n t h e f i g u r e i s t h e r e s u l t o f f o r m u l a(6);T h e d o t t e d l i n e i s t h e l i t e r a t u r e c o m-p a r i s o n r e s u l t.)图5S T6a方案给出的拖曳系数与公式(6)对比F i g.5C o m p a r i s o n b e t w e e n t h e d r a g c o e f f i c i e n t g i v e n b yS T6a s c h e m e a n d f o r m u l a(6)对于上面的海面粗糙度计算公式,我们仅对波龄做出了限制,因为波龄原则上仅适用于风浪情形,对应的波龄较小,而当波龄很大时,对应的为涌浪情形,此时波龄没有任何意义,不能代表海-气相互作用的强度,因此我们对波龄的上限做出了限制㊂在实际应用中,也经常用波龄的大小来区分风浪和涌浪㊂相反,对于波陡没有做限制,由于波浪破碎,波陡自身具有上限值,风浪的波陡通常会大于涌浪波陡㊂21Copyright©博看网. All Rights Reserved.8期曹赛超,等:W A V E W A T C H Ⅲ第三代海浪数值模式在中国东海的应用和改进从图5还可以看到,以波龄和波陡为参数的拖曳系数会自动达到饱和,即在某一临界风速时,拖曳系数达到最大,之后随着风速继续增大而减小,这也是近年来被很多观测所证实的现象㊂从图5中可以看到,该临界风速大约为20m /s ,与S T 6原有的公式(6)相比,临界风速明显减少㊂再次强调的是,对于S T 6a 方案,本文并没有人为地设定临界风速,而是由于波龄和波陡的变化给出的自然结果㊂一般而言,随着风速增大,波龄会减小,而波陡由于存在上限不会增大,此时拖曳系数主要随波龄减小而减小㊂4 新方案的应用图6为新公式用于S T 6源函数方案得到的模拟波高与浮标波高的比较㊂从图中可以看到,新方案偏差绝对值及均方根误差均有明显降低㊂图6同时给出了新方案在东海模拟结果的T a yl o r图及各个浮标处大波((a ~b ):S T 6a 方案整体结果;(c ~f ):S T 6a 方案在各个浮标处连续24h 结果;(c )㊁(d )㊁(e )㊁(f )分别为自北向南单个浮标;(c )㊁(f )时间段为8月27日全天;(d )㊁(e )时间段为8月2日全天㊂(a ~b ):O v e r a l l r e s u l t s o f S T 6a s c h e m e ;(c ~f ):T h e r e s u l t s o f S T 6a s c h e m e a t e a c h b u o y f o r 24h o u r s ;(c ),(d ),(e )a n d (f ):As i n g l e b u o y f r o mN o r t h t o S o u t h ;(c ),(f ):T h e t i m e r a n g e i s t h ew h o l e d a y o f A u g u s t 27;(d ),(e ):T h e t i m e r a n g e i s t h ew h o l e d a y o f A u gu s t 2.)图6 S T 6a 新参数化方案在东海对有效波高模拟精度状况F i g .6 T h e s i m u l a t i o n a c c u r a c y o f S T 6a n e w p a r a m e t e r i z e d s c h e m e f o r t h e s i g n i f i c a n tw a v e h e i gh t i n t h eE a s t C h i n a S e a 31Copyright ©博看网. All Rights Reserved.中国海洋大学学报2023年高情形下连续24h的时间序列图㊂从图中可以看到,原始方案模拟波高过大的问题得到了改善㊂具体而言,相比之前表现最好的S T2方案,S T6a方案的平均偏差绝对值比原始值降低91.8%,相应的均方根误差比原始方案分别降低6.9%,即考虑波龄和波陡对拖曳系数进行参数化,可以得到较好的模拟结果㊂当然,这需要有更多的数据进行验证㊂图7为S T6a新方案模拟得到的一阶矩周期T0,1与波浪浮标观测得到的有效周期T s的比较㊂可以看到,新方案的模拟周期也得到了改善,整体相关性有了提升㊂((a~b)S T6a方案整体结果㊂(a~b)o v e r a l l r e s u l t s o f S T6a s c h e m e.)图7S T6a新参数化方案在东海对周期模拟精度状况F i g.7 T h e s i m u l a t i o n a c c u r a c y o f S T6a n e w p a r a m e t e r i z e d s c h e m e f o r t h e p e r i o d i n t h eE a s t C h i n a S e a5结语准确预报中国海的海浪一直是一个非常重要的课题㊂利用中国东海的波浪浮标观测数据,分析比较了第三代海浪数值模式WW3的三种源函数参数化方案S T2㊁S T4㊁S T6在东海的表现㊂结果表明,对于波高小于3m的中低风速情形,三种方案的模拟波高与浮标观测波高大体一致,而对于波高大于3m的高风速情形下,三种方案的模拟波高均明显大于浮标观测波高,即在大风情形下,WW3模拟的波高偏大㊂为了解决高风速情形下WW3模拟波高偏大问题,本文提出了以波龄和波陡为参数的海面粗糙度计算公式,以此来计算拖曳系数,其重要特征就是拖曳系数随着风速增大自动趋于饱和状态,即当风速达到临界风速20m/s左右时,拖曳系数达到最大值,之后随风速增大而减小㊂将上述拖曳系数公式用于S T6源函数方案中,既保证了中低风速时的模拟精度,又有效改善了高风速情形模拟波高偏大的问题㊂具体而言,相对于S T2方案,有效波高平均偏差降低91.81%,相对于S T4方案,有效波高平均偏差降低95.12%;相对于S T6方案,有效波高平均偏差降低93.66%,同时使模拟周期与附表观测结果相关性更强,从整体上提高了WW3在中国东海的海浪模拟能力㊂参考文献:[1] W A M D IG r o u p.T h eW A M m o d e l a t h i r d g e n e r a t i o n o c e a nw a v ep r e d i c t i o nm o d e l[J].J o u r n a l o f P h y s i c a l O c e a n o g r a p h y,1988,18:1775-1810.[2] T o l m a nH L.At h i r d-g e n e r a t i o nm o d e l f o rw i n dw a v e s o n s l o w l yv a r y i n g,u n s t e a d y,a n di n h o m o g e n e o u sd e p t h sa n dc u r r e n t s[J].J o u r n a l o f P h y s i c a l O c e a n o g r a p h y,1991,21(6):782-797.[3] T o l m a nHL.E f f e c t s o f n u m e r i c s o n t h e p h y s i c s i n a t h i r d-g e n e r a-t i o n w i n d-w a v e m o d e l[J].J o u r n a lo fP h y s i c a l O c e a n o g r a p h y,1992,22(10):1095-1111.[4] T o l m a nH L.U s e rM a n u a l a n dS y s t e m D o c u m e n t a t i o no fW A V-E W A T C HⅢV e r s i o n1.18[R].W a s h i n g t o nD C:N a t i o n a l O c e a n-i c a n dA t m o s p h e r i cA d m i n i s t r a t i o n,1999:110.[5]S t o p a J,A r d h u i nF,B a b a n i nA,e t a l.C o m p a r i s o n a n dv a l i d a t i o no f p h y s i c a lw a v e p a r a m e t e r i z a t i o n s i ns p e c t r a lw a v e m o d e l s[J].O c e a nM o d e l l i n g,2016,103:2-17.[6]L i uQ,B a b a n i nAV,F a nY,e t a l.N u m e r i c a l s i m u l a t i o n s o f o c e a ns u r f a c ew a v e s u n d e r h u r r i c a n e c o n d i t i o n s:A s s e s s m e n t o f e x i s t i n gm o d e l p e r f o r m a n c e[J].O c e a n M o d e l l i n g,2017,118:73-93,h t-t p s://d o i.o r g/10.1016/j.o c e m o d.2017.08.005.[7]吴萌萌,王毅,万莉颖,等.W A V E W A T C HⅢ模式在全球海域的数值模拟试验及结果分析[J].海洋预报,2016,33(5):31-40.W uM,W a n g Y,W a nL,e t a l.N u m e r i c a l s i m u l a t i o n t e s t a n d r e-s u l t a n a l y s i so f W A V E W A T C HⅢm o d e l i n g l o b a lw a t e r s[J].O c e a nF o r e c a s t,2016,33(5):31-40.[8]李明悝,侯一筠.利用Q u i k S C A T/N C E混合风场及W A V E W A T C H模拟东中国海风浪场[J].海洋科学,2005,29(6):9-12.L iM,H o u Y.Q u i k S C A T/N C E m i x e d w i n df i e l da n d W A V-E W A T C Ha r e u s e d t o s i m u l a t e t h ew i n d a n dw a v e f i e l d i n t h e E a s tC h i n a S e a[J].M a r i n e S c i e n c e,2005,29(6):9-12.[9]徐艳清.东中国海海浪数值模拟及波候统计分析[D].北京:中国科学院研究生院,2005.X uY.N u m e r i c a l S i m u l a t i o na n dS t a t i s t i c a lA n a l y s i s o fW a v eC l i-41Copyright©博看网. All Rights Reserved.8期曹赛超,等:W A V E W A T C HⅢ第三代海浪数值模式在中国东海的应用和改进m a t e i n t h eE a s t C h i n aS e a[D].B e i j i n g:G r a d u a t eS c h o o l o fC h i-n e s eA c a d e m y o f S c i e n c e s,2005.[10]S a h a S,M o o r t h i S,W uX,e t a l.T h eN C E P c l i m a t e f o r e c a s t s y s-t e mv e r s i o n2[J].J o u r n a l o f C l i m a t e,2014,27(6):2185-2208.[11] T o l m a nHL,C h a l i k o v D.S o u r c e t e r m s i n a t h i r d-g e n e r a t i o nw i n dw a v em o d e l[J].J o u r n a lo fP h y s i c a lO c e a n o g r a p h y,1996,26: 2497-2518.[12] A r d h u i nF,C h a p r o nB,C o l l a r dF.O b s e r v a t i o no f s w e l l d i s s i p a-t i o n a c r o s s o c e a n s[J].G e o p h y s i c a lR e s e a r c hL e t t e r s,2009,36, L06607,d o i:10.1029/2008G L037030.[13] A r d h u i n F,R o g e r s E,B a b a n i nA,e t a l.S e m i e m p i r i c a l d i s s i p a t i o ns o u r c e f u n c t i o n s f o r o c e a nw a v e s,P a r tⅠ,d e f i n i t i o n,c a l i b r a t i o na n d v a l i d a t i o n[J].J o u r n a l o fP h y s i c a lO c e a n o g r a p h y,2010,40(9):1917-1941.[14] D o n e l a nM A,B a b a n i nA V,Y o u n g IR,e t a l.W a v e-f o l l o w e r f i e l dm e a s u r e m e n t s o f t h e w i n d-i n p u t s p e c t r a l f u n c t i o n.P a r tⅡ:P a r a m e t e r-i z a t i o n o f t h e w i n d i n p u t[J].J o u r n a l o f P h y s i c a l O c e a n o g r a p h y,2006,36:1672-1689.[15] B a b a n i nA V.B r e a k i n g a n dD i s s i p a t i o no fO c e a nS u r f a c eW a v e s[M].C a m b r i d g e:C a m b r i d g eU n i v e r s i t y P r e s s,2011:480.[16] R o g e r sW E,B a b a n i nA V,W a n g D W.O b s e r v a t i o nc o n s i s t e n ti n p u t a n dw h i t e c a p p i n g d i s s i p a t i o n i nam o d e l f o rw i n d-g e n e r a t e ds u r f a c ew a v e s:D e s c r i p t i o n a n d s i m p l e c a l c u l a t i o n s[J].J o u r n a l o fA t m o s p h e r i c a n dO c e a n i cT e c h n o l o g y,2012,29:1329-1346.[17] Z i e g e rS,B a b a n i nA V,R o g e r sW E,e t a l.O b s e r v a t i o nb a s e ds o u r c e t e r m s i n t h e t h i r d-g e n e r a t i o nw a v em o d e lW A V E W A T C H[J].O c e a nM o d e l l i n g,2015,96:2-25.[18] L i u Q,R o g e r s W E,B a b a n i n A V,e ta l.O b s e r v a t i o n-b a s e ds o u r c e t e r m s i n t h e t h i r d-g e n e r a t i o nw a v em o d e lW A V E W A T C HⅢ:U p d a t e s a n dv e r i f i c a t i o n[J].J o u r n a l o fP h y s i c a lO c e a n o g r a-p h y,2019,49:489-517.[19]P o w e l lMD,V i c k e r y P J,R e i n h o l dTA.R e d u c e d d r a g c o e f f i c i e n tf o r h ig hw i n d s p e e d s i n t r o p i c a l c y c l o n e s[J].N a t u r e,2003,422:279-283.[20] H w a n g PA.An o t e o n t h e o c e a n s u r f a c e r o u g h n e s s s p e c t r u m[J].J o u r n a l o fA t m o s p h e r i c a n dO c e a n i cT e c h n o l o g y,2011,28(3): 436-443.d o i:10.1175/2010J T E C H O812.1.[21] T a y l o r,K a r l E.S u m m a r i z i n g m u l t i p l e a s p e c t s o fm o d e l p e r f o r m-a n c e i n a s i n g l e d i a g r a m[J].J o u r n a l o fG e o p h y s i c a l R e s e a r c hA t-m o s p h e r e s,2001,106(D7):7183-7192.[22]C h i a n g TL,W uCR,O e y LY.T y p h o o nK a i-T a k:A no c e a n sp e r f e c t s t o r m[J].J o u r n a l o fP h y s i c a lO c e a n o g r a p h y,2011,41: 221-233.[23]S a n f o r dTB,P r i c e J F,G i r t o n J B,e t a l.H i g h l y r e s o l v e d o b s e r-v a t i o n s a n d s i m u l a t i o n s o f t h eo c e a nr e s p o n s e t oah u r r i c a n e[J].G e o p h y s i c a l R e s e a r c hL e t t e r s,2007,34:L13604.[24]Z h a oD,L iM.D e p e n d e n c e o fw i n d s t r e s s a c r o s s a n a i r-s e a i n t e r-f a c e o nw a v e s t a t e s[J].J o u r n a l o fO c e a n og r a ph y,2019,75(3):207-223.[25] T a k a g a k i N,K o m o r i S,S u z u k iN,e t a l.S t r o n g c o r r e l a t i o nb e-t w e e n t h e d r a g c o e f f i c i e n t a n d t h e s h a p e o f t h ew i n d s e a s p e c t r u mo v e r a b r o a d r a n g e o fw i n d s p e e d s[J].G e o p h y s i c a l R e s e a r c hL e t-t e r s,2012,39:L23604.[26]Z i j l e m aM,V l e d d e rG,H o l t h u i j s e nL.B o t t o mf r i c t i o na n dw i n dd r a g f o rw a v em o de l s[J].C o a s t a l E n g i n e e r i n g,2012,65:19-26.A p p l i c a t i o n a n d I m p r o v e m e n t o fW a v e w a t c hⅢT h i r dG e n e r a t i o nW a v eN u m e r i c a l M o d e l i n t h eE a s t C h i n aS e aC a o S a i c h a o1,G a oZ h i y i2,Z h a oD o n g l i a n g1(1.T h eK e y L a b o r a t o r y o f P h y s i c a lO c e a n o g r a p h y,M i n i s t r y o fE d u c a t i o n,C o l l e g e o fO c e a n i c a n dA t m o s p h e r i c S c i e n c e s, O c e a nU n i v e r s i t y o fC h i n a,Q i n g d a o266100,C h i n a;2.N a t i o n a lM a r i n eE n v i r o n m e n t a lF o r e c a s t i n g C e n t e r,M i n i s t r y o f N a t u r a l R e s o u r c e s,B e i j i n g100081,C h i n a)A b s t r a c t:B a s e d o n t h e b u o y o b s e r v a t i o nd a t a o f t h eE a s tC h i n aS e a,t h e a p p l i c a b i l i t y o f t h r e e s o u r c e f u n c t i o n s c h e m e s S T2,S T4a n dS T6o fW A V E W A T C HⅢi n t h eE a s t C h i n a S e a i s c o m p a r e d.T h e r e-s u l t s s h o wt h a t t h e s i m u l a t e dw a v e h e i g h t a g r e e sw e l l w i t h t h e o b s e r v e dw a v e h e i g h t i n t h e c a s e o f l o w a n dm e d i u mw i n d s p e e dw i t hw a v e h e i g h t l e s s t h a n3m,w h i l e t h e s i m u l a t e dw a v e h e i g h t i s l a r g e r i n t h e c a s e o f h i g hw i n d s p e e dw i t hw a v e h e i g h t g r e a t e r t h a n3m.O n t h i s b a s i s,a p a r a m e t e r i z e d f o r m u l a o f s e a s u r f a c e r o u g h n e s sw i t hw a v e a g e a n dw a v e s t e e p n e s s a s p a r a m e t e r s i s p r o p o s e d t o c a l c u l a t e t h e d r a g c o e f f i c i e n t.T h e p a r a m e t e r i z a t i o n s c h e m e c a n a u t o m a t i c a l l y m e e t t h e o b s e r v a t i o n f a c t t h a t t h e d r a g c o e f-f i c i e n t r e a c h e s s a t u r a t i o n a t t h e c r i t i c a l w i n d s p e e d.T h e a b o v e d r a g c o e f f i c i e n t c a l c u l a t i o n s c h e m e i s a p-p l i e d t o t h e l a t e s t S T6s o u r c e f u n c t i o n s c h e m e,w h i c h n o t o n l y m a i n t a i n s t h e s i m u l a t i o n a c c u r a c y a tm e-d i u ma n d l o ww i n d s p e e d,b u t a l s o e f f e c t i v e l y i m p r o v e s t h e p r o b l e mo f l a r g e s i m u l a t i o nw a v e h e i g h t a t h i g hw i n d s p e e d,m o r e o v e r,t h e s i m u l a t i o n p e r i o d i sm o r e c o n s i s t e n tw i t h t h e b u o y o b s e r v a t i o n r e s u l t s. K e y w o r d s: w a v e n u m e r i c a lm o d e l;s o u r c e f u n c t i o n s c h e m e;d r a g c o e f f i c i e n t;w a v e a g e;w a v e s t e e p n e s s责任编辑庞旻51Copyright©博看网. All Rights Reserved.。
深度学习在海浪预测中应用研究进展
深度学习在海浪预测中应用研究进展目录一、内容简述 (2)1.1 研究背景与意义 (2)1.2 研究内容与方法 (3)1.3 文献综述 (4)二、海浪预测的现状与挑战 (6)2.1 海浪观测技术的发展 (7)2.2 传统预测方法的局限性 (8)2.3 深度学习在海洋预测中的应用前景 (9)三、深度学习理论基础 (10)3.1 深度学习的基本原理 (11)3.2 卷积神经网络 (12)3.3 循环神经网络 (13)3.4 深度学习的其他技术 (15)四、深度学习在海浪预测中的应用 (17)4.1 数据预处理与特征提取 (18)4.2 模型构建与训练 (19)4.3 预测结果分析与比较 (21)4.4 实际应用案例介绍 (22)五、挑战与展望 (23)5.1 数据获取与质量问题 (25)5.2 模型的泛化能力 (26)5.3 结合多源信息 (27)5.4 未来研究方向 (29)六、结论 (31)6.1 研究成果总结 (31)6.2 对未来研究的建议 (33)一、内容简述本文旨在综述深度学习在海浪预测领域的应用研究进展，深入探讨深度学习技术如何能够提升海浪数据的处理能力，以及如何在海浪预测中发挥其独特优势。
文章首先介绍了深度学习的背景和基本概念，随后详细分析了深度学习在海浪监测数据中的应用，包括数据预处理、特征提取、模型训练和预测结果评估等方面。
文章还会探讨深度学习在海浪模式融合、动态海浪预测及实时预警系统中的应用，揭示深度学习在海浪预报准确性和实时性上的潜力。
本文还将深入讨论深度学习的局限性和未来的研究方向，例如如何提高模型的鲁棒性和减少对专家知识的依赖。
还会分析深度学习在海浪预测中的伦理和社会影响问题，包括数据隐私保护、环境影响评估等。
通过对当前研究成果的评述，本文将提出深度学习在海浪预测应用中可能的发展趋势和研究展望。
本篇综述文章不仅将提供深度学习在海浪预测领域的最新研究成果，还将为该领域的研究者提供一个全面的参考框架，以便更深入地探索和应用深度学习技术以应对海浪预测的挑战。
【CN110110796A】一种基于深度学习的海上船舶时序数据的分析方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910392625.X(22)申请日 2019.05.13(71)申请人 哈尔滨工程大学地址 150001 黑龙江省哈尔滨市南岗区南通大街145号(72)发明人 周连科 王红滨 王念滨 曾庆宇 崔琎 (74)专利代理机构 哈尔滨市松花江专利商标事务所 23109代理人 刘冰(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于深度学习的海上船舶时序数据的分析方法(57)摘要一种基于深度学习的海上船舶时序数据的分析方法，它属于时序信息分析技术领域。
本发明解决了传统方法对海洋环境下船舶目标时序数据分析结果的准确率低的问题。
通过信息融合方式使LSTM模型在迭代中获得更多样化的时序信息，对数据的表征能力更强；根据相邻音频分帧输入特征的相似度对dropout的参数进行调整，达到一种动态反馈的效果，避免过度学习；对音频时序数据的处理和特征提取采用了划分频段分解的思想，先通过二维小波变换进行分解，再通过四组反卷积网络训练卷积核，再按比例抽取卷积核构建新的反卷积神经网络做待测时序数据的特征提取。
采用本发明方法对海上船舶的音频时序数据分析结果准确率达到87.8％。
本发明可以应用于时序信息分析技术领域。
权利要求书3页 说明书10页 附图3页CN 110110796 A 2019.08.09C N 110110796A权 利 要 求 书1/3页CN 110110796 A1.一种基于深度学习的海上船舶时序数据的分析方法，其特征在于，该方法包括以下步骤：步骤一、将船舶在海上行驶时发出的辐射噪声作为音频时序数据，从音频时序数据的初始时刻开始，每N秒确定一个加速状态；且从音频时序数据的初始时刻开始，将音频时序数据的每N0秒内数据切割为一个音频分帧，全部的音频分帧共同形成声谱图；利用LSTM模型对声谱图中相邻的音频分帧的特征信息进行融合，即将声谱图中的第一个音频分帧与第二个音频分帧进行特征信息融合，将第三个音频分帧与第四个音频分帧进行特征信息融合，以此类推，直至声谱图中全部音频分帧的特征信息融合完成；将第一个音频分帧与第二个音频分帧的特征信息融合结果作为第一个新的时间片的特征矩阵，将第三个音频分帧与第四个音频分帧的特征信息融合结果作为第二个新的时间片的特征矩阵，直至获得全部新的时间片的特征矩阵；步骤二、通过主成分分析方法对每个新的时间片的特征矩阵分别进行对角化，获得每个新的时间片对应的对角化后特征矩阵X1,new,X2,new,X3,new,X4,new,…,X M,new，其中：X1,new、X2,new、X3,new、X4,new和X M,new分别代表第一个、第二个、第三个、第四个和第M个新的时间片对应的对角化后特征矩阵；并根据X1,new和X2,new计算出第一个和第二个新的时间片的余弦相似度，根据X3,new和X4,new计算出第三个和第四个新的时间片的余弦相似度；同理，直至计算出全部新的时间片的余弦相似度；步骤三、根据步骤二计算出的全部新的时间片的余弦相似度，按比例设置dropout参数的值，实现对dropout参数值的动态调整；通过对dropout参数值的动态调整获得改进的LSTM模型；步骤四、对步骤一的声谱图进行二维小波分解获得四个不同频段的图像；步骤五、分别搭建四组结构相同的反卷积神经网络，将步骤四获得的四个不同频段的图像各输入一组反卷积神经网络进行训练，直至各组反卷积神经网络的损失函数值均不再减小时停止训练，获得四组训练好的反卷积神经网络；步骤六、按比例抽取步骤五训练好的四组反卷积神经网络的卷积层中的卷积核组成新的卷积核，将新的卷积核作为反卷积神经网络的卷积核，获得新的反卷积神经网络；步骤七、对于待测的音频时序数据，采用步骤一的方法对待测音频时序数据进行处理，获得声谱图；再对获得的声谱图进行二维小波分解，获得待测音频时序数据对应的四个不同频段的图像；将待测音频时序数据对应的四个不同频段的图像输入新的反卷积神经网络，并将新的反卷积神经网络的输出作为改进的LSTM模型的输入，根据改进的LSTM模型的输出对海上船舶的航态进行预测，实现对海上船舶时序数据的分析。
海洋大数据
海洋大数据
一、海洋大数据的来源
1.海域使用管理数据 2.海洋环境管理数据
海洋环境管理的具体内容如下： 1）海洋环境规划管理 2）海洋环境质量管理 3）海洋环境技术管理 3.海岸带综合管理数据
二、海洋大数据的特性
海洋大数据具有显著的时空特性，并且具有强时空关联特性。并且在 地理位置较近的区域某一观测要素是相关的，高的地方周围呈现较高的 趋势，较低的地方周围也呈现较低的趋势。在空间相关性的研究中，目
4）基于规则和模式的异常检测方法。包括关联分析、序 列模式分析、分类分析和聚类分析。
四、海洋大数据的质量控制
1.梯形模糊数
设A是论域上的一个模糊子集，若存在：
A
(
x)
x b
d
a
a 1, b x
,a ,c
x xc x
b d
d c
0,其他
则称A~为论域U上的梯形模糊数。
2.质量评估模型的接收概率
S 2
Wij
i1 j1
1）Moran’s I指数I（D）取值范围是[-1，1]。
2）如果I（D）处于（0，1]内，则证明要素值与空间位置存在正的空
间相关性，否则，存在负的空间相关性；
3）如果I（D）=0，则证明要素值在空间分布上不存在空间依赖性。
2.局部Moran’s I指数：
Z(Ii)
Ii E(Ii) VAR(Ii )
时空聚类是指基于空间和时间相似度，把具有相似行为的时空对象划 分到同一组中。现有的时空聚类方法主要包括基于模型的方法、基于密 度的方法、基于距离的方法。 3.时空异常检测
时空异常是指某对象与时空相邻域内其他对象存在明显的差异。时空 异常检测的结果可以为海洋灾害的预测预警、海洋自然资本分布的发现 等提供参考依据。
数据挖掘_Ocean wave time series data(海浪时间序列数据集)
Ocean wave time series data(海浪时间序列数据集)数据摘要：These two time series were collected by Andy Jessup, Applied Physics Laboratory, University of Washington. Both time series record the height of ocean waves as a function of time, the first via a wire wave gauge and the second via an infrared wave gauge.中文关键词：数据挖掘,海浪,时间序列,单变量,二变量,英文关键词：Data mining,Ocean wave,Time series,Univariate,Bivariate,数据格式：TEXT数据用途：The data can be used for regression and analysis.数据详细介绍：Ocean wave time series data∙AbstractThese two time series were collected by Andy Jessup, Applied Physics Laboratory, University of Washington, and others and are described in the article "Breaking Waves Affecting Microwave Backscatter: 1.Detection and Verification" by A. T. Jessup, W. K. Melville and W. C.Keller, Journal of Geophysical Research, 96, C11, 20,547--59 (1991).∙Data DescriptionBoth time series record the height of ocean waves as a function of time, the first via a wire wave gauge and the second via an infrared wave gauge. Permission has been obtained to redistribute both time series.Questions concerning these series should be send to Don Percival (dbp@).It contians:WIRE WA VE GAUGE OCEAN W A VE TIME SERIESINFRARED W A VE GAUGE OCEAN W A VE TIME SERIESReferenceTime series used in "Spectral Analysis of Univariate and Bivariate Time Series" by D. B. Percival, Chapter 11 of "Statistical Methods for Physical Science," edited by J. L. Stanford and S. B. Vardeman, Academic Press, 1993数据预览：点此下载完整数据集。
海潮模型差异对GNSS坐标时间序列周期信号及噪声特性影响分析
海潮模型差异对GNSS坐标时间序列周期信号及噪声特性影响分析范文蓝;姜卫平;袁林果;周伯烨【摘要】选取FES2004、EOT11a、TPXO7.2和Chinasea2010等4种海潮模型分别对23个CMONOC沿海测站进行海潮负荷位移改正,分析不同海潮模型对中国沿海区域测站坐标时间序列的影响.定量比较高频潮波参数模型间差异对周期信号的影响,结果表明,周日、半日潮波参数差异对海潮负荷位移改正后序列长周期信号、周年信号和半周年信号功率的影响最大可达4.3％、2.6％、2.0％和9.1％、0.7％、9.6％.基于Chinasea2010和TPXO7.2海潮模型的OTL改正使WN+ FN+ RWN测站噪声组合所占比例增至43％,而基于FES2004模型的OTL改正对测站速度不确定度的改善最大,39％的测站得到60％～98％的改善.【期刊名称】《大地测量与地球动力学》【年(卷),期】2018(038)009【总页数】6页(P917-922)【关键词】海潮模型差异;GNSS坐标时间序列;周期信号;噪声特性分析【作者】范文蓝;姜卫平;袁林果;周伯烨【作者单位】武汉大学GNSS研究中心,武汉市珞喻路129号,430079;武汉大学GNSS研究中心,武汉市珞喻路129号,430079;西南交通大学地球科学与环境工程学院,成都市犀安路999号,611756;武汉大学GNSS研究中心,武汉市珞喻路129号,430079【正文语种】中文【中图分类】P228基于不同海潮模型的海潮负荷(ocean tide loading, OTL)位移建模对比研究较多[1-4]，但针对中国沿海区域的研究有限。
由晓文等[5]主要从潮波系数差异的角度分析海潮模型对中国沿海区域OTL位移的影响，验证了mm级的差异。
由于现有海潮模型对水循环长周期效应的建模存在不足，OTL位移改正对测站表现的长周期运动会有影响[6]，然而已有研究并未对该问题进行深入讨论。
Ocean Wave 统计分析软件包说明书
Package‘oceanwaves’October14,2022Title Ocean Wave StatisticsVersion0.2.0Date2021-05-30Description Calculate ocean wave height summary statistics and process data from bottom-mounted pressure sensor data loggers.Derived primarily from MATLAB functions provided by U.Neumeier at<http://neumeier.perso.ch/matlab/waves.html>.Wave numbercalculation based on the algorithm in Hunt,J.N.(1979,ISSN:0148-9895)``Direct Solution of Wave Dispersion Equation'',American Society of Civil Engineers Journal of the Waterway,Port,Coastal,and Ocean Division,V ol105,pp457-459.URL https:///millerlp/oceanwaves,https://millerlp.github.io/oceanwaves/BugReports https:///millerlp/oceanwaves/issuesDepends R(>=3.3.0),ggplot2Imports bspec,signalSuggests scales,oce,knitr,rmarkdown,testthat(>=2.1.0)License GPL-3Encoding UTF-8LazyData trueRoxygenNote7.1.1VignetteBuilder knitrNeedsCompilation noAuthor Luke Miller[aut,cre](<https:///0000-0002-2009-6981>), Urs Neumeier[aut],Travis Mason[ctb],Magali Lecouturier[ctb],George V oulgaris[ctb]Maintainer Luke Miller<**********************>Repository CRANDate/Publication2021-06-0204:40:14UTC12almostZero R topics documented:almostZero (2)detrendHeight (3)plotWaveSpectrum (4)prCorr (4)wavedata (5)waveNumL (6)waveStatsSP (6)waveStatsZC (8)Index10 almostZero Test whether vector elements are effectively zeroDescriptionTest whether elements in vector x are effectively zero,within the square root of machine tolerance for afloating point number.UsagealmostZero(x,y=0,tolerance=sqrt(.Machine$double.eps))Argumentsx Numeric vector of values to compared against0y Value to be compared against.Default is0.tolerance The maximum difference between x and y necessary to call a value non-zeroDetailsReturns TRUE for all vector elements that are within rounding error of zero.ValueTRUE or FALSE for each element of the vector x.detrendHeight3 detrendHeight Remove trend from a time seriesDescriptionFits a straight line to a vector of values using lm(),and uses the regression coefficients to subtract off the linear trend from the values.UsagedetrendHeight(pt)Argumentspt A vector of numeric values to be detrendedDetailsTypically this is used to remove a tidal trend from a ocean surface height time series before attempt-ing to calculate statistics for waves,which are variations above and below the mean surface height.Returns a series of residuals around the linear trend,in the original units of measurement(typically meters).ValueA list containing the following:pt A vector of detrended valuesseg_len The segment length usedh The mean height of the water columntrend A two element vector of the intercept and slope from the linear regression.Examplesdata(wavedata)detrended<-detrendHeight(wavedata$swDepth.m)pt<-detrended[[ pt ]]plot(pt,type= l )abline(h=0)4prCorr plotWaveSpectrum Plot a basic spectrumDescriptionPlot a basic spectrumUsageplotWaveSpectrum(freqspec,Fs)Argumentsfreqspec A data frame containing a column of frequencies’freq’and a column of spectral power values’spec’Fs Frequency of sampled surface heights,units of HzprCorr Correct for depth attenuation of a water surface elevation pressuresignal.DescriptionBottom-mounted pressure transducers suffer from pressure signal attenuation when attempting to estimate surface wave heights.This function corrects water surface elevation time series based on the depth of the water column and height of the sensor above the bottom.UsageprCorr(pt,Fs,zpt,M=512,CorrLim=c(0.05,0.33),plot=FALSE)Argumentspt A vector of sea surface elevations(units of meters).Fs Sampling frequency(units of Hz).Normally4Hz for an OWHL logger.zpt Height of the pressure sensor above the seabed(units of meters).M Length of time series segments that will be used in the detrending and attenua-tion correction operations.512samples is the default,should be an even number.CorrLim[min max]frequency for attenuation correction(Hz,optional,default[0.050.33], which translate to periods of20sec to3sec).plot Logical value TRUE or FALSE.Displays a plot of the original and corrected time series.wavedata5ValueA vector of the depth-corrected surface elevations(units of meters usually).Any original trend inthe input data(such as tide change)is present in the output data.The returned surface elevation fluctuations will typically be more extreme than the raw input surface elevations.ReferencesBased on original MATLAB function by developed by Travis Mason,M.Lecouturier&Urs Neumeier http://neumeier.perso.ch/matlab/waves.htmlEach segment of pt will be linearly detrended,corrected for attenuation,and the linear trend will be added back to the returned data.Examplesdata(wavedata)corrected=prCorr(wavedata$swPressure.mbar,Fs=4,zpt=0.1)#Plot the resultscorrected=prCorr(wavedata$swPressure.mbar,Fs=4,zpt=0.1,plot=TRUE)wavedata Example wave recordsDescriptionA dataset containing pressure records and derived sea surface height from a bottom-mounted pres-sure transducer data logger deployed at Marguerite Reef near Los Angeles,CA,USA.The device was deployed at a depth of approximately10meters,and sea level air pressure was1014mbar at the time of deployment.The pressure data logger was mounted approximately10cm above the benthos.Sampling rate was4Hz,so the total record represents30minutes of time.UsagewavedataFormatA data frame with7200rows and4variables:DateTime Date and time,with fractional seconds.UTC time zone.absPressure.mbar Absolute pressure recorded by the data logger,in units of millibar(1mbar= 100Pascal).This value includes pressure due to the atmosphere above the sea surface,whichwas1014mbar during the deployment.swPressure.mbar Pressure produced by the column of seawater above the data logger.The pres-sure due to the atmosphere above the sea surface has been subtracted off of the absolute pres-sure value absPressure.mbar to produce this value.Units of mbar.swDepth.m Estimated depth in meters of the seawater column above the pressure data logger, converted from the swPressure.mbar value.Source2016Provided by Kristin Elsmore,UC Davis Bodega Marine LaboratorywaveNumL A function to calculate wave number.DescriptionA function to calculate wave number.UsagewaveNumL(f,h)Argumentsf A numeric vector of wave frequenciesh A numeric vector of water depths(usually in units of meters)ValueThe wave number.ReferencesModified from MATLAB function by Urs Neumeier:http://neumeier.perso.ch/matlab/waves.html Based on polynomial approximation from Hunt,J.N.1979.“Direct Solution of Wave Dispersion Equation,”ASCE Journal of the Waterway,Port,Coastal and Ocean Division.,V ol105,pp457-459 suggested by George V oulgaris,University of South CarolinawaveStatsSP Calculate ocean wave parameters using spectral analysis methodsDescriptionCalculate ocean wave parameters using spectral analysis methodsUsagewaveStatsSP(data,Fs,method=c("welchPSD","spec.pgram"),plot=FALSE,kernel=NULL,segments=NULL,...)Argumentsdata A vector of surface heights that constitute a time series of observations.Typicalunits=meters.Fs Sampling frequency of the surface heights data.Units=Hz,i.e.samples persecond.method A character string indicating which spectral analysis method should be used.Choose one of welchPSD(default)or spec.pgram.plot A logical value denoting whether to plot the spectrum.Defaults to FALSE.kernel An object of class tskernel that defines a smoother for use with spec.pgrammethod.If value is NULL,a default Daniell kernel with widths(9,9,9)is used.segments Numeric value indicating the number of windowing segments to use with welchPSD method....Additional arguments to be passed to spectral analysis functions,such as thewindowfun option for welchPSD.DetailsCarries out spectral analysis of ocean wave height time series to estimate common wave height statistics,including peak period,average period,and significant wave height.ValueList of wave parameters based on spectral methods.•h Average water depth.Same units as input surface heights(typically meters).•Hm0Significant wave height based on spectral moment0.Same units as input surface heights(typically meters).This is approximately equal to the average of the highest1/3of the waves.•Tp Peak period,calculated as the frequency with maximum power in the power spectrum.Units of seconds.•m0Estimated variance of time series(moment0).•T_0_1Average period calculated as m0/m1,units seconds.Follows National Data BuoyCenter’s method for average period(APD).•T_0_2Average period calculated as(m0/m2)0.5,units seconds.Follows Scripps Institutionof Oceanography’s method for calculating average period(APD)for their buoys.•EPS2Spectral width parameter.•EPS4Spectral width parameter.ReferencesOriginal MATLAB function by Urs Neumeier:http://neumeier.perso.ch/matlab/waves.html,based on code developed by Travis Mason,Magali Lecouturier and Urs Neumeier.See AlsowaveStatsZC for wave statistics determined using a zero-crossing algorithm.Examplesdata(wavedata)waveStatsSP(wavedata$swDepth.m,Fs=4,method= spec.pgram ,plot=TRUE) waveStatsZC Calculate wave statistics using zero-crossing methodDescriptionCalculate ocean wave summary statistics,including significant wave height and period.UsagewaveStatsZC(data,Fs,threshold=NULL,plot=FALSE)Argumentsdata A numeric vector of water surface height data.The data do not need to be detrended prior to use.Typical units=metersFs Sampling frequency of the data,in Hz.threshold The minimum height necessary for a zero-crossing event to be considered a wave.plot Set to TRUE if summary histograms of wave heights and wave periods are de-sired.DetailsBased on an upward zero-crossing algorithm originally provided by Urs Neumeier,v1.06.However, by default the algorithm is run as a downward zero-crossing process by inverting the data.ValueA list object containing summary statistic values.•Hsig Mean of the highest1/3of waves in the data set.Units=same as input surface heights.•Hmean Overall mean wave height,for all waves(bigger than threshold).•H10Mean height of the upper10%of all waves.•Hmax Maximum wave height in the input data.•Tmean Mean period of all waves(bigger than threshold).Units=seconds.•Tsig Mean period of Hsig(highest1/3of waves).ReferencesOriginal MATLAB function by Urs Neumeier:http://neumeier.perso.ch/matlab/waves.htmlSee AlsowaveStatsSP for wave statistics determined using spectral analysis methods.Examplesdata(wavedata)waveStatsZC(data=wavedata$swDepth.m,Fs=4,plot=TRUE)Index∗datasetswavedata,5almostZero,2detrendHeight,3plotWaveSpectrum,4prCorr,4wavedata,5waveNumL,6waveStatsSP,6,9waveStatsZC,7,810。
基于Prophet算法的海南近海波浪长时段时序分析与预测
基于Prophet算法的海南近海波浪长时段时序分析与预测
黄心裕;唐军;王晓宇
【期刊名称】《海洋学报》
【年(卷),期】2022(44)4
【摘要】近年来,以大数据为基础的人工智能算法逐步兴起并被用于海洋波浪短期预测。
本文采用2015-2019年海南近海逐时波浪实测时序数据,基于Prophet算
法建立了海南近海波浪长时段时序预测模型,分析了2015-2019年海南近海波浪日、月、年变化特性,并对海南近海2020年波浪变化过程进行了预测。
结果显
示,Prophet算法模型对波浪波高和周期的预测值和实测值整体吻合良好,可有效用于长时段波浪的特性分析和时序预测。
【总页数】8页(P114-121)
【作者】黄心裕;唐军;王晓宇
【作者单位】大连理工大学海岸和近海工程国家重点实验室
【正文语种】中文
【中图分类】P731.22
【相关文献】
1.基于LAGFD-WAM海浪数值模式的海南万宁近海波浪能资源评估
2.基于Prophet算法的快销服装销售预测
3.基于Prophet人工智能算法的网络潮汐效应
预测研究4.基于Prophet算法的服装面料需求预测研究5.基于Prophet算法的配电网线路峰值负荷预测
因版权原因，仅展示原文概要，查看原文内容请购买。
多维时序海洋遥感数据的交互式可视化技术
多维时序海洋遥感数据的交互式可视化技术夏伟;吕晓琪;王月明;张信雪【期刊名称】《现代电子技术》【年(卷),期】2018(041)004【摘要】为了实现海量、多维、时序等特点的海洋环境数据三维动态可视化表达,设计基于OSGEarth三维虚拟可视化平台,并详细阐述该系统的体系结构.将几何着色器应用于对数据的渲染着色,同时利用GPU强大的处理能力加快渲染的速度;通过坐标变换,将数据可视化的结果紧密贴合在三维地球表面上;通过人机交互机制,进一步实现了海洋环境数据的动态可视化.实验表明,该方法具有一定的可操作性,可以为海洋环境数据的动态可视化及分析提供技术平台.%To achieve the 3D dynamic visualization representation of massive and multidimensional marine environment da-ta in time series,the 3D virtual visualization platform based on OSGEarth is designed,and the architecture of the system is de-scribed in detail. The geometry shader is applied to the color rendering of data. Meanwhile,the powerful processing capability of GPU is utilized to accelerate the rendering speed. The date visualization results are closely attached to the surface of the three-di-mensional earth by means of coordinate transformation. The dynamic visualization of marine environment data is further realized by using the human-computer interaction mechanism. The experimental results show that the method is feasible and can provide the technology platform for dynamic visualization and analysis of marine environment data.【总页数】4页(P176-179)【作者】夏伟;吕晓琪;王月明;张信雪【作者单位】内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010【正文语种】中文【中图分类】TN919-34【相关文献】1.一种面向层次和时序结构的多维可视化技术 [J], 陆伟;贺建根;王晓光;吴佳鑫2.一种面向时序数据的交互式可视化系统 [J], 王程程;朱立谷;张迪3.大规模海洋水文环境多维可视化技术研究 [J], 曹柱;苏天赟;王国宇4.基于数据相似度的多维海洋数据交互式集成可视化 [J], 聂俊岚;陈贺敏;张继凯;郭栋梁5.基于IDL对象图形法的海洋遥感数据可视化方法 [J], 陶荣华;许素芹;陈标;陈晓露因版权原因，仅展示原文概要，查看原文内容请购买。
水质时间序列模式挖掘
水质时间序列模式挖掘夏达;李士进【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)005【摘要】对水质时间序列进行数据挖掘,找出其蕴含的模式,对于水资源的改善有重要的现实意义.针对带间隔约束的有序时间序列的模式挖掘,现有算法多按左优先匹配以完备性为代价加快效率或枚举可能位置损失效率提高完备性.为了提高模式挖掘的效率同时保证一定的完备性,提出一种满足One-Off条件的带有间隔约束的单序列模式挖掘算法FOFM (fast one-offing mining).算法首先扫描序列获得长度为1的模式,再通过将当前长度的所有频繁模式进行两两比较,而后连接可连接的模式以形成新的模式,在模式连接的过程中记录候选模式最后事件的可能位置并通过回溯位置序列的方法检查模式的支持度,直至无法生成新的模式.实验结果表明,FOFM算法在水质时间序列上相较于相关序列模式挖掘算法拥有较高的效率和一定的完备性.%It's important to mine water quality time series and find out its pattern in series for the improvement of water resources.For the mining of time series with interval constraints,most of existing algorithms reduce the completeness by left-first matching for the efficien-cy or reduce the efficiency by enumerating the possible position for the completeness.In order to improve the efficiency of pattern mining and maintain a high degree of completeness,we propose a fast one-offing mining algorithm with One-off condition and gap constraints. It first scans the sequence to obtain the pattern of length 1,and then obtains the candidate patternthrough comparison on all frequent pat-terns of the current length after connection of the pattern.The possible position of the last event of the candidate pattern during the pattern connection is recorded and the support of the pattern by the backtracking sequence is checked,until a new pattern can't be generated.The experiment based on the water quality time series proves that the FOFM is more effective than the related sequential pattern mining algo-rithm with a certain completeness.【总页数】5页(P149-153)【作者】夏达;李士进【作者单位】河海大学计算机与信息学院,江苏南京210098;河海大学计算机与信息学院,江苏南京210098【正文语种】中文【中图分类】TP311【相关文献】1.基于自相关获取周期的时间序列模式挖掘算法 [J], 张玲;陈硕;张旸2.时间序列下模式挖掘模型设计 [J], 张可佳;李春生;姜海英;赵森3.金融时间序列K线形态的Motif模式挖掘研究 [J], 龙婧;车文刚;权鹏宇;周志元4.时间序列周期模式挖掘算法分析 [J], 邹蕾5.基于时间序列的模式挖掘研究 [J], 卢海涛因版权原因，仅展示原文概要，查看原文内容请购买。
基于J2EE组件技术的水文时间序列相似性挖掘系统
基于J2EE组件技术的水文时间序列相似性挖掘系统
陈强;王志坚;娄渊胜
【期刊名称】《计算机与现代化》
【年(卷),期】2006(000)008
【摘要】时间序列的相似性挖掘是数据挖掘中的重要内容,通过对水文时间序列的相似性挖掘研究,设计并实现一个基于J2EE组件技术的相似性挖掘系统.并对该系统进行了测试实验,证明其有效性和正确性.
【总页数】4页(P56-58,62)
【作者】陈强;王志坚;娄渊胜
【作者单位】河海大学计算机及信息工程学院,江苏,南京,210098;河海大学计算机及信息工程学院,江苏,南京,210098;河海大学计算机及信息工程学院,江苏,南
京,210098
【正文语种】中文
【中图分类】TP311.52
【相关文献】
1.一种基于DTW聚类的水文时间序列相似性挖掘方法 [J], 杨艳林;叶枫;吕鑫;余霖;刘璇
2.水文时间序列相似性挖掘系统 [J], 杨敏;王志坚;尹燕敏
3.基于语义相似的水文时间序列相似性挖掘——以太湖流域大浦口站水位数据为例[J], 朱跃龙;王咏梅;万定生;李薇;梅青;余达征
4.多元水文时间序列相似性挖掘的研究与应用 [J], 王咏梅
5.基于XGBoost算法的多元水文时间序列趋势相似性挖掘 [J], 丁武;马媛;杜诗蕾;李海辰;丁公博;王超
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进HHT的海浪特征频率提取
基于改进HHT的海浪特征频率提取肖瑞;杨贤昭;刘惠康【摘要】海浪能源在地球上广泛分布,以共振发电获取该能源需要知道海浪的特征频率.本文主要利用MEMS传感器,微控制器STM32等设备对海浪特征参数进行提取,并结合改进的希尔伯特-黄变换(HHT)对收集到的数据进行时频分析,从而更加准确地找到海浪的主频率.针对传统HHT在EEMD分解过程中的端点效应及包络拟合不完全问题,本文利用镜像延拓法抑制端点效应,用三次埃尔米特(Hermite)插值替代三次样条插值消除包络线的过冲与欠冲,改进的HHT使时频分析的结果更为准确.实验分析的结果表明改进的HHT有效提高了特征频率的提取精度,为波浪发电最大效率获能奠定了基础.【期刊名称】《高技术通讯》【年(卷),期】2018(028)008【总页数】8页(P692-699)【关键词】海浪特征频率;MEMS传感器;希尔伯特-黄变换(HHT);EEMD分解;镜像延拓法;三次埃尔米特(Hermite)插值【作者】肖瑞;杨贤昭;刘惠康【作者单位】武汉科技大学信息科学与工程学院武汉 430081;武汉科技大学信息科学与工程学院武汉 430081;武汉科技大学信息科学与工程学院武汉 430081【正文语种】中文0 引言目前，传统化石燃料为人类生产活动提供了主要能源。
然而这些能源在地球上的储量有限，属于不可再生能源且污染环境。
海浪能源作为广泛分布的清洁可再生能源，逐渐成为人们研究的重点方向[1]。
近年来，国内外根据俘获海浪能方式的不同，提出了多种海浪能利用方案，其中以主动共振海浪发电来获取海浪能的效率相对较高[2]。
该方法需测得海浪主频率，因此本文研究的是对海浪主频率参数的提取。
传统的时频分析主要有短时傅里叶变换、连续小波变换和希尔伯特-黄变换(Hilbert-Huang transform , HHT)等。
其中以希尔伯特-黄变换的抗干扰能力和数据分析精度相对较好。
然而传统的希尔伯特-黄变换也存在一些问题，如端点效应和包络线的过冲与欠冲情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ocean wave time series data(海浪时间序列数据集)
数据摘要：
These two time series were collected by Andy Jessup, Applied Physics Laboratory, University of Washington. Both time series record the height of ocean waves as a function of time, the first via a wire wave gauge and the second via an infrared wave gauge.
中文关键词：
数据挖掘,海浪,时间序列,单变量,二变量,
英文关键词：
Data mining,Ocean wave,Time series,Univariate,Bivariate,
数据格式：
TEXT
数据用途：
The data can be used for regression and analysis.
数据详细介绍：
Ocean wave time series data
∙Abstract
These two time series were collected by Andy Jessup, Applied Physics Laboratory, University of Washington, and others and are described in the article "Breaking Waves Affecting Microwave Backscatter: 1.
Detection and Verification" by A. T. Jessup, W. K. Melville and W. C.
Keller, Journal of Geophysical Research, 96, C11, 20,547--59 (1991).
∙Data Description
Both time series record the height of ocean waves as a function of time, the first via a wire wave gauge and the second via an infrared wave gauge. Permission has been obtained to redistribute both time series.
Questions concerning these series should be send to Don Percival (dbp@).
It contians:
WIRE WA VE GAUGE OCEAN W A VE TIME SERIES
INFRARED W A VE GAUGE OCEAN W A VE TIME SERIES
Reference
Time series used in "Spectral Analysis of Univariate and Bivariate Time Series" by D. B. Percival, Chapter 11 of "Statistical Methods for Physical Science," edited by J. L. Stanford and S. B. Vardeman, Academic Press, 1993
数据预览：
点此下载完整数据集。