论文部分内容阅读
在海洋开发与保护不断深入的大背景下，潮汐精确预测作为海洋开发利用和保护不可缺少的技术支撑，理应得到更为广泛的关注。潮汐运动的混沌特性决定了，使用传统的调和预测方法等很难得到特别精确的预测结果，尤其在《潮汐表》中无法查询到的偏远海域，在进行对潮汐条件要求较高的海洋作业时，更加需要一种对历史水文数据需求少，短期预测精度高的预测方法。
本文对潮汐潮高整时时间序列的短期预测进行了研究，对原始数据进行了去噪预处理，对潮汐的混沌特性进行了研究，将混沌理论、相空间重构引入潮汐预测，完成了潮汐潮高整时时间序列的短期预测。主要工作如下:
1)对潮汐原始观测数据进行预处理。现阶段国内对潮汐预测的研究，普遍缺少对原始数据的预处理。而对含有噪声的潮汐时间序列进行去噪，有利于还原潮汐的动力学特性，可以提高预测的准确性。本文发挥小波阈值去噪方法的优势，使用的sym8小波基函数并进行7层分解，通过HeurSure阈值法确定阈值，使用软阈值函数对原始观测数据进行去噪，实验中与未去噪数据进行预测对比，证明使用去噪后的数据进行的预测准确性更高。
2)将混沌理论、相空间重构引入潮汐预测。通过计算潮汐时间序列的关联维数和最大Lyapunov指数，证明了潮汐时间序列具有混沌特性，将混沌相空间重构引入到潮汐时间序列的预测中，为使用混沌理论进行潮汐时间序列的短期预测奠定了理论基础。针对潮汐时间序列的混沌特性，对其进行相空间重构，使用C-C方法来求取潮汐时间序列相空间重构的时间延迟和嵌入维数。
3)对潮汐时间序列进行预测。采用径向基函数（RBF）神经网络和量子粒子群(QPSO)算法优化RBF神经网络对潮汐混沌时间序列通过MATLAB进行短期预测，并通过相互对比及与传统方法的对比，证明了量子粒子群算法改进RBF神经网络在潮汐短期预测中有着很好的效果。