基于混沌理论和神经网络的蒸发波导高度预测新方法研究

With the extension of marine environment monitoring, long-distance and high-rate transmission of monitoring data based on evaporation duct will become a hot research in maritime wireless transmission. As the key electromagnetic parameter, evaporation duct height (EDH) is an important factor indicating the ability of evaporation duct to trap the electromagnetic wave signal. Therefore, how to effectively predict the evaporation duct height is one of the most critical issues that need to be addressed in the transmission of ocean information. Starting from the EDH time series data and combining with the latest research results of chaotic theory and neural networks, this project firstly solves the feasibility problem and demonstrates that EDH time series is predictable. Towards the non-stationary and nonlinear characteristics of the EDH time series, a static prediction algorithm is constructed by combining multi-scale analysis method and radial basis function (RBF) neural network. Furthermore, based on the chaotic characteristics of EDH time series and data assimilation techniques, a dynamic prediction algorithm is proposed to deal with the time-varying characteristics of the time series data in the prediction process. The proposed prediction algorithms are validated and evaluated with the historical EDH time series data obtained from South China Sea. The research results of this project will provide a new perspective for the EDH prediction, and also provide key technical support for the long-distance and high-rate transmission of ocean information in the evaporation duct environment.

随着海洋监测范围的不断扩展，基于蒸发波导的海洋监测数据远距离、高速率传输将成为跨海数据无线传输研究的热点。其中蒸发波导高度是指示蒸发波导陷获电磁波信号能力的重要电磁参量。因此，如何对蒸发波导高度进行有效预测是该研究中亟待解决的问题。本项目从蒸发波导高度时间序列数据出发，结合混沌理论和神经网络的最新研究成果，首先解决蒸发波导高度时间序列预测的可行性问题，然后针对时间序列的不平稳性和非线性特点，采用多尺度分析与径向基函数神经网络相结合的方法构建一种波导高度静态预测算法。此外，基于时间序列的混沌特性并引入数据同化技术，针对预测过程中时间序列数据不断更新变化的特点，提出一种波导高度动态预测算法。本项目以南海海域蒸发波导高度历史时间序列数据为基础，对上述预测算法进行验证和评估。本项目研究成果为蒸发波导高度预测提供一种新的思路，也为蒸发波导环境下海洋信息远距离、高速率传输提供关键技术支持。

本项目研究紧密围绕蒸发波导高度时间序列特性分析，解决了蒸发波导高度时间序列的可预测性以及如何进行准确预测等关键问题。主要研究内容和相应取得的重要结果包括：.（1）蒸发波导高度时间序列混沌特性判定及可预测性问题分析.对不同时间尺度的蒸发波导高度时间序列进行了统计分析，对平稳性、分形特性等进行了重点研究。基于相空间重构理论，计算得到了不同时间尺度时间序列的时延和嵌入维数等参数，在此基础上利用小数据量法计算得到最大Lyapunov指数，从而可知蒸发波导高度时间序列普遍具有混沌特性，得到其具有可预测性的结论。.（2）基于数据重构和径向基函数神经网络的蒸发波导高度静态预测模型研究.首先采用经典的ARIMA模型对蒸发波导高度时间序列进行预测研究，重点分析了蒸发波导高度时间序列的季节性、非线性和非平稳性等对预测结果的影响。在此基础上，采用相空间重构、经验模态分解等数据重构方法对蒸发波导高度时间序列进行数据重构，然后利用径向基函数神经网络对重构后的时间序列分量分别进行预测，最后将预测结果进行整合得到蒸发波导高度时间序列的预测值。实验分析表明，相比ARIMA、单一径向基函数神经网络，采用数据重构结合神经网络预测模型可以显著提高模型预测的精度，同时相空间重构-径向基函数神经网络预测模型也比经验模态分解-径向基函数神经网络预测模型预测精度更高。.（3）基于相空间重构和卡尔曼滤波优化径向基函数神经网络的蒸发波导高度动态预测模型研究.考虑到蒸发波导高度的时变特性，模型预测精度会随着预测时间的持续而降低。本研究对蒸发波导高度历史数据进行相空间重构，利用重构后的数据集对径向基函数神经网络进行训练，得到模型结构参数历史数据序列，然后利用卡尔曼滤波法对模型结构参数进行估计并更新模型结构参数，从而实现对蒸发波导高度的动态预测。实验分析表明，该动态模型可以有效弥补模型预测精度随预测时间持续而将低的不足，提高了模型动态预测能力。