神经网络方法对海浪有效波高数值模拟的改进
基于神经网络的hsic改进算法分析与仿真
基于神经网络的hsic改进算法分析与仿真神经网络是一种重要的人工智能技术，它可以用于预测数据分析和机器学习，可以有效地实现复杂的任务。
神经网络技术在机器学习和数据分析应用中得到了广泛应用。
HSIC是一种改进算法，用于评估准确度度量和内禀性度量之间的交叉相关性。
它可以利用神经网络识别输入变量之间的复杂关系，从而改善模型准确度和内禀性。
为了有效地应用HSIC算法，我们需要重点研究它的原理，参数，优势和限制。
实验中，选取了一组实际数据用于测试，利用神经网络对数据进行拟合，实现HSIC算法的训练，从而使用HSIC算法来预测数据分析结果。
经过实验分析，我们发现HSIC算法在准确度度量和内禀性度量之间拥有很好的交叉性能，其准确度效果好于传统机器学习算法。
最后，本文为基于神经网络的HSIC算法分析与仿真提供一定的理论基础和实验性研究，同时提供了相应的方法，为未来的研究工作提供参考。
总之，基于神经网络的HSIC改进算法是一项重要的研究，旨在提高机器学习和数据分析的准确度和内禀性。
它在许多应用中发挥了重要作用，从而改善了机器学习算法的准确率和内禀特性。
未来对该算法的深入研究将会有助于更好地理解并应用它，从而在业务实践中发挥更大的作用。
- 1 -。
最新 BP神经网络算法及其改进的几个方法-精品
BP神经网络算法及其改进的几个方法1 概述人工神经网络（Artificial Neural Networks，ANN），是基于人类大脑的生物活动所提出的，是一个模型。
它由众多节点通过一定的方式互联组成，是一个规模巨大、自适应的系统。
其中有一种学习算法是误差传递学习算法即BP 算法。
BP算法是人工智能最常用到的学习方法，从一定意义上来讲，BP算法的提出，终结了多层网络在学习训练算法上的空白史，是在实际应用中最有效的网络训练方法，对ANN的应用和发展起到了决定性的作用。
BP算法是使用从输出层得到的误差来估算前一层的误差，再利用该误差估算更前一层的误差。
依次进行，就会获得其他所有各层的估算误差。
这样就实现了将从输出层的得到误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程[1]。
但是，BP算法也存在着不可忽视的缺陷。
基于此，该文总结介绍了BP的改进方法。
2 BP算法的基本思想2.1 BP算法的基本原理BP算法是有监督指导的算法，它的学习训练过程一般分为两步：首先是输入样本的正向传递；第二步误差的反向传递；其中信号正向传递，基本思想是样本值从输入层输入，经输入层传入隐藏层，最后通过输出层输出，中间层对样本数据进行处理操作，利用各层的权值和激活函数对数据进行操作然后在输出层获得输出[2]；接下来就是反向传递，算法得到的实际输出值与期望目标输出之间必然会有误差，根据误差的大小来决定下一步的工作。
如果误差值较小满足训练的精度要求，则认为在输出层得到的值满足要求，停止训练；反之，则将该误差传递给隐藏层进行训练，按照梯度下降的方式，对权值和阈值进行调整，接着进行循环，直到误差值满足精度要求停止训练[3]。
3 BP算法的缺陷尽管BP算法有着显著的优点，但是在实际应用过程中，BP算法会出现很多问题。
尤其是下面的问题，对BP神经网络更好的发展有很大影响。
有的甚至会导致算法崩溃。
3.1 收敛速度的问题BP算法在进行训练学习时，收敛速度慢，特别是在网络训练达到一定的精度时，BP算法就会出现一个长时间的误差“平原”，算法的收敛速度会下降到极慢[4]。
神经网络的特点及改进方法综述
述
Ｋ ｙ ｒｓ ｅ ｗｏ ｄ ：Ｎｅ ｒｌ ｔ ｒ ；Ｖｅｏ ｉ ｆ ｎ ｅ ｇ ｎ ｅ ｏ ａ ｉｉ ｍ ；Ｉ ｒ ｖ ｄＡｌｏ ｉ ｕ ａ ｗｏ ｋ Ｎｅ ｌｃｔ ｏ ｖ ｒ ｅ ｃ ；Ｌ ｃ ｌ ｎ ｍｕ ｙ Ｃｏ Ｍ ｍｐ ｏ ｅ ｇ ｒｔ ｍ ｈ
Ｏ 引言 人 工神经网络控制技术从 ２ 世 纪 ５ Ｏ ０年代 自 Ｒ ｓ ｂａ 首次将单层感知器应用于模式分类学 习 ｏｅ ｌｔ ｎ ｔ 以来， 已经有 了几十年的研究历史。但是， 对于单层 感知器， 不论采用怎样的非线性函数， 其分类能力都
号， 此误差信号 即作为修正各 单元权值的依据 。这 种信号正向传播与误差反 向传播的各层权值调整过 程是周而复始地进行。权值 不断调整的过程， 也就
是 网络 的学 习训 练过程 。此过程 一直 进行 到 网络输
当本 次的 ｖ ＼ －－ ／与前 一 次 同号 时 其 加 权 求 和
Ａｂ ｔａ ｔ Ｏｎｔｅｂ ｓｓｏ ｅａ ａｙ ｉ ｏ ｅｔａｎｎ ｌｏ ｔｍ ｆ￣ｅ ｂ ｃ ｅ ｒｌ ｅｗｏｋ ｔｅｃ ａａ ｔｒ ｔ ｓ ｓ ｒ ｃ ： ａｉ ｆ ｈ ｎ ｌｓｓ ｆｈ ｉｉ ｇａｇ ｒ ｈ ｏ ｈ ｔ ｔ ｒ ｉ ｄ ａ ｋｎ ｕ ａ ｔ ｒ ，ｈ ｈ ｒ ｃｅｉ ｉ ｎ ｓｃ
想 是 ，学 习过程 由信号 的正 向传 播与 误差 的反 向传
播学习算法，使得在神经网络领域的理论和应用研 究开始在世界范围内兴起 。人工神经网络是一种按 照人脑的组织和活动原理而构造 的一种数据驱动型 非线性映射模型，它可以处理那些难以用数学模型 描述的系统， 它具有并行处理 、 适应 自组织、 自 联想
播两个过程组成。 正向传播时， 输人样本从输入层传 人， 经隐含层逐层处理后传向输出层。 若输出层的实 际输出与期望输 出（ 教师信号） 不符， 则转 向误差 的 反 向传播阶段。误差的反向传播是将输出误差 以某 种形式通过隐含层 向输入层逐层反传，并将误差分
雷达反演海洋波高的算法改进研究
雷达反演海洋波高的算法改进研究海洋波高是指海浪垂直于海平面的高度，在海洋环境中是非常重要的参数之一。
它与海流、气象、海浪等因素密不可分。
目前，测量海洋波高这一参数的方法有很多种，其中一种比较流行的方法就是使用雷达技术。
雷达反演海洋波高的算法一直是研究的热点和难点。
本文将介绍雷达反演海洋波高的算法改进研究。
一、雷达反演海洋波高的基本原理雷达反演海洋波高的原理是利用雷达波从海面发射出去，被海面反射回来，并形成回波。
这个回波的波形和图像能够反映海浪的高度和形态。
这时，我们只要用反射回来的电磁波信号的相位差或者功率来计算海浪的高度。
这个过程就是雷达反演海洋波高的基本原理。
二、雷达反演海洋波高的算法问题然而，雷达反演海洋波高算法的实现并不简单。
当海洋波高增加时，反射回来的信号也会增强，但同时也会受到其他干扰因素的影响。
比如，波浪的形态、风、浓雾、海雾等都会影响到回波信号的形态。
这些因素都会使得海洋波高的反演难以准确地实现。
因此，我们需要更加精密和灵敏的算法来反演海洋波高，以弥补反演算法的不足之处。
三、雷达反演海洋波高的算法改进为了改进雷达反演海洋波高的算法，我们可以从以下几个方面入手：1、加入多频数据源传统的雷达只能使用单频信号，但是我们可以同时使用多源数据来提高反演的精度。
多频数据可以提供更多的信息，使得反演的结果更加准确。
此外，多频数据源还可以提高信号的可靠性，减少噪声和误差的影响。
2、考虑反射面的旋转效应反射面的旋转效应是指海面在浪动的过程中，反射面随着时间和空间的变化而不断旋转。
这种效应会使得回波信号发生相位翻转，从而影响到反演的精度。
因此，我们需要在算法中考虑反射面的旋转效应，并进行补偿。
3、考虑波浪的非线性效应波浪的非线性效应是指海洋波高变化过程中，波形会产生分裂、合并、相交等我们肉眼无法看见的特殊形态。
这种非线性效应对反演算法的精度也会产生影响。
因此，我们需要在算法中考虑波浪的非线性效应，并对波形进行适当的处理。
BP神经网络的滤波算法改进
BP神经网络的滤波算法改进BP神经网络的滤波算法改进滤波是信号处理中常用的技术，用于去除噪声或不需要的频率成分。
BP神经网络作为一种强大的模型，可以用于滤波任务。
在本文中，我将介绍如何使用BP神经网络进行滤波，并提出一种改进的算法。
步骤1：收集和准备数据首先，我们需要收集一些包含噪声的信号数据，并根据需要附上相应的目标输出。
这些数据可以是实际采集的传感器数据，例如音频、图像或其他类型的信号。
接下来，我们需要对数据进行预处理，包括归一化、去噪和划分训练集与测试集等。
步骤2：构建BP神经网络接下来，我们需要构建一个BP神经网络来进行滤波任务。
BP神经网络是一种有监督学习算法，它由输入层、隐藏层和输出层组成。
输入层接收预处理后的信号数据，输出层生成滤波后的信号预测，而隐藏层则起到中间处理的作用。
步骤3：设置BP神经网络的参数在构建BP神经网络之前，我们需要设置一些关键参数，包括隐藏层数、每个隐藏层的神经元数量和学习率等。
这些参数的选择对网络性能至关重要，需要进行实验和调整。
步骤4：训练BP神经网络一旦网络参数设置完毕，我们就可以开始训练BP神经网络了。
训练过程通常使用梯度下降法来最小化网络的误差。
对于滤波任务，误差可以使用均方根误差（RMSE）或其他适当的度量方式来衡量。
步骤5：验证网络性能训练完成后，我们需要验证网络的性能。
这可以通过使用测试集数据进行预测并计算误差来完成。
如果网络的预测结果与目标输出相比较接近，那么我们可以认为网络的滤波效果是良好的。
步骤6：优化BP神经网络如果网络的性能不如预期，我们可以考虑优化BP神经网络。
一种改进的方法是引入正则化技术，如L1或L2正则化，以减少过拟合的发生。
另一种方法是调整网络的结构和参数，例如增加隐藏层数或调整学习率。
步骤7：应用滤波算法一旦网络已经优化并通过验证，我们就可以将其应用于实际的滤波任务中了。
通过将新的输入信号传入网络，我们可以得到滤波后的输出结果，从而去除噪声或其他不需要的频率成分。
BP神经网络算法的改进及其应用
Ｂ Ｐ神经 网络 是 人 工 神 经 网 络 的 重 要 模 型 之 一 ，已 在模 式识 别 、智能 控制 、预测 、图象 识 别 等 领域 得 到 广
ｂ ｓ ｄ ｏ ｈ ｒ ｃｐ ｅ ｏ ＮＮ．Ｔ ｅ ｄ ｆ ｉｎ ｉ ｓｉ ｃｕ ｉｇ ｌ ｎ ｏ ｖ ｒ ｅ ｃ ｉ ｎ ｈ ｒ ｅ ｌａ ｎ ｎ ａｅ ｗ ｌ ｍａ ｅ ｔ ｅ Ｂ ＮＮ Ｏ — ａ ｅ ｎ ｔ ｅｐ ｎ ｉ ｌ ｆＢＰ ｉ ｈ ｅ ｃｅ ｃ ｅ ｎ ｌ ｄｎ ｏ ｇ ｃ ｎ ｅ ｇ ｎ ｅ ｔ ｉ ｍｅ ａ ｄ ｔ ｅ ｌ ｇ ｒ ｉ ｇ ｒ ｔ ｉ ｋ Ｐ Ｓ ａ ｅ ｌ ｈ ｃｌ ｔ ｇ ｉ ａｉ ．Ｔ ｉ ａ ｅ ｒ ｓ ｎ ｅ ｈ ｍｐ ｏ ｅ Ｎ ｔ ａ ｏ ｎ ｙｃ ｎ ｓ ｏ ｅ ｏ ｖ ｒｅ ｃ ｉ ｕ ｓ ａ ｖ ｒ ｏ ｅ ｏ ｃｌ ｔ ｇｔ ｌ ｎ ｈ ｓｐ ｐ ｒｐ ｅ ｅ ｔ ｄ ｔ ｅ ｉ ｒ ｖ ｄ ＢＰ Ｎ ｈ ｔ ｔｏ ｌ ａ ｈ ａ ｎ ｃ ｎ ｅｇ ｎ ｅｔ ｎ ｍｅｂ ｔ ｏ ｃ ｎ ｏ ｅ ｃ ｍｅｔ ｓ ｉ ａｉ ｏ ｌ ａ ｈ ｌ ｎ
泛应 用 。但 是 ，Ｂ Ｐ神 经 网络 存 在 收 敛 速 度 慢 、容 易 陷
入局 部 最 小 、接 近 最 优 时 易 出 现 波 动 和振 荡 现 象 等 缺 点 Ｌ 。基于 Ｂ ｌ Ｊ Ｐ算 法 中存 在 的 问题 ，通 过对 其 基 本 原 理 的深入分 析与研 究 ，找 出了存 在 这些 问题 的原 因 。在 ． 此基础 上 ，提 出 了一 种 改 进 Ｂ Ｐ算法 ，新 的 算 法 克 服 了 标准 Ｂ Ｐ算法 中 的某 些不 足 。
近岸海洋波浪模拟的研究
（ ｃ ｖ声 ｃ ￣ ）＋ｋ Ｃ ＝ ０ ２（ （） １
其中
声 （
）＝ 声 ｚ， ， （ Ｙ
（） ２
声ｚＹ ， 是波 （，， ｔ 动势函 （ 频率，为 ） 数， 为圆 １ ９ ｋ 波数， Ｃ＝詈为 波速， ＝万 为群速。 和ｋ ｄ Ｏ ３ ∞ 满足弥 关系 散
维普资讯
第２ ７卷第 １ 期
２０ ０ ７年 ２月
苏
州
大
学
学
报（ 工
科
版பைடு நூலகம்
Ｖ０． ７ Ｎｏ． １２ １ Ｆｅ ２ ０ ｂ． ０ ７
Ｊ Ｉ Ａ Ｆｓ） ＨＤ Ｕ Ｉ Ｅ Ｓ ｏＵ Ｌ Ｏ （ （ ｗ Ｎ Ｖ Ｒ ｎＹ（ Ｎ Ｄ Ｅ Ｇ
径向基函数中图分类号tp31文献标识码海浪是一种属于狭带谱的平稳随机过程海浪的研究对航海海洋资源的利用海洋灾难的预防具有十分重要的意义20世纪40年代始许多学者对海浪的生成耗散传播等的物理机制和物理过程从理论上进行了大量深入广泛的研究这些成果主要集中在海浪谱的研究海浪的仿真但在较大的实验环境中模拟海浪对人类生活和环境的影响研究较少本文介绍了在一个较大的实验场景中模拟近海海浪过程根据用户给出的海浪数值模型tc谱公式针对造波硬件装置设计了基于径向基函数神经网络的控制器避免了复杂的机理模型解决推浪板的运动速度和水下深度与模拟海浪的有效波高和风速的非线性关系为用户研究海浪提供了一个方便实用的实验平台试验场是长125m水池里的对象如海浪海岸砂石平台钻塔等全部根据实景和实物按比例缩小所示
１ 海浪模拟 的数值模 型
试 验 场 是 长 １５ 宽 ８ ｍ， ６ 的水 ２ ｍ， ０ 深 ｍ
池， 水池里 的对象 ， 如海浪、 海岸 、 砂石、 台 平 （ 钻塔 ） 等全部根据 实景 和实物按 比例缩小 ，
基于海浪谱的海浪模拟的改进
基于海浪谱的海浪模拟的改进
郑茂琦;马春翔;王志波;高峰
【期刊名称】《系统仿真学报》
【年(卷),期】2014(26)2
【摘要】针对经典海浪模拟方法中波浪的波峰波谷变化过于突兀的问题,对海浪谱函数进行了研究,得出经典模拟方法未考虑海浪形成的时间历程对于浪形的影响是导致浪的波峰波谷变化过于突兀的主要原因;基于随机振动相关函数理论提出对经典海浪模拟改进的数学模型,改进的数学模型能够表征海浪形成的时间历程对于海浪的影响;通过数值模拟得到的三维海浪模拟图验证了改进模型的正确性,解决了目前海浪模拟波峰波谷变化过于突兀的问题。
为后续海上工程中能够更精确地分析海浪对浮体的作用奠定了基础。
【总页数】7页(P369-375)
【作者】郑茂琦;马春翔;王志波;高峰
【作者单位】上海交通大学机械系统与振动国家重点实验室
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于海浪谱的海浪数值模拟及其仿真验证
2.基于改进分形海浪谱的海浪模拟
3.基于海浪谱的3D海浪模拟
4.基于海浪谱的海浪随机粗糙面模拟
5.基于Gerstner函数和JONSWAP海浪谱的海浪仿真
因版权原因，仅展示原文概要，查看原文内容请购买。
神经网络BP算法的改进与拓展
神经网络BP算法的改进与拓展神经网络是一种模仿人类神经系统的人工智能技术。
它由若干个神经元组成，每个神经元都有输入和输出，通过对输入的处理得出一个输出。
在神经网络的学习过程中，神经元之间的连接会不断地调整权值，以达到一个最优的结果。
而BP算法则是神经网络中最常用的一种学习算法，它通过反向传播误差，不断地调整权值来达到更优的结果。
然而，BP算法也存在一些问题，如梯度消失、收敛速度慢等，因此有必要对其进行改进和拓展。
一、BP算法的基本原理BP算法是基于梯度下降法的一种反向传播学习算法，它通过计算误差来不断地调整权值，以减小误差。
其中，误差可以用均方差来计算，即：其中，y表示神经网络的输出，t表示样本的正确输出。
通过误差的计算，可以得到误差的梯度，即：其中，w表示权值，α表示学习率。
通过梯度的计算，可以不断地调整权值，以减小误差。
二、BP算法存在的问题1.梯度消失在神经网络中，梯度的计算需要通过链式法则不断地进行乘法，这就导致了梯度的大小会不断地缩小，最后会趋近于0。
这种现象被称为梯度消失，它会使得神经网络的训练变得非常困难甚至无法训练。
2.收敛速度慢BP算法的训练需要不断地计算误差和梯度，并且每次训练只能更新一个样本，导致训练的速度非常慢。
三、BP算法的改进为了解决BP算法存在的问题，研究人员提出了很多改进方法，其中一些方法被广泛应用到神经网络中。
1.改进的激活函数激活函数是神经元中很重要的一部分，它可以将输入的信号转化为输出信号。
在BP算法中，激活函数的选择对收敛速度和精度影响非常大。
因此，研究人员提出了很多新的激活函数，如ReLU、Leaky ReLU、ELU等，它们可以有效地解决梯度消失的问题，并且提高了神经网络的收敛速度和精度。
2.正则化方法正则化方法可以帮助减少过拟合的发生，从而提高了神经网络的泛化能力。
- 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)。
对选定观测站点的历史海 浪资料进行时间序列 的 外 推 ，预 报 未 来 的海 浪状 况 。如 根 据 观 测 资料 建
立 风 与 海 浪 波 高 之 间 的线 性 回归 方 程 进行 海 浪 预
报 的方 法 和 神 经 网 络方 法 等 。 由于 神 经 网 络技 术 可 以模 拟 系 统 的复 杂 的非 线 性 数 学 行 为 而不 需 要 事 先 了解 系 统 内部 各 元 素 的相互 关 系 ，因此 被 大 量 应 用 于 大 气 、海 洋 、遥 感 、海 岸 和环 境 工 程 等
为 代 表 的第 三代 海 浪 模 式 被 广泛 的用 于海 浪 模 拟 和 预 报 。海 浪数 值 预 报 模 式 建 立在 明确 的物 理 过
Ｎ ｋ ） Ｆｋ ／。这样 ，波浪的传播方程就可以 （， － （， ａ
收稿 日期 ：２ ０ — ２ １ ０９０—３ 作者简介 ：孟 雷 （９ ０ ） １８ 一 ，男 ，工程师 ，从事海洋水文预报和海洋遥感研究 。Ｅ ｍａ ：Ｍｅｇｅ ＠１３ｔｍ — ｉ ｌ ｎ ｌｉ ｍ１ ６ ． ｏ
的描 述 海 浪 的产 生 、消亡 的过 程 及 非 线性 相 互 作 用 。但 是 ，鉴 于海 浪 生 成 、传 播 及 相 互作 用 物 理
ｌ 引 言
海 浪通 常是 指 风 作 用 下 形 成 的风 浪 和 风 浪传
播 所 导致 的涌 浪 。 由于 风 场本 身 具 有 的随 机 性 和 非 线 性 ，加 之 风 浪 生 成 后 与 风 场 之 间 的 相 互 作 用 ，使 得 风 浪 的模 拟 和预 报 更 为 复 杂 。准 确 的风
切需 要发新 发 展 的较 有 潜 力 的 海 浪模 拟 和 预报 技 术 ” 。本 文 的特 点在 于 ，直 接
验预 报和 数值 模式 预 报 两种 。经 验预 报 主要 通过
在第 三代 海 浪模 式 输 出 的有 效 波 高 和东 北 太 平 洋 浮标 实 测 资料 之 间建 立 神 经 网络模 式 算 法 ，并 增 加风 场作 为神 经 网络 的输 入项 。
第２卷 第２ ７ 期
２ １年 ４ ００ 月
海
洋
预
报
、ｏ ．７． ． ，１ ２ Ｎｏ２ Ａｐ ．０ ０ ｒ １ ２
Ｍ ＡＲＩ ＮＥ Ｆ０ＲＥＣＡＳＴＳ
神经 网络方法对海浪有效 波高数值模 拟的改进
孟 雷，闻 斌 ，姜 洪峰 ，范海燕
（ 中国人 民解放军６ ４ 部队 ， １ １ ７ 北京 １ ０ ８ ） ００ １
结合 数值模 式 能够较好 地提 高有 效波 高 的模 拟精度 。 关 键词 ： 浪模 拟 ；有 效波 高 ；神经 网络 ；ＷＡ Ｅ Ｔ Ｈ ｍ模 式 海 Ｖ ＷＡ Ｃ 中 图分类 号 ：７ １文献标 识 码 ： Ｐ３ Ａ 文章 编号 ：０ ３０ ３ （００ ０ ．０ ８０ １０—２９ ２ １ ）２０ ０．７ 程 之 上 ，通 过 积分 能量 平 衡 方 程 ，可 以 比较 清 晰
速 ，本 文 将 建 立 两 种 单 参 数 神 经 网 络模 型 。第 一 种 神 经 网络模 型 有 １ 输 入层 ，１ 隐含 层 ， １ 个 个 个 输 出 层 。输 入 层 中有 １ 节 点 ，对 应 的输 入 项 为 个
代 表 与 海浪 谱 有关 的源 和 汇 的 总和 。在球 坐 标 下方 程（） １的欧 拉形 式 的平衡 方 程可 写为 。：
浪模 拟 和预 报 对 海 洋 和海 岸 工 程 及 海 洋 资 源 开发 具 有重 要 意 义 。传 统 的海 浪 的预 报 方 法 主 要 有经
机 制 的复 杂 性 和不 确 定 性 ，海 浪 数 值 预报 模 式 还
需 要 进 一 步 改进 ，新 的海 浪 模 拟 和 预报 技 术 也 迫
２ 期
孟雷等 ： 神经 网络方法对海浪有效波 高数值模 拟的改进
９
表示为：
ＤＮ
— —
３ 神经 网络模 型
： 一
Ｓ
ｆ） １
、
Ｄｔ
根 据 输 出参 数 和 使 用 网络 的个 数 ，神 经 网 络 （ Ｎ 可 以分 为 单参 数神 经 网络 （Ａ Ｎ） Ａ Ｎ） Ｓ Ｎ 、多参 数 神 经 网络 （ ＭＡＮ Ｎ）和 复 合 多 参 数 神 经 网 络 （ ＭＡＮＮ） 。依 据 神 经 网 络输 入 项 中是 否包 含 风 ｃ
应 用 。结合 历 史 和 当前 观测 的风速 和海 浪 波高 等 ］ 资 料 ，使用 神经 网络 方 法 模 拟 海 浪波 高和 周 期 等
要素 ，已被证 明是一种有效的海浪模拟和预报的 经 验 方法 。数值 模 式 预 报 是 海 浪 预报 的重 要 发
展 方 向 ， 以 ＷＡ ，Ｓ Ｎ和 ＷＡ ＷＡ Ｃ Ｉ 等 Ｍ ＷＡ ＶＥ Ｔ Ｈ ｌ ｌ
２ 海 浪模 式
本文使用第三代海浪数值模式 ＷＡ Ｅ Ｔ Ｈ ｌ Ｖ ＷＡ Ｃ Ｉ ｌ 的有 效 波 高 模 拟 输 出 值 作 为神 经 网络 模 型 的 输入 项 。该 海 浪 模 式 直 接 计 算 波 波 非 线 性 相 互 作 用 ， 不 对 谱 形 预 加 任 何 约 束 ，而且 能够 处 理 风 速 、风 向 的骤 然 变 化 ，主 要 用 于 大尺 度 空 问波 浪传 播过 程 。模 式 选 择波 数ｋ 方 向 为基本 的参 数组 成谱 和 函数 Ｆ ， ，采 用 频 率 和 方 向谱 作 为 基 本 输 出 。 ） 模 式 的控 制 方 程 中使 用 了 波 作 用 量 密 度 谱 ， 即
摘 要： 结合东北太平洋浮标资料，使用神经网络模型对ＷＡ Ｅ Ａ Ｃ 海浪模式模拟的有效波 Ｖ Ｗ Ｔ Ｈｌ ｌ Ｉ
高进行训练模拟，并与增加风场作为输入项 的神经网络模 型作 了对 比分析。通过分析浮标观测 资料 、ＷＡ ＷＡ Ｃ Ⅲ 数值模 式和 神 经 网络 模 拟 的海 浪有 效 波高 大小 ，可 以看 出使用 神经 网络 ＶＥ Ｔ Ｈ