基于改进RBF网络的潮汐预报系统的设计与实现

摘要

潮汐是海洋环境中最重要的组成部分之一。潮汐预测在海上交通、港口建设和潮汐能利用等领域都具有重要意义，随着航运业的不断发展，以及对航行安全和航运效率的要求，对潮汐数值预测的精度也提出了更高的要求。
　　目前，利用调和常数计算潮汐分潮是潮汐预测的主要方法。也有一些人利用潮汐的历史数据采用非线性的数学预测手段对潮汐进行预测，例如混沌理论、神经网络、支持向量机等。传统分析方法进行潮汐预测时，由于仅考虑了潮汐天文潮部分的影响，导致其在复杂环境因素影响下的海区预测精度明显下降。将神经网络应用于潮汐预报领域是近年来出现的一种新的研究方向。径向基(RBF)神经网络在模式识别和系统预测领域应用广泛，本文将RBF神经网络用于潮汐预测，并对结果进行了探讨。同时，传统的RBF神经网络缺少必要的推理过程和依据，部分参数需要依据具体问题来进行确定，针对以上问题本文运用粒子群(PSO)优化算法优化了RBF神经网络的权值、径向基函数的中心和宽度值，建立了PSO-RBF神经网络直接进行潮汐预测的模型。该模型基于实测潮汐数据进行实时的潮汐预测，并与其它常用的优化算法进行了比较，结果体现了较高的预测精度。本文的具体内容和结论如下:
　　1.建立了利用粒子群优化的RBF神经网络预测潮汐的模型，利用影响潮汐的最重要的两个天体（太阳和月球）的十个参数对潮汐进行预测;
　　2.搭建了潮汐预报与显示系统，利用系统对潮汐进行实时的预测和查看;
　　3.选取某港口三个月整点监测的潮汐数据作为历史数据进行分析和预测，预测出了未来一个月内的整点潮汐值，经检验结果较为准确。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景

1．2 课题研究的意义

1．3 论文的主要工作

1．4 论文的组织与安排

第2章 常用潮汐预测方法综述

2．1 潮汐调和分析

2．1．1 潮汐调和分析方法研究现状

2．1．2 潮汐调和分析原理和计算

2．1．3 调和分析的局限性

2．2 BP神经网络预测方法

2．2．1 BP神经网络在潮汐预测中的研究现状

2．2．2 BP神经网络的模型和结构

2．2．3 BP神经网络预测算法的局限性

2．3 本章小结

第3章 RBF神经网络预测算法

3．1 RBF神经网络介绍

3．1．1 RBF神经网络算法简介

3．1．2 RBF神经网络的结构

3．1．3 RBF神经网络的特点

3．2 RBF神经网络相对BP神经网络的优势

3．3 RBF神经网络预测模型建立

3．4 本章小结

第4章 粒子群优化的RBF神经网络

4．1 RBF神经网络所面临的问题

4．2 粒子群优化算法简介

4．3 粒子群算法描述

4．4 粒子群优化RBF网络

4．5 算法设计与仿真对比

4．6 本章小结

第5章 潮汐预测系统的设计与实现

5．1 系统需求分析

5．2 系统总体设计

5．3 系统可行性分析

5．4 系统模块设计与实现

5．4．1 登录模块设计与实现

5．4．2 潮汐预测模块设计与实现

5．4．3 参数查询模块设计与实现

5．4．4 留言板以及新闻模块设计与实现

5．5 数据库模块设计与实现

5．6 本章小结

第6章 结论与展望

6．1 结论

6．2 展望

参考文献

致谢

作者简介