文献类型：期刊文章

作　　者：贺琪[1] 胡泽煜[1] 徐慧芳[1,2] 宋巍[1] 杜艳玲[1]

He Qi;Hu Zeyu;Xu Huifang;Song Weil;Du YanLin(College of Information Techmology,Shanghai Oeean University,Shurnghai 201306,Chrina;College of Information Tchnology.Shanghai Jian Qioo Unioersity.Shanghai 201306,China)

机构地区：[1]上海海洋大学信息学院,上海201306 [2]上海建桥学院信息技术学院,上海201306

出　　处：《激光与光电子学进展》

基　　金：上海市教育发展基金(AASH2004);上海市科委地方能力建设项目(20050501900);海洋大数据分析预报技术研发基金(2016YFC1401902)。

年　　份：2021

卷　　号：58

期　　号：24

起止页码：334-342

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：海表温度(SST)是平衡地表能量及衡量海水热量的重要指标,SST的高精度预测对全球气候、海洋环境及渔业具有重要意义。极端气候条件下,SST序列呈现明显的非平稳性,传统方法进行海表温度预测(SSTP)时难度大,且精度较低。基于经验模态分解(EMD)算法分解后的SST子序列非平稳性明显降低,且门控循环(GRU)神经网络作为一种常见的机器学习预测模型,参数较少、收敛速度更快,不易在训练过程中出现过拟合现象。结合EMD模型和GRU模型的优势,提出了一种基于EMD-GRU的SST预测模型。为验证所提模型预测效果,对5条不同长度的SST序列进行了多组对比实验。实验结果表明:与直接使用循环神经网络(RNN)、长短期记忆模型(LSTM)、门控循环神经网络(GRU)的模型相比,所提模型预测结果的多尺度复杂度更低;所提模型预测结果的均方差(MSE)和平均绝对误差(MAE)均有不同程度的降低。为验证数据序列长度对预测精度的影响,设计了补充实验。实验结果表明:预测长度越长精度效果越差;通过EMD算法对序列进行处理后,效果均得到了提升,且在预测长度变长的情况下,效果提升较为明显。

关 键 词：机器视觉 海表面温度序列  海表温度预测  经验模态分解算法  门控循环神经网络  

分 类 号：TP302.1]