1.一种基于神经网络模型的海域波浪数据推演方法,其特征在于,包括:
获取目标海域对应的第一波浪图像及历史波浪数据,并通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像;
对所述历史波浪数据进行数据转换,构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据;
通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,以使结合所述模型参数及预设的模型公式构建所述周期性预测模型;
通过所述周期性预测模型提取所述周期性数据对应的周期性特征,并将所述周期性特征与所述第一历史波浪时序数据进行数据拟合,输出第二历史波浪时序数据;
对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列;
将所述子序列及所述第二波浪图像输入至预训练的双通道神经网络模型,根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的推演,输出所述目标海域在所述预测周期内的波浪数据;
其中,所述根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的推演,包括:通过预设在所述双通道神经网络模型中的第一通道提取所述第二波浪图像对应的形态学特征及深度特征,并融合所述形态学特征及所述深度特征生成所述第二波浪图像对应的波浪特征;根据所述波浪特征,通过预设在所述第一通道中的决策树对所述波浪特征进行波高预测,获得第一波高预测值;根据预设在所述双通道神经网络模型中的第二通道对所述子序列进行波高预测,获得所述子序列对应的第二波高预测值;根据预设在所述双通道神经网络模型中的全连接层对所述第一波高预测值和所述第二波高预测值进行重构,输出所述目标海域在所述预测周期内的波浪高度。
2.根据权利要求1所述的一种基于神经网络模型的海域波浪数据推演方法,其特征在于,所述通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像,包括:根据预设的中值滤波对所述第一波浪图像进行去噪处理,获得初始第二波浪图像;
通过预设的最大类间方差算法计算所述初始第二波浪图像的阈值;
计算所述初始第二波浪图像中每一个像素点的灰度值,并将所述灰度值与所述阈值进行比较;
当所述灰度值大于所述阈值时,判定当前的灰度值对应的像素点所在的区域为太阳耀光背景;
对所述太阳耀光背景下的像素点进行灰度值补偿,获得所述第二波浪图像。
3.根据权利要求1所述的一种基于神经网络模型的海域波浪数据推演方法,其特征在于,所述构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据,包括:根据时间戳对所述历史波浪数据依次进行读取,获得按时间顺序进行排列的历史波浪数据;
根据所述时间顺序依次将所述历史波浪数据中的每一个波浪数据转换为时间序列数据,构建所述历史波浪数据对应的第一历史波浪时序数据;
通过预设的时间序列分解算法对所述第一历史波浪时序数据进行时间序列的分解,获得所述第一历史波浪时序数据对应的周期性数据;其中,所述周期性数据包括趋势数据和周期数据。
4.根据权利要求1所述的一种基于神经网络模型的海域波浪数据推演方法,其特征在于,所述通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,包括:对所述第一历史波浪时序数据进行数据平稳化处理,去除所述第一历史波浪时序数据的趋势成分和季节性成分,获得待构建的周期性预测模型的差分值;
根据所述第一历史波浪时序数据,通过预设的自相关函数和偏自相关函数获得所述待构建的周期性预测模型的模型参数;其中,所述模型参数包括自回归项的阶数,差分阶数,移动平均项的阶数,季节性自回归项的阶数,季节性差分阶数,季节性移动平均项的阶数及季节周期。
5.根据权利要求1所述的一种基于神经网络模型的海域波浪数据推演方法,其特征在于,所述对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列,包括:根据预设的模态分解算法及迭代次数对所述第二历史波浪时序数据进行模态分解,获得若干个第一模态分量及若干个第一剩余信号分量;
在每一次模态分解中,通过在所述第二历史波浪时序数据中添加若干次白噪声,获得预处理时序数据;
在所述每一次模态分解中,通过预设的EMD对所述预处理时序数据进行若干次分解,获得第一剩余信号分量及若干个初始模态分量,并对所述若干个初始模态分量进行均值求解,获得第一模态分量;其中,所述子序列包括所述第一剩余信号分量及所述第一模态分量。
6.一种基于神经网络模型的海域波浪数据推演系统,其特征在于,包括数据采集模块、数据转换模块、模型构建模块、数据拟合模块、模态分解模块及波浪推演模块;
所述数据采集模块用于获取目标海域对应的第一波浪图像及历史波浪数据,并通过预设的光斑分离算法去除所述第一波浪图像中的太阳耀光背景,生成第二波浪图像;
所述数据转换模块用于对所述历史波浪数据进行数据转换,构建所述历史波浪数据对应的第一历史波浪时序数据,并对所述第一历史波浪时序数据进行时序分解,获得所述第一历史波浪时序数据对应的周期性数据;
所述模型构建模块用于通过预设的相关性计算函数对所述第一历史波浪时序数据进行时序分析,确定待构建的周期性预测模型的模型参数,以使结合所述模型参数及预设的模型公式构建所述周期性预测模型;
所述数据拟合模块用于通过所述周期性预测模型提取所述周期性数据对应的周期性特征,并将所述周期性特征与所述第一历史波浪时序数据进行数据拟合,输出第二历史波浪时序数据;
所述模态分解模块用于对所述第二历史波浪时序数据进行模态分解,获得所述第二历史波浪时序数据对应的子序列;
所述波浪推演模块用于将所述子序列及所述第二波浪图像输入至预训练的双通道神经网络模型,根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的推演,输出所述目标海域在所述预测周期内的波浪数据;
其中,所述根据预设在所述双通道神经网络模型中的预测周期进行波浪数据的推演,包括:通过预设在所述双通道神经网络模型中的第一通道提取所述第二波浪图像对应的形态学特征及深度特征,并融合所述形态学特征及所述深度特征生成所述第二波浪图像对应的波浪特征;根据所述波浪特征,通过预设在所述第一通道中的决策树对所述波浪特征进行波高预测,获得第一波高预测值;根据预设在所述双通道神经网络模型中的第二通道对所述子序列进行波高预测,获得所述子序列对应的第二波高预测值;根据预设在所述双通道神经网络模型中的全连接层对所述第一波高预测值和所述第二波高预测值进行重构,输出所述目标海域在所述预测周期内的波浪高度。
7.根据权利要求6所述的一种基于神经网络模型的海域波浪数据推演系统,其特征在于,所述数据采集模块包括图像去噪单元及图像补偿单元;
所述图像去噪单元用于根据预设的中值滤波对所述第一波浪图像进行去噪处理,获得初始第二波浪图像;
所述图像补偿单元用于通过预设的最大类间方差算法计算所述初始第二波浪图像的阈值;计算所述初始第二波浪图像中每一个像素点的灰度值,并将所述灰度值与所述阈值进行比较;当所述灰度值大于所述阈值时,判定当前的灰度值对应的像素点所在的区域为太阳耀光背景;对所述太阳耀光背景下的像素点进行灰度值补偿,获得所述第二波浪图像。
8.根据权利要求6所述的一种基于神经网络模型的海域波浪数据推演系统,其特征在于,所述数据转换模块包括时序转换单元及时序分解单元;
所述时序转换单元用于根据时间戳对所述历史波浪数据依次进行读取,获得按时间顺序进行排列的历史波浪数据;根据所述时间顺序依次将所述历史波浪数据中的每一个波浪数据转换为时间序列数据,构建所述历史波浪数据对应的第一历史波浪时序数据;
所述时序分解单元用于通过预设的时间序列分解算法对所述第一历史波浪时序数据进行时间序列的分解,获得所述第一历史波浪时序数据对应的周期性数据;其中,所述周期性数据包括趋势数据和周期数据。
9.根据权利要求6所述的一种基于神经网络模型的海域波浪数据推演系统,其特征在于,所述模型构建模块包括数据处理单元及相关性计算单元;
所述数据处理单元用于对所述第一历史波浪时序数据进行数据平稳化处理,去除所述第一历史波浪时序数据的趋势成分和季节性成分,获得待构建的周期性预测模型的差分值;
所述相关性计算单元用于根据所述第一历史波浪时序数据,通过预设的自相关函数和偏自相关函数获得所述待构建的周期性预测模型的模型参数;其中,所述模型参数包括自回归项的阶数,差分阶数,移动平均项的阶数,季节性自回归项的阶数,季节性差分阶数,季节性移动平均项的阶数及季节周期。