發(fā)布時(shí)間：2018-07-10 06:02

  本文選題：潮汐分析 + 調(diào)和分析　； 參考：《上海海洋大學(xué)》2016年碩士論文

【摘要】：潮汐的調(diào)和分析方法是潮汐分析預(yù)測(cè)的最主要方法之一,其根據(jù)最小二乘法原理求出各分潮的調(diào)和常數(shù),最后疊加到一起成為實(shí)測(cè)潮汐表達(dá)式。隨著計(jì)算機(jī)的出現(xiàn)和計(jì)算性能的提高,調(diào)和分析方法的理論研究已經(jīng)非常成熟,但針對(duì)實(shí)際問(wèn)題,依然存在很多問(wèn)題:在沿海存在淺水口岸地區(qū),由于淺水分潮的存在,潮汐分析和預(yù)報(bào)仍然不精確;當(dāng)出現(xiàn)極端天氣狀況時(shí),風(fēng)暴潮和天文潮的非線性耦合導(dǎo)致天文潮分潮的調(diào)和常數(shù)計(jì)算錯(cuò)誤,如何有效的剔除風(fēng)暴潮成分亟需解決;對(duì)于潮汐調(diào)和分析,要想計(jì)算出準(zhǔn)確的調(diào)和常數(shù),至少需要搜集18.6年的潮汐數(shù)據(jù),對(duì)于很多偏遠(yuǎn)欠發(fā)達(dá)的沿海地區(qū),尚未收集到這樣的長(zhǎng)時(shí)間的觀測(cè)數(shù)據(jù)。為了解決上述調(diào)和分析中存在的問(wèn)題,本文將非負(fù)矩陣分解思想引入到潮汐的分析和預(yù)測(cè)中。以計(jì)算思維為基礎(chǔ),選擇基于智能計(jì)算的方法,將不同頻率(能量)海面波動(dòng)必有產(chǎn)生此波動(dòng)的作用力相對(duì)應(yīng)作為理論基礎(chǔ),依據(jù)相對(duì)有限的觀測(cè)數(shù)據(jù),對(duì)海洋環(huán)境要素的觀測(cè)資料進(jìn)行研究分析,根據(jù)各個(gè)要素隨時(shí)空變化呈現(xiàn)出的不同特征,研究海洋環(huán)境要素的變化規(guī)律,進(jìn)而通過(guò)利用這些要素進(jìn)行建模來(lái)模擬、預(yù)測(cè)整個(gè)海洋環(huán)境的狀況,為其它海洋運(yùn)動(dòng)規(guī)律的研究提供一個(gè)可借鑒的新途徑。主要研究?jī)?nèi)容和結(jié)果如下:1、使用基于最小二乘的潮汐調(diào)和分析方法,處理中期水位觀測(cè)資料,按照中潮汐分析的基本流程,首先對(duì)潮位數(shù)據(jù)進(jìn)行降噪處理,去除特殊值點(diǎn),然后對(duì)潮汐數(shù)據(jù)進(jìn)行潮汐調(diào)和常數(shù)計(jì)算,最后通過(guò)計(jì)算的調(diào)和常數(shù)推算潮汐水位值和高低潮潮位值,并結(jié)合KM站的潮汐實(shí)測(cè)數(shù)據(jù)與計(jì)算潮位值比較分析誤差存在的原因。2、引入非負(fù)矩陣分解方法,非負(fù)矩陣分解不允許分解的矩陣中的元素出現(xiàn)負(fù)值,但是卻不要求分解的兩個(gè)矩陣的行列必須是標(biāo)準(zhǔn)正交的,這種非負(fù)限制抓住了智能數(shù)據(jù)描述的本質(zhì),非負(fù)性使得對(duì)某些數(shù)據(jù)的解釋更加合理,例如潮汐的天文潮分潮不可能出現(xiàn)負(fù)值,無(wú)法解釋。同時(shí)針對(duì)傳統(tǒng)基于乘性迭代方法非負(fù)矩陣分解(NMF)求解盲信號(hào)分離過(guò)程中出現(xiàn)的運(yùn)算量大、收斂速度慢等問(wèn)題,提出了一種基于投影梯度法的NMF分解的盲信號(hào)分離算法(PGNMFB)。該算法將最優(yōu)化問(wèn)題轉(zhuǎn)化為交替的最小二乘問(wèn)題,并在此基礎(chǔ)上增加了行列式約束使分解結(jié)果唯一以及稀疏性和最小相關(guān)性約束來(lái)提高信號(hào)分解的精度,利用投影梯度的迭代方法求解基于約束的NMF分解盲信號(hào)分離問(wèn)題。仿真實(shí)驗(yàn)結(jié)果表明該算法能夠很好的平衡重構(gòu)誤差,在維持源分離信號(hào)稀疏性的基礎(chǔ)上實(shí)現(xiàn)了混合信號(hào)的唯一分解,PGNMFB算法的收斂速度和分解時(shí)間更短比經(jīng)典N(xiāo)MF和NMFDSC等算法更快、更短;且分解出的源信號(hào)的信噪比(SNR)也高于經(jīng)典N(xiāo)MF算法和NMFDSC算法。3、將基于非監(jiān)督的非負(fù)矩陣分解方法應(yīng)用到潮汐分析和預(yù)測(cè)中,利用“混合像元分解”思想將潮汐信號(hào)分離,將觀測(cè)到的潮汐數(shù)據(jù)看成是天文潮分潮等成分元素的線性組合,并應(yīng)用強(qiáng)大的基于非監(jiān)督的混合像元分解算法來(lái)提取這些成分元素?cái)?shù)據(jù)以及各元素對(duì)應(yīng)的混合系數(shù)。這類分解方法是能夠立即從實(shí)際觀測(cè)數(shù)據(jù)中檢測(cè),分離,提取成分?jǐn)?shù)據(jù)元素,能夠?qū)⒊毕治龊皖A(yù)測(cè)提高到前所未有的性能水平。本文所提出的潮汐混合像元分解的方法,與傳統(tǒng)的調(diào)和分析有著根本性的區(qū)別。1)將觀測(cè)到的數(shù)據(jù)作為一個(gè)整體,因此不需要對(duì)不同類型的潮汐進(jìn)行不同的預(yù)處理;2)該分解方法是無(wú)監(jiān)督的,在這個(gè)意義上,它不需要先驗(yàn)知識(shí)的源標(biāo)簽。在正常的天氣條件下,源標(biāo)簽會(huì)很好地與調(diào)和分析中使用的七個(gè)最重要的天文分潮相匹配;3)與傳統(tǒng)的調(diào)和分析的最重要的區(qū)別在于該方法不需要長(zhǎng)期的實(shí)際觀測(cè)數(shù)據(jù)就能夠有助于在線潮汐預(yù)報(bào)。
[Abstract]:The harmonic analysis of tides is one of the most important methods for tidal analysis and prediction. According to the principle of the least square method, the harmonic constants of the various tides are calculated, and finally superimposed together to become the measured tidal expressions. With the emergence of the computer and the improvement of the calculation performance, the theoretical research of harmonic analysis method has been very mature, but it is aimed at the reality. There are still a lot of problems: in the coastal shallow water ports, the tidal analysis and prediction are still inaccurate due to the existence of shallow water. When extreme weather conditions occur, the nonlinear coupling of storm tide and astronomical tide leads to the calculation error of the harmonic constants of the astronomical tide tide, and how to effectively eliminate the storm tide components needs to be solved. For tidal harmonic analysis, in order to calculate accurate harmonic constants, at least 18.6 years of tidal data need to be collected. For many far less developed coastal areas, such long time observation data have not been collected. In order to solve the problems in the above harmonic analysis, this paper introduces the idea of nonnegative matrix decomposition to tidal points. In the analysis and prediction, based on the calculation thinking, the method based on intelligent calculation is chosen to make the force of the wave of different frequency (energy) sea surface fluctuate as the theoretical basis. According to the relatively limited observation data, the observation data of the marine environmental factors are studied and analyzed, according to the changes of each element with time and space. Different characteristics of the marine environment factors are studied, and then by using these elements to model the modeling to predict the condition of the whole marine environment and provide a new way for the study of other marine motion laws. The main contents and results are as follows: 1, using the least square based tidal harmonic analysis square In accordance with the basic flow of mid tide analysis, the method of processing the observation data of the middle stage water level is to de-noise the tidal data and remove the special value points, then calculate the tidal harmonic constants for the tidal data. Finally, the tidal water level and the high tide tide value are calculated by the calculated harmonic constants, and the tidal measured data of the KM station are combined with the tidal measured data. The reason for the analysis of the relative error of the comparative analysis of the tidal value is.2, and the non negative matrix decomposition method is introduced. The elements in the matrix that are not decomposed by the non negative matrix decomposition are negative, but the ranks of the two matrices that are not required to be decomposed must be standard orthogonal. This non negative restriction holds the essence of the intelligent data description. The interpretation of some data is more reasonable, for example, the tide tide tidal wave can not appear negative, and can not be explained. At the same time, a blind signal of NMF decomposition based on the projection gradient method is proposed for the problem that the traditional multiplicative iterative method based on the non negative matrix decomposition (NMF) solves the problem of large computation and slow convergence in the blind signal separation process. The algorithm (PGNMFB). The algorithm transforms the optimization problem into the alternate least squares problem, and on this basis, the determinant constraints are added to make the decomposition result unique, sparsity and minimal correlation constraints to improve the precision of signal decomposition. The iterative method of projection gradient is used to solve the constraint based NMF decomposition blind signal separation question. The simulation experiment results show that the algorithm can balance the reconstruction error well and realize the unique decomposition of the mixed signal on the basis of maintaining the sparsity of the source separation signal. The convergence speed and the shorter decomposition time of the PGNMFB algorithm are faster and shorter than the classical NMF and NMFDSC algorithms, and the signal to noise ratio (SNR) of the decomposed source signals is also higher than that of the classics. The canonical NMF algorithm and the NMFDSC algorithm.3 are applied to the tidal analysis and prediction based on the unsupervised non negative matrix decomposition method. The tidal signals are separated by the "mixed pixel decomposition" idea, and the observed tidal data are considered as the linear combination of the component elements such as the astronomical tide tide and so on, and the powerful unsupervised hybrid pixels are applied. The decomposition algorithm is used to extract the element data and the corresponding mixing coefficients. This kind of decomposition method is capable of detecting, separating and extracting component data elements from the actual observation data, which can improve the tidal analysis and prediction to the unprecedented level of performance. There is a fundamental difference between the traditional harmonic analysis (.1)) and the observed data as a whole, so it does not need to be pretreated for different types of tides; 2) the decomposition method is unsupervised, and in this sense it does not require a priori knowledge of the source label. In normal weather conditions, the source label will be well adjusted. The seven most important astronomical tides used in the analysis are matched; 3) the most important difference from the traditional harmonic analysis is that the method does not require long-term actual observation data to contribute to the online tidal forecast.
【學(xué)位授予單位】：上海海洋大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：P731;O151.21

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋金歌;楊景;陳平;佘玉梅;;一種非負(fù)矩陣分解的快速稀疏算法[J];云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

2 尹星云;;非負(fù)矩陣分解的基本原理和研究現(xiàn)狀分析[J];科技資訊;2011年35期

3 程明松;劉勺連;;一種實(shí)用快速非負(fù)矩陣分解算法[J];大連理工大學(xué)學(xué)報(bào);2013年01期

4 唐曉芬;陳莉;;最大相關(guān)熵非負(fù)矩陣分解在基因表達(dá)數(shù)據(jù)聚類中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年11期

5 曾文梅;;基于半監(jiān)督非負(fù)矩陣分解的人流量分析[J];哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào);2011年02期

6 孟佳音;劉丁酉;;基于分布估計(jì)算法的非負(fù)矩陣分解[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年03期

7 王雪明;王套;;非負(fù)矩陣分解的相關(guān)討論[J];湖南農(nóng)機(jī);2013年09期

8 曹勝玉;劉來(lái)福;;非負(fù)矩陣分解及其在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

9 李巧;孔薇;;改進(jìn)的非負(fù)矩陣分解在基因表達(dá)數(shù)據(jù)中的應(yīng)用[J];信息技術(shù);2010年12期

10 陳清華;陳六君;郭金忠;;二進(jìn)制約束下的NMF方法及其應(yīng)用[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

相關(guān)會(huì)議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語(yǔ)言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負(fù)矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負(fù)矩陣分解一稀疏表示分類的玻璃缺陷圖像識(shí)別[A];第24屆中國(guó)控制與決策會(huì)議論文集[C];2012年

8 錢(qián)樂(lè)樂(lè);高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語(yǔ)音與音樂(lè)分離算法[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前9條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

2 葉軍;基于正則化方法的非負(fù)矩陣分解算法及其應(yīng)用研究[D];南京理工大學(xué);2014年

3 陸玉武;圖像分類中流形回歸與非負(fù)矩陣分解研究[D];哈爾濱工業(yè)大學(xué);2015年

4 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

5 殷海青;圖像分析中的非負(fù)矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學(xué);2011年

6 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

7 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

8 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

9 劉昱昊;基于非負(fù)矩陣分解算法的人臉識(shí)別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

2 王一;凸與半非負(fù)矩陣分解的近點(diǎn)梯度方法研究[D];東北師范大學(xué);2015年

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

4 王丹;基于非負(fù)矩陣分解的腦電信號(hào)特征提取算法研究[D];燕山大學(xué);2015年

5 李敏;多圖正則化非負(fù)矩陣分解[D];遼寧師范大學(xué);2015年

6 高鈦;基于近似稀疏約束非負(fù)矩陣分解的高光譜圖像混合像元分解[D];江西科技師范大學(xué);2015年

7 張倩敏;非負(fù)矩陣分解算法及在語(yǔ)音轉(zhuǎn)換中的應(yīng)用[D];安徽大學(xué);2016年

8 沈鵬飛;基于社會(huì)網(wǎng)絡(luò)用戶差異度預(yù)測(cè)不信任關(guān)系[D];吉林大學(xué);2016年

9 吐?tīng)栠d江·托合提;面向腫瘤亞型識(shí)別的基因表達(dá)譜非負(fù)矩陣分解聚類方法研究[D];北京交通大學(xué);2016年

10 鄭燦梁;基于機(jī)械圖像的狀態(tài)自動(dòng)識(shí)別方法研究[D];西安工業(yè)大學(xué);2016年

，

本文編號(hào)：2112355