基于卷積神經網絡的長江河口潮位站潮汐頻段特征信號快速捕捉方法

樊馮郡，嚴海勇

(1.浙江省錢塘江管理局勘測設計院，浙江 杭州 310009；2.景寧畬族自治縣水利局，浙江 景寧 323500)

0 引言

潮汐是一種受到地球自轉影響，在恒星以及天然衛星的作用下，形成的一種以海水等自然界水體為主的周期性變化現象。一般的潮汐僅僅只是一種常見的自然現象，但是某些地區的潮汐已形成自然災害。在強風暴的作用下，近海地區的海潮會超過警戒水位，摧毀防御措施，形成洪水泛濫的現象，這就是潮災。在東南沿海地區，臺風襲擊頻率較高，潮災也較為嚴重。一旦潮災來臨，不但會造成大額經濟損失，還會對當地居民的生命安全造成威脅[1]。為防范潮汐災害，在加固海堤的同時，還可以對沿海地區的潮汐頻段特征信號進行捕捉，以提前獲取災害信息，提醒人們及時防護。一旦災害范圍較大，人們可以提前到其他內陸地區避難，并轉移貴重財產，這樣就會大幅度降低損失。本文基于卷積神經網絡算法，以長江河口潮位站為例，設計了一種潮汐頻段特征信號快速捕捉方法。

1 基于卷積神經網絡算法的潮汐頻段信號特征提取

信號提取是一種較為抽象的提取方法，本文使用卷積神經網絡算法，對其進行特征信號進行提取。在神經網絡的神經元內，存在權重和偏量參數，由于其具備可重復性，每一個神經元都可以接收一部分數據，并快速運算，這樣就可以使得神經網絡的最后一層使用單個向量進行變換[2-3]。簡單的神經網絡由單一結構組成，其主要通過微函數將數據從第一層依次向下傳遞，直至進入最后一層位置。在這些網絡結構中，最核心的類型為3種，分別是卷積層、池化層和全連接層。在卷積層中，一般會存在一組可學習的濾波器，每一個濾波器的頻率都很小，但是其深度之間存在較大差別。在輸入體積寬度與高度之后，會生成一個二位的映射圖，用于空間位置的響應。圖像的神經元之間存在一個局部區域的連接結構，在這種不對稱下，空間連接在深度上始終是完整的。池化層則是一個會被定期插入到連續卷積層中的空間位置，在減少網絡參數與計算量的同時，會不斷環節擬合特征，并對池化層中的深度進行獨立調整。結合最大值運算等方式，向下操作，得到深度切片的濾波器。在全連接層中，所有網絡的神經元均會與上一層的神經元完成對接，并在反向傳播中實現參數的更新。由此，可以構建潮汐頻段的三角函數：

(1)

式中，h(t)—潮汐分量的累加函數；Wm、Qm—待估算的第m個潮汐群落；Pm、Km—波群理論下的潮汐觀測值[4]。通過上述構建的三角函數，可以得到其最優頻段估計，并以此計算潮汐頻段。通過該方法，可以使用線性表達式獲取漂移函數：

fn=2fn-1-fn-2+hn

(2)

式中，fn—儀器的漂移值；fn-1、fn-2—相鄰多項式內的漂移表達式；hn—白噪聲序列參數。通過上述公式，對其進行特征提取，可以得到觀測序列：

(3)

式中，h0—任意可選擇的潮汐觀測分量；hi—第i個潮汐分量[5]。

2 設計潮汐頻段特征信號快速捕捉算法

綜合上文中對潮汐頻段的信號特征提取方法，可以設計一種潮汐特征信號的快速捕捉算法，算法流程如圖1所示。

圖1 算法流程

由圖1可知，首先需要初始化參數，計算前向傳播系數。前向傳播是一種計算每一層狀態與激活值的方法，結合網絡參數的損失函數獲取優化梯度，并更新參數以獲取最小化的損失函數值，通常使用損失函數獲取樣本真實值。

d(t)=WTy(t-1)+b(t)

(4)

y(t)=λs(h(t))

(5)

式中，d(t)—第t層的神經元狀態；y(t-1)—t-1層神經元的前向輸出值；y(t)—前向傳播系數；λs—激活函數值；h(t)—神經元輸出值[6]。同時建立損失函數模型：

(6)

式中，D(WT，bi)—損失函數，WT—權重矩陣；bi—第i層的神經元狀態；yi—訓練樣本的真實值。

據此計算反向傳播系數，并同步更新參數值。當變化量大于閾值時，需要返回到損失函數模型建立的步驟，當變化量小于閾值時，需要進一步輸出隱藏層權重矩陣，并得到偏置向量。判斷迭代次數是否達到最大值，當迭代次數沒有達到最大值時，需要重新返回到計算輸出層梯度值的階段，若達到最大值，則可以停止迭代，并得到輸出結果，此時即可以對潮汐頻段特征信號進行快速捕捉。

3 實驗研究

3.1 實例概況

選擇瑞安市作為本次實驗的工程實例，瑞安市東臨大海，所在區域經常遭受臺風暴潮的襲擊，沿海海塘損毀頻繁，又因為中心城區地勢較低，導致保護區內經濟損失慘重。1949—2016年，瑞安市內發生較大潮災8次，潮位甚至達到4.37m，嚴重時全市的海塘和江堤全線失守，土堤幾乎夷于平地，海水涌進陸地5km，各鄉鎮泥質海塘、江堤全線被沖垮，全市直接經濟損失高達45億元。隨著城市的發展，受到潮難災害時所經受的經濟損失越來越多，因此需要一種針對潮汐頻段特征信號的捕捉技術，以提前得知潮汐災害，避免人身傷亡或者大額經濟損失。

3.2 潮汐信號捕捉與分析

為測試本文設計的基于卷積神經網絡的長江河口潮位站潮汐頻段特征信號的快速捕捉方法的有效性，對信號檢測進行仿真。為評估算法的性能，設定采樣率為2.1%，使用高斯隨機的采樣方式，對數據分段進行壓縮，其壓縮比為0.01。潮汐信號的采樣時間為1h，其中共包括5536個數據點。基于調和分析的方法，獲取輸出采樣數據，在經過預處理以及大氣校正之后，可以得到臺站的漂移項。由于數據的表現呈現出明顯的線性變化趨勢，為研究復雜的飄逸特性，可以嘗試進行溫度校正。在實際的潮位站潮汐頻段特征信號采集過程中，由于重力儀器的干擾，溫度、大氣壓均會與重力儀器的零件發生相對位移，因此飄逸效果存在多樣性的影響。此時得到的信號特征會與原始數據存在偏差，對數據的處理造成較大干擾。由于海邊的溫度變化較為快速和頻繁，很多重力儀器的部件還會發生熱脹冷縮現象，其相對受力點也會發生變化。對日內潮汐頻段信號進行采集，每隔1h，提取一次潮汐頻段信號，在卷積神經網絡下的特征信號提取結果如圖2所示。

圖2 潮汐頻段特征信號

由2可知，在24h的潮汐頻段特征信號捕捉提取過程中，信號分量的變化非常明顯，其變化范圍見表1。

表1 潮汐分量變化范圍

統計24h內所有潮汐頻段的特征信號，其中9∶00～17∶00時間段的信號變化幅度最小，其信號頻率的最小值僅有-22，最大值則為42。在5∶00～9∶00以及17∶00～20∶00這2個時間段內的信號變化幅度最大，最小值可以達到-131，最大值則為126。這2個變化較大的時段正好是溫度變化最劇烈的頻段，此時儀器零件發生位移，信號特征與原始數據存在偏差，因此潮汐頻段變化劇烈。由此可見，本文設計的基于卷積神經網絡的長江河口潮位站潮汐頻段特征信號的快速捕捉方法精度較高，可以準確地得到信號結果。

4 結語

潮汐是一種常見的自然現象，但在強風暴的作用下，近海地區的海潮會超過警戒水位，進而出現潮災現象。對此，本文設計了一種于卷積神經網絡的長江河口潮位站潮汐頻段特征信號的快速捕捉方法，該信號捕捉方法可以對海邊的潮汐信號進行提取與分析，實驗結果表明，進行潮汐頻段特征信號捕捉的過程中，信號分量的變化非常明顯，說明本文方法的精度較高，具有實用性。但在進行潮汐頻段特征信號快速捕捉計算的過程中，由于算法較為復雜，導致計算時間沒有達到預期效果，在接下來的研究中，將對算法進行改進，旨在縮短運算時間，進一步提高信號捕捉效率。