樊馮郡，嚴(yán)海勇

(1.浙江省錢(qián)塘江管理局勘測(cè)設(shè)計(jì)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(zhuǎn)影響，在恒星以及天然衛(wèi)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(xiàn)象。一般的潮汐僅僅只是一種常見(jiàn)的自然現(xiàn)象，但是某些地區(qū)的潮汐已形成自然災(zāi)害。在強(qiáng)風(fēng)暴的作用下，近海地區(qū)的海潮會(huì)超過(guò)警戒水位，摧毀防御措施，形成洪水泛濫的現(xiàn)象，這就是潮災(zāi)。在東南沿海地區(qū)，臺(tái)風(fēng)襲擊頻率較高，潮災(zāi)也較為嚴(yán)重。一旦潮災(zāi)來(lái)臨，不但會(huì)造成大額經(jīng)濟(jì)損失，還會(huì)對(duì)當(dāng)?shù)鼐用竦纳踩斐赏{[1]。為防范潮汐災(zāi)害，在加固海堤的同時(shí)，還可以對(duì)沿海地區(qū)的潮汐頻段特征信號(hào)進(jìn)行捕捉，以提前獲取災(zāi)害信息，提醒人們及時(shí)防護(hù)。一旦災(zāi)害范圍較大，人們可以提前到其他內(nèi)陸地區(qū)避難，并轉(zhuǎn)移貴重財(cái)產(chǎn)，這樣就會(huì)大幅度降低損失。本文基于卷積神經(jīng)網(wǎng)絡(luò)算法，以長(zhǎng)江河口潮位站為例，設(shè)計(jì)了一種潮汐頻段特征信號(hào)快速捕捉方法。

1 基于卷積神經(jīng)網(wǎng)絡(luò)算法的潮汐頻段信號(hào)特征提取

信號(hào)提取是一種較為抽象的提取方法，本文使用卷積神經(jīng)網(wǎng)絡(luò)算法，對(duì)其進(jìn)行特征信號(hào)進(jìn)行提取。在神經(jīng)網(wǎng)絡(luò)的神經(jīng)元內(nèi)，存在權(quán)重和偏量參數(shù)，由于其具備可重復(fù)性，每一個(gè)神經(jīng)元都可以接收一部分?jǐn)?shù)據(jù)，并快速運(yùn)算，這樣就可以使得神經(jīng)網(wǎng)絡(luò)的最后一層使用單個(gè)向量進(jìn)行變換[2-3]。簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)由單一結(jié)構(gòu)組成，其主要通過(guò)微函數(shù)將數(shù)據(jù)從第一層依次向下傳遞，直至進(jìn)入最后一層位置。在這些網(wǎng)絡(luò)結(jié)構(gòu)中，最核心的類(lèi)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(huì)存在一組可學(xué)習(xí)的濾波器，每一個(gè)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(huì)生成一個(gè)二位的映射圖，用于空間位置的響應(yīng)。圖像的神經(jīng)元之間存在一個(gè)局部區(qū)域的連接結(jié)構(gòu)，在這種不對(duì)稱(chēng)下，空間連接在深度上始終是完整的。池化層則是一個(gè)會(huì)被定期插入到連續(xù)卷積層中的空間位置，在減少網(wǎng)絡(luò)參數(shù)與計(jì)算量的同時(shí)，會(huì)不斷環(huán)節(jié)擬合特征，并對(duì)池化層中的深度進(jìn)行獨(dú)立調(diào)整。結(jié)合最大值運(yùn)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(wǎng)絡(luò)的神經(jīng)元均會(huì)與上一層的神經(jīng)元完成對(duì)接，并在反向傳播中實(shí)現(xiàn)參數(shù)的更新。由此，可以構(gòu)建潮汐頻段的三角函數(shù)：

(1)

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

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

(2)

式中，fn—儀器的漂移值；fn-1、fn-2—相鄰多項(xiàng)式內(nèi)的漂移表達(dá)式；hn—白噪聲序列參數(shù)。通過(guò)上述公式，對(duì)其進(jìn)行特征提取，可以得到觀測(cè)序列：

(3)

式中，h0—任意可選擇的潮汐觀測(cè)分量；hi—第i個(gè)潮汐分量[5]。

2 設(shè)計(jì)潮汐頻段特征信號(hào)快速捕捉算法

綜合上文中對(duì)潮汐頻段的信號(hào)特征提取方法，可以設(shè)計(jì)一種潮汐特征信號(hào)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(shù)，計(jì)算前向傳播系數(shù)。前向傳播是一種計(jì)算每一層狀態(tài)與激活值的方法，結(jié)合網(wǎng)絡(luò)參數(shù)的損失函數(shù)獲取優(yōu)化梯度，并更新參數(shù)以獲取最小化的損失函數(shù)值，通常使用損失函數(shù)獲取樣本真實(shí)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(jīng)元狀態(tài)；y(t-1)—t-1層神經(jīng)元的前向輸出值；y(t)—前向傳播系數(shù)；λs—激活函數(shù)值；h(t)—神經(jīng)元輸出值[6]。同時(shí)建立損失函數(shù)模型：

(6)

式中，D(WT，bi)—損失函數(shù)，WT—權(quán)重矩陣；bi—第i層的神經(jīng)元狀態(tài)；yi—訓(xùn)練樣本的真實(shí)值。

據(jù)此計(jì)算反向傳播系數(shù)，并同步更新參數(shù)值。當(dāng)變化量大于閾值時(shí)，需要返回到損失函數(shù)模型建立的步驟，當(dāng)變化量小于閾值時(shí)，需要進(jìn)一步輸出隱藏層權(quán)重矩陣，并得到偏置向量。判斷迭代次數(shù)是否達(dá)到最大值，當(dāng)?shù)螖?shù)沒(méi)有達(dá)到最大值時(shí)，需要重新返回到計(jì)算輸出層梯度值的階段，若達(dá)到最大值，則可以停止迭代，并得到輸出結(jié)果，此時(shí)即可以對(duì)潮汐頻段特征信號(hào)進(jìn)行快速捕捉。

3 實(shí)驗(yàn)研究

3.1 實(shí)例概況

選擇瑞安市作為本次實(shí)驗(yàn)的工程實(shí)例，瑞安市東臨大海，所在區(qū)域經(jīng)常遭受臺(tái)風(fēng)暴潮的襲擊，沿海海塘損毀頻繁，又因?yàn)橹行某菂^(qū)地勢(shì)較低，導(dǎo)致保護(hù)區(qū)內(nèi)經(jīng)濟(jì)損失慘重。1949—2016年，瑞安市內(nèi)發(fā)生較大潮災(zāi)8次，潮位甚至達(dá)到4.37m，嚴(yán)重時(shí)全市的海塘和江堤全線失守，土堤幾乎夷于平地，海水涌進(jìn)陸地5km，各鄉(xiāng)鎮(zhèn)泥質(zhì)海塘、江堤全線被沖垮，全市直接經(jīng)濟(jì)損失高達(dá)45億元。隨著城市的發(fā)展，受到潮難災(zāi)害時(shí)所經(jīng)受的經(jīng)濟(jì)損失越來(lái)越多，因此需要一種針對(duì)潮汐頻段特征信號(hào)的捕捉技術(shù)，以提前得知潮汐災(zāi)害，避免人身傷亡或者大額經(jīng)濟(jì)損失。

3.2 潮汐信號(hào)捕捉與分析

為測(cè)試本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的長(zhǎng)江河口潮位站潮汐頻段特征信號(hào)的快速捕捉方法的有效性，對(duì)信號(hào)檢測(cè)進(jìn)行仿真。為評(píng)估算法的性能，設(shè)定采樣率為2.1%，使用高斯隨機(jī)的采樣方式，對(duì)數(shù)據(jù)分段進(jìn)行壓縮，其壓縮比為0.01。潮汐信號(hào)的采樣時(shí)間為1h，其中共包括5536個(gè)數(shù)據(jù)點(diǎn)?；谡{(diào)和分析的方法，獲取輸出采樣數(shù)據(jù)，在經(jīng)過(guò)預(yù)處理以及大氣校正之后，可以得到臺(tái)站的漂移項(xiàng)。由于數(shù)據(jù)的表現(xiàn)呈現(xiàn)出明顯的線性變化趨勢(shì)，為研究復(fù)雜的飄逸特性，可以嘗試進(jìn)行溫度校正。在實(shí)際的潮位站潮汐頻段特征信號(hào)采集過(guò)程中，由于重力儀器的干擾，溫度、大氣壓均會(huì)與重力儀器的零件發(fā)生相對(duì)位移，因此飄逸效果存在多樣性的影響。此時(shí)得到的信號(hào)特征會(huì)與原始數(shù)據(jù)存在偏差，對(duì)數(shù)據(jù)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(huì)發(fā)生熱脹冷縮現(xiàn)象，其相對(duì)受力點(diǎn)也會(huì)發(fā)生變化。對(duì)日內(nèi)潮汐頻段信號(hào)進(jìn)行采集，每隔1h，提取一次潮汐頻段信號(hào)，在卷積神經(jīng)網(wǎng)絡(luò)下的特征信號(hào)提取結(jié)果如圖2所示。

圖2 潮汐頻段特征信號(hào)

由2可知，在24h的潮汐頻段特征信號(hào)捕捉提取過(guò)程中，信號(hào)分量的變化非常明顯，其變化范圍見(jiàn)表1。

表1 潮汐分量變化范圍

統(tǒng)計(jì)24h內(nèi)所有潮汐頻段的特征信號(hào)，其中9∶00～17∶00時(shí)間段的信號(hào)變化幅度最小，其信號(hào)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(gè)時(shí)間段內(nèi)的信號(hào)變化幅度最大，最小值可以達(dá)到-131，最大值則為126。這2個(gè)變化較大的時(shí)段正好是溫度變化最劇烈的頻段，此時(shí)儀器零件發(fā)生位移，信號(hào)特征與原始數(shù)據(jù)存在偏差，因此潮汐頻段變化劇烈。由此可見(jiàn)，本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的長(zhǎng)江河口潮位站潮汐頻段特征信號(hào)的快速捕捉方法精度較高，可以準(zhǔn)確地得到信號(hào)結(jié)果。

4 結(jié)語(yǔ)

潮汐是一種常見(jiàn)的自然現(xiàn)象，但在強(qiáng)風(fēng)暴的作用下，近海地區(qū)的海潮會(huì)超過(guò)警戒水位，進(jìn)而出現(xiàn)潮災(zāi)現(xiàn)象。對(duì)此，本文設(shè)計(jì)了一種于卷積神經(jīng)網(wǎng)絡(luò)的長(zhǎng)江河口潮位站潮汐頻段特征信號(hào)的快速捕捉方法，該信號(hào)捕捉方法可以對(duì)海邊的潮汐信號(hào)進(jìn)行提取與分析，實(shí)驗(yàn)結(jié)果表明，進(jìn)行潮汐頻段特征信號(hào)捕捉的過(guò)程中，信號(hào)分量的變化非常明顯，說(shuō)明本文方法的精度較高，具有實(shí)用性。但在進(jìn)行潮汐頻段特征信號(hào)快速捕捉計(jì)算的過(guò)程中，由于算法較為復(fù)雜，導(dǎo)致計(jì)算時(shí)間沒(méi)有達(dá)到預(yù)期效果，在接下來(lái)的研究中，將對(duì)算法進(jìn)行改進(jìn)，旨在縮短運(yùn)算時(shí)間，進(jìn)一步提高信號(hào)捕捉效率。