鄭威, 楊英，惠力, 魯成杰，趙彬，楊立

(齊魯工業(yè)大學(xué)(山東省科學(xué)院)，山東省科學(xué)院海洋儀器儀表研究所，山東省海洋環(huán)境監(jiān)測技術(shù)重點實驗室，國家海洋監(jiān)測設(shè)備工程技術(shù)研究中心，山東 青島 266001)

聲學(xué)多普勒流速剖面儀(acoustic Doppler current profilers，ADCP)利用聲學(xué)多普勒原理測量不同深度上的海流流速，是國際上認可的先進海洋儀器之一[1]。新型ADCP在海流測量基礎(chǔ)上開發(fā)出了波浪測量能力，其中代表性的產(chǎn)品有挪威Nortek公司的“浪龍”以及美國TRDI公司的“駿馬”[2-4]。在利用ADCP進行波浪測量時， 將其放置于水下的固定支架上，由于海底附近的海流等的影響，ADCP會發(fā)生姿態(tài)傾斜，導(dǎo)致波浪估計出現(xiàn)誤差。ADCP上安裝有傾斜儀，可以實時測量ADCP俯仰角、橫滾角，用來進行姿態(tài)修正，TRDI公司的波浪處理軟件WAVESMON在俯仰角、橫滾角大于10°時進行傾斜修正[5]。研究發(fā)現(xiàn)，傾斜條件下影響波浪估計的因素有儀器安放深度、俯仰角和橫滾角[6-7]?，F(xiàn)有WAVESMON軟件只考慮姿態(tài)角的方法是不準確的，例如當(dāng)姿態(tài)角相同時，安放深度越深，波浪估計誤差越大。為了提高ADCP傾斜條件下修正算法的準確性，本文將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于分析傾斜條件下波浪估計誤差與各影響因素之間的非線性關(guān)系。

1 傾斜條件下的ADCP波浪估計修正算法

1.1 波浪方向譜的估計

現(xiàn)有波浪測量儀器的結(jié)果一般用波浪方向譜來表達。方向譜能細致地描繪波浪能量隨頻率和方向的分布情況,給出波能沿各個方向傳播的信息。方向譜S(f,θ)的形式可以寫為方向函數(shù)G(f,θ)和頻譜S(f)的乘積形式：

S(f,θ)=S(f)G(f,θ)

，

(1)

式中，f、θ分別代表頻率和方向。

由線性波浪理論可知，任意兩個波浪特性間的互譜等于相應(yīng)波浪特性與波面間的傳遞函數(shù)的乘積的傅里葉變換，即

(2)

式中，k為波數(shù)；φmn(f)為測點m和測點n之間的互譜；Tm為測點m的傳遞函數(shù)，Tn為測點n的傳遞函數(shù),xmn，ymn分別為m和n在x和y軸向上的投影距離。

式(1)左側(cè)的互譜φmn(f)是可以計算得到的，方向譜S(f,θ)的求解是式(2)的求逆過程，因為式(1)是一非線性方程組，求解方法不是唯一的，常用的有最大似然算法、貝葉斯算法、最大熵算法，傅里葉級數(shù)展開算法等。

1.2 波浪估計修正算法

圖1 傾斜的ADCP測點陣列Fig.1 Measuring points array of tilted ADCP

本文以美國TRDI公司的“駿馬”ADCP為例?！膀E馬”ADCP采用四波束配置，4個波束和垂直方向的夾角均為20°，4個波束在水平面上的投影夾角都為90°。TRDI公司ADCP一般選取接近水面的3層12個測點陣列[8-9]。

ADCP接近水面位置處的12個測點組成了一個測點陣列，該測點陣列可用來進行波浪反演估計。如圖1所示，當(dāng)ADCP存在傾斜時，ADCP的4個波束1,2,3,4的位置移動到1′,2′,3′,4′，對應(yīng)的ADCP測點陣列變成了一個傾斜的陣列[10]。

(3)

(4)

式中α,β,γ分別代表航向角、俯仰角、橫滾角。由旋轉(zhuǎn)矩陣的定義可知，M代表坐標轉(zhuǎn)移矩陣，應(yīng)該滿足：

M=M-1,MMT=1

。

(5)

(6)

2 基于BP神經(jīng)網(wǎng)絡(luò)模型的波浪估計誤差與各影響因素

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，隱含層可以有一層或多層。該網(wǎng)絡(luò)具有較強的非線性映射能力，圖2是一個典型的的BP網(wǎng)絡(luò)結(jié)構(gòu)圖。x1,x2,…，xm為輸入層各神經(jīng)單元的實際輸入；ωij為隱含層i個神經(jīng)元與輸入層j個神經(jīng)元間的權(quán)值；g(·)為隱含層的激勵函數(shù)；α1,α2,…，αq為隱含層各神經(jīng)元閾值；ωki為輸出層第k個神經(jīng)元與隱含層第i個神經(jīng)元間的權(quán)值；β1,β2,…，βn為輸出層各神經(jīng)元的閾值；f(·)為輸出層的激勵函數(shù)y1,y2,…,yn為輸出層各神經(jīng)元的實際輸出；ek為網(wǎng)絡(luò)的輸出誤差[12-13]。

圖2 典型單隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Typical BP neural network with single hidden layer

BP網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計包括輸入變量和輸出變量的確定; 隱含層數(shù)目及每個隱含層的神經(jīng)元數(shù)目的確定; 網(wǎng)絡(luò)數(shù)據(jù)的預(yù)處理; 傳遞函數(shù)的選取; 訓(xùn)練方法及其參數(shù)的選擇。BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練流程見圖3。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程Fig. 3 BP neural network training process

2.2 波浪估計誤差與各影響因素分析

本文應(yīng)用的ADCP實測歷史數(shù)據(jù)來自于美國卡羅萊納州的實驗數(shù)據(jù)，實驗過程中用TRDI公司600 kHz ADCP，記錄的起始時間是2008年6月22日，結(jié)束時間是2008年8月7日，超過1100組實測數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)模型的輸入值為俯仰角、橫滾角和ADCP安放深度。輸出值用方向譜估計百分比誤差L表示。

(7)

圖4選取數(shù)據(jù)段內(nèi)的俯仰角、橫滾角、ADCP安裝深度和方向譜估計百分比誤差，其中方向譜估計誤差是通過商用軟件分兩次計算得到的，一次不考慮傾斜修正的計算值，一次考慮傾斜修正的計算值，計算二者之間的誤差，即為方向譜估計誤差；所選數(shù)據(jù)的俯仰角范圍2°～5°，橫滾角范圍181.5°～185°，ADCP深度范圍25.8～27.6 m，方向譜估計誤差范圍0%～3%。

首先，建立BP神經(jīng)網(wǎng)絡(luò)模型，輸入值為俯仰角、橫滾角、ADCP安裝深度 ，輸出值為方向譜估計百分比誤差，選取前第1～700數(shù)組進行模型的訓(xùn)練，訓(xùn)練結(jié)果表明實測數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測數(shù)據(jù)是基本吻合的；利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進行仿真驗證分析，并選取第700～1100組數(shù)據(jù)進行仿真驗證，可以看出神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實測值是一致的。從圖4中看出，在ADCP傾斜條件下，利用BP神經(jīng)網(wǎng)絡(luò)模型可以有效地找到波浪估計誤差與各影響因素之間的復(fù)雜非線性關(guān)系，實測值與 BP網(wǎng)絡(luò)模型的預(yù)測值是吻合的。

有義波高與方向譜有如下關(guān)系：

(8)

(9)

(10)

圖4 實測數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的對比Fig.4 Comparison between measured data and BP neural network predicted data

現(xiàn)有ADCP的波高準確度一般為1%，假設(shè)波高估計誤差大于1%進行傾斜修正時，根據(jù)公式(10)計算對應(yīng)的方向譜估計準確度為2%，即當(dāng)方向譜估計誤差大于2%時，需要進行傾斜修正。

2.3 BP模型應(yīng)用于傾斜修正的判斷

ADCP的傾斜修正過程包括了矩陣求逆等矩陣計算，計算復(fù)雜，并不建議對于每組波浪數(shù)據(jù)進行傾斜修正。TRDI公司商用軟件WAVESMON的處理流程如圖5所示，通過姿態(tài)角數(shù)據(jù)來判斷是否需要傾斜修正，其主要缺陷有：首先，傾斜條件下，波浪估計誤差與姿態(tài)角和ADCP深度同時有關(guān)，現(xiàn)有算法只考慮姿態(tài)角是不精確的；其次，當(dāng)姿態(tài)角大于10°進行修正，需要軟件使用者在計算之前進行人工判斷，并在軟件上設(shè)置是否進行傾斜修正，比較繁瑣。

本文的研究結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型可以分析找到ADCP傾斜條件下，波浪估計誤差與各影響因素之間的關(guān)系，詳見圖6。將BP模型應(yīng)用于傾斜條件下的波浪估計中，通過BP模型的預(yù)測值來判斷是否進行修正，提升了波浪估計的準確性。

圖5 TRDI公司W(wǎng)AVESMON軟件處理流程Fig.5 TRDI company’s WAVESMON software handling process

圖6 BP模型應(yīng)用于傾斜修正Fig.6 BP neural network model applied to tilt correction

3 結(jié)論

本文將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于研究傾斜條件下波浪估計誤差與各影響因素之間的復(fù)雜非線性關(guān)系，結(jié)果表明，BP神經(jīng)模型的預(yù)測值和實測值是吻合的，模型的應(yīng)用是可行的。本文提出的基于BP模型的傾斜修正改進算法，提升了波浪估計的準確性。下一步將對該算法進行進一步優(yōu)化，以降低算法的計算復(fù)雜度。

參考文獻：

[1]劉彥祥.ADCP技術(shù)發(fā)展及其應(yīng)用綜述[J]. 海洋測繪, 2016, 36(2): 45-49.

[2]周慶偉，張松，武賀，等. 海洋波浪觀測技術(shù)綜述[J]. 海洋測繪，2016, 36(2): 39-44.

[3]DALLY W R, OSIECKI D A. Comparison of deep-water ADCP and NDBC buoy measurements to hindcast parameters[EB/OL]. [2017-03-05]. http://www.waveworkshop.org/8thWaves/Papers/N3.pdf.

[4]WORK P A. Nearshore directional wave measurements by surface-following buoy and acoustic Doppler current profiler[J]. Ocean Engineering, 2008,35(8/9): 727-737.

[5]Teledyne RD Instruments. WaveMon v3.06 User’s Guide[EB/OL]. [2017-03-05]. http://new.comm-tec.com/Docs/Manuali/RDI/WavesMon%20Users%20Guide.pdf.

[6]鄭威，楊立，惠力，等. ADCP方向譜估計的傾斜修正算法研究[ J]. 山東科學(xué)，2014,27(4): 1-7.

[7]鄭威，張殿倫，孫大軍. 姿態(tài)傳感器在坐底式ADCP波陣列中的應(yīng)用[J]. 傳感器與微系統(tǒng)，2011，30(6): 119-125.

[8]BRUMLEY B H,TERRAY E A,STRONG B S. System and method for measuring wave directional spectrum and wave height：US，6052334 [P]. 2000-04-18.

[9]KROGSTAD H E. Maximum likelihood estimation of ocean wave spectra from general arrays of wave gauges[J]. Modeling, Identification and Control. 1988, 9(2): 81-97.

[10]SCOTTI A,BUTMAN B, BEARDSLEY R C.et al. A modified beam-to-earth transformation to measure short-wavelength internal waves with an acoustic Doppler current profiler(ADCP)[J]. Journal of Atmospheric and Oceanic Technology, 2005,22(5):583.

[11]RD instruments. ADCP coordinatetransformation: Formulas and calculations[EB/OL]. [2017-03-05]. https://wiki.oceannetworks.ca/download/attach-ments/20480039/adcp%20coordinate%20transformation_Jan10.pdf?api=v2.

[12]楊茜.BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法的改進及其在隧道長期沉降預(yù)測中的應(yīng)用[J]. 北京工業(yè)大學(xué)學(xué)報，2011, 37(1): 92-97.

[13]崔東文.多隱含層BP神經(jīng)網(wǎng)絡(luò)模型在徑流預(yù)測中的應(yīng)用[J]. 水文, 2013, 33(1): 68-72.