基于SVM的海浪要素预测试验研究

ADVANCESINMARINESCIENCE

海洋科学进展

Vol.37 No.2

,Airl2019p

基于SVM的海浪要素预测试验研究

()自然资源部第一海洋研究所,山东青岛266061

摘 要:采用支持向量机对海浪要素中的有效波高进行预测,采用风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的准确度。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了4组不同特征向量的模型进行海浪有效波高的预测,并对4种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果与模式预报结果相比更接近,相关系数将近均方根误差约0.99%,2m。

关键词:支持向量机;海浪要素预测;海浪数值模式

()中图分类号:P731 文献标识码:A 文章编号:1671-6647201902-0199-11

]:引用格式:金权,华锋,杨永增.基于S海洋科学进展,VM的海浪要素预测试验研究[J.2019,37(2)199-209.

金 权,华 锋*,杨永增

:/doi10.3969i.ssn.1671-6647.2019.02.004j

]JINQ,HUAF,YANGYZ.Predictionofthesinificantwaveheihtbasedonthesuortvectormachine[J.ggpp,):AdvancesinMarineScience2019,37(2199-209.

海浪预报在海岸工程中具有重要意义,近年来海浪预报通常使用第三代海浪模式进行预报。第三代海浪模式是通过对能量平衡方程进行积分计算得到的,通过前两代海浪模式的发展,第三代海浪模式不需要对

[]1

)。袁业立谱型进行限制。WAMDI小组于1988年建立了第一个业务化的海浪模式WAM(WaveModel

[-3]

;等发展了基于波数谱和特征线嵌入格式的L尹宝树等在WAM模式的框AGFD-WAM第三代海浪模式2[]

架下提出了Y建立了球坐标系下的能量平衡E-WAM海浪模式4。杨永增等在LAGFD-WAM的基础上,

[]方程,发展了MASNUM数值模式5;BooiSimulatinavej等发展了适用于近岸区域的海浪模式SWAN(gW

[6]);()模式,NearshoreTolman等基于WAM模式发展了WAVEWATCHIIIWW3NOAA以WW3作为业7]

。务化海浪预报模式,对全球区域海洋进行海浪模拟和预报[

,习算法对海洋环境进行预测展现了极大的应用前景。支持向量机(是机器SuortVectorMachineSVM)pp

[]

学习中一个非常完善的分类和回归模型,支持向量机具有优秀的泛化能力。目前,James等8用机器学习对

近年来,机器学习有很多经典算法在诸多研究领域中均有应用。随着机器学习的广泛应用,使用机器学

,对有效波高进行预测,实现了机器学习在海浪领域的应用。但是多层感知机对有效波高PercetionMLP)p

进行学习时,把一切问题的特征变为数字,模型的优劣依赖于模型训练过程的样本数据。当数据不充分时进行学习预测,势必会丢失信息,不能很好地应用于数据较少的海区。国内采用机器学习对海浪进行预测的研究还相对较少。

行了模拟预测。基于S使用交叉验证法选择参数,建立4种不同输入特征向量的模型,根据数值模式计VM,

收稿日期:2018-07-19

——大气海洋耦合机制、)资助项目:国家重点研究发展计划项目—同化方法与数值模式研究(2017YFC1404200),:华 锋(男,山东青岛人,研究员,博士,主要从事海浪方面研究. *通讯作者:1963-E-mailhuaf@fio.or.cng

),:作者简介:金 权(男,天津人,硕士研究生,主要从事海浪方面研究.1993-E-mailinuan@fio.or.cnjqg

海浪要素进行预测,使用支持向量机(对海浪特征周期进行预测,同时使用多层感知机(SVM)Multi-Laery

我们在现有研究的基础上,选取了不同海区和数据对不同的特征输入量做了对比试验,并对有效波高进

(李 燕 编辑)

200海 洋 科 学 进 展

37卷

算出的历史风场数据和波浪场数据,对当前时刻的有效波高进行预测,并与模式结果进行比较,分析4种不同输入特征向量模型的误差及其产生原因。

1 支持向量机基本理论

]10

,法[较好地实现了结构风险最小化思想。将样本的输入向量通过核函数方式映射到高维的特征空间,从

[]支持向量机(是V进而建立的一类新型机器学习方SVM)anik9在1995年正式提出统计学习理论后,p

而在特征空间中构造最优分类面,实现线性分类样本的功能。支持向量机算法是一个凸二次优化问题,得到的解是全局最优解,解决了局部极小的问题。由于采用了核函数,巧妙解决了维数问题,使得算法复杂度和维数无关。

,支持向量机包括支持向量分类机(和支持向量回归机(SuortVectorClassificationSVC)Suortpppp

,,还分为线性和非线性问题。本文采用支持向量分类的相关理论。对于给定的训VectorReressionSVR)g

(,(,…,(},},练样本集D={分类学习最基本的想法就是基于训练集x1,x2,xm,-1,+1y1)y2)ym)yi∈{

将不同类别的样本分开,在样本空间中,划分超平面函数可以表示为D在样本空间中找到一个划分超平面,

T()x)1=ωx+b,f(

式中,将样本从原始空间映射到一个更高维的特征空间,使得ω为权重,b为位移项。对于非线性分类问题,

样本在这个特征空间线性可分,令φ(x)表示将X映射后的特征空间中划分超平面所对应的模型可表示为

T()x)x)2=ωφ(+b,f()”,欲划分超平面,需要找到具有“最大间隔(即maximummaring

max,

2

ωb‖ω‖

…,s.t.ωTx)i=1,2,m。+b)≥1 yi(φ(

)为了最大间隔化,仅需最大化‖等价于最小化‖可写为ω‖-1,ω‖2于是式(3

2

1min‖ω‖ω,b2…,s.t.ωTx)i=1,2,m。+b]≥1 yi[φ(

()3

()4

间隔不仅与ω有关,进而对间隔产生影响。然后采用hb通过约束隐式也影响ω的取值,ine损失函数并引g,)入松弛变量ξ式(可写为4i≥0

2

1min‖ω‖+C∑ξiω,b,i2ξi=1

m…, i=1,2,m。i≥0ξ)这是一个2次规划问题,通过拉格朗日乘子法将式(转化为:5

mm…,s.t.ωTx)i=1,2,m+b]≥1-ξyi[i φ(

m()5

2

1(,,,,)}Lωbαμξ=‖ω‖+C∑ξ1-ξωTx)+b]-∑μi+∑αi{i-yi[ii,φ(ξ2i=1i=1i=1

,式中,则最优解可通过求解拉格朗日的对偶问题得到:αi≥0i≥0是拉格朗日乘子,μ()6

T,)引入核函数κ(求解式(可得支持向量展式:xxj)xxj)>=φ(xxj)后,7=<φ(i,i)i)φ(φ(

…,s.t.i=1,2,m。∑αiyi=0 0≤αi≤C,

i=1

1T(maxαααxxj)-iiiyi)jyjφφ(∑∑∑αi12i=1j=1=

mmmm()7

κ(xxj)+b,f(x)=∑αiyii,

i=1

m()8

2期金 权,等:基于SVM的海浪要素预测试验研究

201

采用不同核函数可以构成不同的支持向量机,常用的核函数有线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数和Simoid核函数等。本文采用高斯核函数亦称RBF核函数:g式中,σ为高斯核的带宽。

2

æ‖xi-xj‖ö(,)ç÷,κxexp-ixj=2

2σèø

()9

2 模型的建立

2.1 数据的选取

本文选取模拟海浪要素中的有效波高(数据,即NHs)CEP提供的由WAVEWATCHIII计算得到的空

,间分辨率为0.时间间隔为3h的数据;该海浪模式使用的风场数据为C上5°FS(ClimateForecastSstem)y(),,图1对风场进行插值处理将空间分辨率统一为0.时间间隔3h。在2的区域里取25°°×2°5个点作为学习样本。为了能够研究含有大波高的海浪过程,我们选择了7月作为学习和预报的月份。由表1可知,该区域在2而在2013-07,2014-07,2016-07和2017-07存在大于10m的有效波高,011-07和2015-07有效波高较小,因此为确保机器学习在较大和较低波高都存在有效样本,取2012-07,2013-07,2015-07,2016-07的有效

,波高和海表面风场数据(作为分类学习样本。其中在2增大10m)016-07存在有效波高的较大值(16.74m)07,2014-07以及2017-07有效波高作为验证进行对比。2.2 参数的确定

采用R需要调节的参数有C和γ,相当于惩罚松弛变BF为核函数后,C为误差项的惩罚参数,C越大,

量,希望松弛变量接近0,从而对误分类的惩罚增大,这样会出现训练集测试时准确率很高,但泛化能力弱。了训练样本的多样性,而2为海浪波高分类提供了在低波高情况下的样本数据。015-07整体有效波高较小,取当前时刻当前位置的风场数据以及前一时刻周围风场和海浪场数据作为特征参量进行学习。使用2011-

/,的海面1空间分辨率不统一,约为(时间间隔为1h。在10m高处风场数据,16)°23°~125°E,21°~23°N

对误分类的惩罚减小,容错能力增强,泛化能力较强。γ为核函数的内核系数,C值小,γ定义了高维特征空间的结构。γ过大或过小均会使系统的泛化能力变差。

本文拟使用k层交叉检验的方式对参数进行确定,将参数在一定范围内进行取值,对于取定的参数便将原始数据分成K组,将每个子集数据分别做一次验证集,其余的K这样会得-1组子集数据作为训练集,到K个模型。用这K个模型最终的验证集的分类准确率的平均数作为当前参数分类器的性能指标,进而得到数个分类准确率较优的参数值。但是由于海浪的物理特征,即在海浪预测领域对有效波高的峰值预测具有重要意义,当使用k层交叉检验的方式时,由于数据量较大,容易产生γ较大的情况,使对测试集预测情况偏好,但对预测样本,产生峰值不明显等特征,不能更好地得到预测结果。因此还需要对检验结果较好的几组参数进行模型实际预测比较,通过对比不同参数模型预测结果的均方误差和相关系数选出最优的参数方案。

2.3 数据标准化处理

对输入的特征向量进行标准化处理,即对不同特征维度进行伸缩变换使得不同度量之间的特征具有可比性,对目标函数的影响体现在几何分布上,而不是数值上,并且不改变原始数据的分布。采用的数据标准)进行数据的标准化。其公式为deviation

),)化方法为0均值标准化(这种方法给予原始数据的均值(和标准差(Z-scorestandardizationmeanstandard

Xs=

(X-M)

,

SD()10

202海 洋 科 学 进 展

37卷

式中,Xs为处理后数据,X为原数据,M为原始数据均值,SD为原始数据标准差。经过处理的数据符合标准正态分布,即均值为0,标准差为1。

Fi.1 Toorahfthecomutationaldomaingpgpyop表1 2011—2017每年7月的波高区间分布概率P及其最值

Table1 ProbabilitistributionofwaveheihtanditsextremevalueinJulf2011to2017ydgyo

日 期2011-072012-072013-072014-072015-072016-072017-07

概率/%0.000.960.351.710.001.790.41

图1 实验选取位置的地形图

P(Hs>4m)

0.007.3013.397.485.914.637.42

P(Hs>8m)P(Hs>10m)

0.000.000.020.050.001.010.06

波高最大值/m

3.9310.9413.1816.7411.266.028.67

2.4 特征向量的选取

实验中使用的特征值有:前一时刻风场数据,前一时刻波浪场数据,当前时刻风场数据。所有的风场数据是由当前点和周围8个点共同构成一个风场数据,同时风速和风向在数据中由风速U和风速V来表示。

模型1:如图2所示,采用前一时刻风场、波浪场数据和当前时刻预测位置的风速、风向以及当前时刻周

围风场作为输入特征向量,输入特征向量个数为9×2+9+9×2=4主要考虑前一时刻风场、波浪场及当5,前时刻风场对有效波高预测精度的影响。

2期金 权,等:基于SVM的海浪要素预测试验研究

203

Fi.2 Selectionoffeaturevectorinexeriment1gp

图2 模型1所需特征向量的选取

向量,输入特征向量个数为9×2+9+2=2考虑前一时刻风场、波浪场和预测点当前时刻风速对有效波高9,预测精度的影响。

模型2:如图3所示,采用前一时刻风场和波浪场数据和当前时刻预测位置的风速、风向作为输入特征

Fi.3 Selectionoffeaturevectorinexeriment2gp

图3 模型2所需特征向量的选取

向作为输入特征向量,输入特征向量个数为9×2+2=2考虑前一时刻风场以及当前时刻风速、风向对有0,效波高预测精度的影响。

模型3:如图4所示,采用前一时刻风场和当前时刻预测点的风速和风向,当前时刻预测位置的风速、风

Fi.4 Selectionoffeaturevectorinexeriment3gp

图4 模型3所需特征向量的选取

204海 洋 科 学 进 展

37卷

量,输入特征向量个数为2+2=4,仅考虑当前和前一时刻风速,风向对有效波高预测精度的影响。

模型4:如图5所示,采用当前时刻预测点的风速和风向和前一时刻预测点的风速风向作为输入特征向

Fi.5 Selectionoffeaturevectorinexeriment4gp

图5 模型4所需特征向量的选取

2.5 具体实现方法

将该值作为分类结果。将数据放入S调整其核参数和损失系数,模型训练结束后,将想要进10,VM模型中,行预测的数据(不含有分类标签)放入模型中,得到对该数据的分类结果,再将该值除以10作为最终的有效波高预测结果。

)//都放入一个分类器,将会得到N(而后将未知样本带入分类器,通过这N(N-12个分类器,N-1)2个分类器比较得出一个最终结果。间133个数值。

本文在训练过程中根据波浪的分布情况设定了87包含了从0.78个分类器,50~16.7m的波高变化区()本文在P调用了s库,thon3.5的环境下完成实验,klearnscikit-learnsklearn是机器学习中一个常用y)在训练的过程中本文采用的是OVO(的多分类方法,将不同的N个分类结果两两之间one-versus-one先对训练集数据进行处理,为训练集数据添加分类标签,即将预测点的有效波高保留一位小数后乘以

,训练集数据量为2测试集数据量为1min4800组数据,8600组。

的P训练时间约为5~1thon第三方模块。本文调用了其中的sklearn.svm.SVC作为SVM分类的算法,0y

3 预测结果分析

为检验支持向量分类预测有效波高的性能,本文将对各检验指标进行统计分析。主要的检验指标是均方根误差和相关系数,其定义如下

均方根误差:

2,RMSE=(Pi-Oi)相关系数:

R=

式中,表示模型精度越Pi为预测值,Oi为NCEP预测值,N为样本个数。RMSE值越小,R值越接近1,高,越接近与实际值。

P[∑(

i=1

N1

((Pi-P)Oi-O)∑Ni1=

NNii=1

()9

,

()10

22

Oi-O)-P)∑(]

122期金 权,等:基于SVM的海浪要素预测试验研究

205

3.1 预测结果

利用已建立的4种S分别预测有效波高,预测点位于所示区域的中心点对2VM模型,011-07,2014-07,

结果如图6~8所示。2017-07进行预测,

3.1.1 模型1也能很好地预测出结果。而且对于207有明显的台风过程,017-07在台风过程之前的涌浪也能有较好地预测,与N但模型1输入特征向量较多运算速度较慢。CEP预测结果几乎吻合,变化趋势,在对2趋势几乎一致,最大点误差不超过0.011-07的结果进行预测时,2m。在2014-07和2017-模型1预测结果如图6所示,从图中可以看出,在低波高的条件下预测效果较好,能较好地反映波高的

(Fi.6 Predictionresultsatstation124°E,23°N)inexeriment1gp

图6 模型1测试点(预测结果124°E,23°N)

3.1.2 模型2

模型2预测结果如图7所示,从图中可以看出,在低波高的条件下预测效果较好,在2011-07的预测能较好的反应波高的变化趋势,最大误差不超过0.也能很好地2m,2014-07和2017-07月有明显的台风过程,运算速度较快。

预测出峰值结果。更能明显的预测出涌浪的产生,与模式结果几乎吻合,但模型2减少了输入特征向量进而

206海 洋 科 学 进 展

37卷

(Fi.7 Predictionresultsatstation124°E,23°N)inexeriment2gp

图7 模型2测试点(预测结果124°E,23°N)

3.1.3 模型3

模型3预测结果如图8所示,从图中可以看出,在2大体趋011-07低波高的条件下预测结果起伏不定,存在较大误差。2014-07的台风过程中峰值误差超过2m,

势基本一致,但误差较为明显,主要是由模型特征量不明显所致,在对台风过程进行预测时,结果不理想,

(Fi.8 Predictionresultsatstation124°E,23°N)inexeriment3gp

图8 模型3测试点(预测结果124°E,23°N)

2期金 权,等:基于SVM的海浪要素预测试验研究

207

3.1.4 模型4

模型4预测结果如图9所示,从图中可以看出,在对2预测结果起伏不定,只能大致011-07进行预测时,看到起伏趋势,而且存在一定数据分类错误的情况。无论低波高还是台风状态下模型4都存在较大问题,误差较大。不过模型4由于特征向量较少,运算速度最快。

(Fi.9 Predictionresultsatstation124°E,23°N)inexeriment4gp

图9 模型4测试点(预测结果124°E,23°N)

3.2 模型结果对比分析

模型1和2的精度最好,其相关系数R超过0.模型1和2的均方根误差均较小,预测结果理想。比0.8,98;较4种模型的相关系数和均方根误差,模型1和2的结果最为理想。但是模型1的输入特征向量数更多,对计算效率影响更大,说明模型2的结果更为理想,模型2与模型4相比多出前一时刻的风浪场(周围9个点,的风速风向和有效波高)使得整个风浪过程中,周围区域的风和海浪构成的整体对当前预测点形成响应。

表2 4组实验结果的相关系数及均方根误差

Table2 Correlationcoefficientsandrootmeansuareerrorsofthefourexerimentsqp

模型编号

1234

由4种模型预测的结果和N表2)可以看出,CEP结果进行比较统计(4种模型的相关系数R均大于

R0.980.980.830.82

RMSE0.240.220.830.86

从物理学上讲,局地海浪的高低,与传入波高的大小和局地风速的增减有关。本文基于前一时刻的波浪场和风速场以及预测时刻的风速,能够较好地刻画海浪的状态。模型2的结果优于模型1,说明本时刻的海

208海 洋 科 学 进 展

37卷

浪大小,与此时的局地风速更加相关,而与此时周围点的风速相关性较弱,因此可以比模型1更加准确地给出有效波高。通过模型3和模型2的对比,可以看出由于缺少了前一时刻的海浪场(周围9个点的有效波是最弱的。

,高)因此模型在识别海浪特征能力上明显不足。模型4只考虑了前一时刻预测点的风速,因而其预测能力3.3 模型的不足

)在极端条件下,即当出现罕见的超大1SVM分类器无法更加精准的分类超过其学习样本类别的内容,台风过程,预测结果会有一个上界,无法准确的得到结果,这个问题可以通过对历史上的超大台风过程,进行学习,解决极端条件下分类不准确的结果。本文为了解决此问题,在训练过程中尽可能选取极端条件作为学习样本,使模型具有更大适用范围。

)给定一组类别已知的数据作为训练集,先训练出模型,然后用训练好的模型对2SVM是一个分类模型,其他未知数据进行预测,但是当训练集里至少有一类实例的数量明显少于其他类时,称之为不平衡数据。而海浪要素数据就是一种不平衡数据,如果要更准确的对大波高条件及罕见的海浪过程进行预测,就需要对海

]11-12

(浪的样本数据进行修正。因此需要从数据层对数据进行重采样,包括对负类下采样[减少负类数据数]13

(,量)和对正类上采样[增加正类数据数量)其目标是获得相对平衡的数据集,但是重采样数据同样存在缺

目前使用SVM对海浪要素进行预测还存在一些问题:

陷:上采样会增加训练数据集,加大训练成本,同时也有可能破坏原有数据分布,而且由于在极限海浪过程中波高数据非常稀少,当进行上采样会使得数据量成倍增长,使用传统S而VM对数据进行分析会影响效率;下采样在海浪学习中缺陷更加明显,极有可能会去掉某些对分类有用的数据。同时传统SVM无法对更大的区域进行全方位的模拟,而且不具有对已经学习过的模型进行再学习的过程,具有极大的局限性。目前还无法完美解决此类现象。

)使用传统的参数调整方式如k折假设检验等,并不能满足机器学习对海浪的学习,由于极端条件的3

存在,用传统的调参方式很容易忽略掉极端条件,因此在参数调整的过程中,需要对结果在极端条件进行验证从而选出更加适合海浪的分类参数,这也加大了参数调整的难度。

4 结 论

输入特征向量的模型分别实现了海浪有效波高预测,并对4种模型的预测效果进行比较和分析。基于SVM预测有效波高的建模过程相对简单,对计算机的计算需求较低,有一定的实用性,主要结论如下:

)本次实验的4个模型中,使用前一时刻风场和波浪场数据和当前时刻预测位置的风速、风向作为输入1

特征向量的模型2,其精度较为理想。)采用S适当多选择输入特征向量会减少预测误差,但输入特征向量并不是越多2VM的方法预测海浪,越好,增加过多的特征向量会影响模型预测的精度以及计算效率。)数据的处理和参数的选择是影响S同时也是机器学习的重点,目前还没有一种3VM精度的一个因素,成熟的处理数据和参数选择方式,需要进一步研究。):参考文献(References

[]—a[],():1 GROUPTW.TheWAMmodelthirdgenerationoceanwavepredictionmodelJ.JournalofPhsicalOceanorah1988,1812ygpy[][],2 YUANYL,PANZD,HUAF,etal.LAGFD-WAMoceanwavenumericalmodelⅠ:basicphsicalmodelJ.Haianuebao1992,yygX

1775-1810.

本文以N数据为基础,使用支持向量机(建立了4种不同CEP的10m风场数据和有效波高(HS)SVM)

2期金 权,等:基于SVM的海浪要素预测试验研究

():——Ⅰ:基本物理模型[]():袁业立,潘增弟,华锋,等.海洋学报,1451-7.LAGFD-WAM海浪数值模式—J.1992,1451-7.

209

[]3 YUANYL,HUAF,PANZD,etal.LAGFD-WAMoceanwavemodelⅡ:territorialcharacteristicinlaidmethodanditsalicationpp

[],():——Ⅱ.袁业立,华锋,潘增弟,等.区域性特征线嵌入格式及J.Haianuebao1992,14612-24.LAGFD-WAM海浪数值模式—ygX]():其应用[海洋学报,J.1992,14612-24.

[],WAN]4 YINBSGT.AthirdgenerationshallowwaterwavenumericalModel-YE-WAM[J.ChineseJournalofOceanoloimnolo-gy&L[]]5 YANGYZ,QIAOFL,ZHAOW,etal.MUSNUMoceanwavenumericalmodelinshericalcoordinatesanditsalication[J.ppp

():2005,2721-7.

,():]杨永增,乔方利,赵伟,等.球坐标系下MA海洋学报,Haianuebao2005,2721-7.SNUM海浪数值模式的建立及其应用[J.ygX,():1996,142106-112.gy

[]:]6 BOOIJN,RISRC,HOLTHUIJSENLH.Athird-enerationwavemodelforcoastalreions1.modeldescritionandvalidation[J.ggp[][],7 TOLMANHL,CHALIKOVD.Sourcetermsinathird-enerationwindwavemodelJ.Journalofphsicaloceanorah1996,26gygpy[][],8 JAMESSC,ZHANGY,O'DONNCHAF.AmachinelearninrameworktoforecastwaveconditionsJ.CoastalEnineerin2018,gfgg[][,9 VAPNIKV.ThenatureofstatisticallearninheorC]∥ConferenceonArtificialIntellience.Sriner-Verla1995:988-999.gtygpgg[][],():10 CORTESC,VAPNIKV.Suort-vectornetworksJ.MachineLearnin1995,203273-297.ppg

,UtionalConferenceonMachineLearnin.NashvilleSA,1997:179-186.g

[]:11 KUBATM,MATWINS.Addressinhecurseofimbalancedtraininetsone-sidedselection[C]∥Proceedinsofthe14thInterna-gtgsg[],[12 BARANDELAR,VALDOVINOSRM,SÁNCHEZJSetal.Theimbalancedtraininamleproblem:underoroversamlinC]∥gsppg

806-814.137:1-10.():262497-2518.

,():JournalofGeohsicalResearch:Oceans1999,104C47649-7666.py

,,,ProcoftheJointIAPRInternationalWorkshosonStructuralSntacticandStatisticalPatternReconition.LisbonPortual2004:pygg

[][]13 CHAWLANV,BOWYERKW,HALLLO,etal.SMOTE:sntheticminoritver-samlintechniueJ.JournalofArtificialIn-yyopgq

,():tellienceResearch2011,161321-357.g

PredictionoftheSinificantWaveHeihtBasedggontheSuortVectorMachinepp

()FirstInstituteoceanorahindao266061,ChinagfOgpy,MNR,Q

,HUAF,JINQuanenYANGYon-zenggg

:,AbstractSuortvectormachine(SVM)isusedtopredictthesinificantwaveheihtinwhichwindppgg

,fieldandwavefieldareadotedaslearninarametersandtheinfluenceofdifferenteienvectorsonthepgpg

incomarisonwithnumericalmodelsimulations.p

:;;KeordsSuortVectorMachinesinificantwaveheihtwavenumericalmodelppggyw:ReceivedJul9,2018y1

torscanimacttheaccuracndcomutationseed.Whenwindfieldandwavefieldareadotedaseien-pyapppg

,vectorsforlearninthecorrelationcoefficientisnearl9%andtherootmeansuareerrorisabout0.2mgy9q

elswithdifferentfeaturevectorsandpredictedthesinificantwaveheiht.Resultsshowthatfeaturevec-gg

redictionisanalzed.ThedomainoftheSVMislocatedtothesoutheastoftheTaiwanIslandandthepy

,NCEPreanalsisdataareusedaslearninamles.Bsinuortvectorclassificationwebuilt4mod-ygspyugspp