基于层次分解的序列化海岸流预测方法研究

本综述提出了一种结合经验模态分解（EMD）与离散小波变换（DWT）的层次分解策略，并融合变结构径向基函数网络（RBFN）与Lipschitz商数算法，构建了一套自适应、实时性强的海岸流预测机制。该方法有效提升了非线性、非平稳时间序列的预测精度与运算效率，在海洋能源开发与近岸工程安全中具有重要应用价值。

　　

1 引言

精确预测海岸流对潮汐发电、海岸工程及海上活动的高效运行至关重要。潮汐运动受天体轨道动力学、地球自转、大陆架形态与海岸线等多种因素影响，同时气象与水文参数如风速、气压梯度、盐度、水温、降水与冰情等也显著影响其波动。潮汐流变化呈现高度非线性、不确定性和时变动态特征，且具备三维运动特性，较之单一垂直方向的潮位预测更为复杂。

传统谐波分析方法虽广泛应用于潮与潮流的预测，但其依赖系统化的潮流数据测量，且难以纳入气象与水文变量，极端天气下预测偏差显著。随着信息处理与智能计算方法的进步，神经网络、智能优化算法与概率建模等技术为实时高精度海洋流预测提供了新途径。这些方法在处理非线性与噪声信号、表达不确定性及表征非谐波波动方面展现出优势。

2 方法论

2.1 经验模态分解

经验模态分解（EMD）是一种自适应数据驱动技术，适用于分析非平稳与非线性的信号，将其分解为多个本征模态函数（IMF）与一个残差项。EMD不依赖先验假设，依据信号自身时间尺度特性进行分解，广泛用于地球科学、大气与海洋观测分析中的信号识别、去噪与特征提取。

其核心步骤包括识别极值点、构建上下包络线、计算均值并提取细节分量，迭代直至满足IMF条件。最终原始信号可表示为若干IMF与残差项之和。

2.2 离散小波分解

离散小波变换（DWT）通过母小波的缩放与平移，将信号分解为不同频率的子成分，包括细节系数（D）与近似系数（A）。DWT具备多分辨率分析能力，可同时在时域与频域提供高分辨率信息，适用于非平稳数据处理。

2.3 Lipschitz商数方法

Lipschitz商数法是一种无需先验知识的输入-输出映射识别方法，适用于复杂非线性动力系统的黑箱建模。该方法基于系统连续性假设，利用样本间距与输出差异计算商数，通过商数变化判断最优输入变量数目，避免人工参数调优。

2.4 变结构神经网络

变结构RBF网络通过滑动数据窗口（SDW）实时监测系统动态，并据此调整网络结构与参数。隐藏层单元根据误差削减比（err）与标准化误差削减比（nerr）动态增删，再通过伪逆法求解输出权重，实现网络结构的在线优化与快速学习。

3 基于层次分解的神经预测

本研究提出一种层次化EMD-DWT分解策略：先通过EMD将原始潮流信号分解为IMF与残差，再对能量最高、频率最复杂的IMF1进行DWT分解，得到细节与近似分量。各分量分别由变结构RBF网络进行实时识别与预测，最终预测结果通过分量叠加重构。

该策略有效缓解了EMD分解中的频率混叠问题，降低了高能分量的预测难度，同时通过Lipschitz商数自主确定各分量的模型输入阶数，提升预测系统的自适应能力。

4 实时潮流预测仿真

4.1 仿真数据集

数据源自美国NOAA的PORTS系统，选取Cumberland Sound的Range A2站点的近表层潮流数据（2024年7月1日至9月30日）。该区域汇流复杂，受多种水文气象因素与径流影响，潮流变化具显著非线性与时变特征。

4.2 基于EMD的神经网络预测

EMD将纵向流速信号自适应分解为8个IMF与1个残差项。各分量分别由变结构RBF网络进行预测，整体预测RMSE为9.412990 cm/s，相关系数达0.976348。IMF1预测误差最大（8.5459 cm/s），表明其内含高噪声与未建模动态，是预测精度的主要瓶颈。

4.3 层次化EMD-DWT神经预测

对IMF1进行一阶DWT分解（小波基为db4），生成细节与近似分量。再分别预测并叠加其余IMF与残差，整体预测RMSE降至8.886484 cm/s，相关系数提升至0.978893。隐层单元数动态调整，计算总时长26.6秒，满足实时性要求。

多步预测实验表明，该框架在1–48小时预测范围内均保持较高精度与稳定性，横向流速预测同样表现良好。

5 结论

本研究提出的基于层次分解的自适应潮流预测机制，融合了EMD与DWT在信号多分辨率处理方面的优势，结合变结构RBF网络与Lipschitz商数算法，实现了高精度与高效率的实时潮流预测。该方法系数自适应、结构灵活，适用于复杂海洋环境下的短期预测需求，在潮汐能开发与近海安全运维中具备广泛应用前景。未来工作将聚焦于分解结果的物理可解释性及其与机理模型的深度融合，以进一步提升预测机制的透明度与长期动态捕捉能力。