.644. 智能系统学报 第12卷 1989,1(2):270-280 3 结束语 [11 ELMAN J L.Finding structure in time J].Cognitive 本文采用递归神经网络对风暴潮增水进行预 science,1990,14(2):179-211. [12]BOTVINICK MM,PLAUT D C.Short-term memory for 测。传统的BP神经网络只能用来提取静态数据之 serial order:a recurrent neural network model [J]. 间的关系，而由于增添了反馈连接，递归神经网络 Psychological review,2006,113(2):201-233. 就更加适合用于时序数据的处理。本文在真实的 [13]SAINATH T N,KINGSBURY B,SAON G,et al.Deep 数据集上进行了验证，结果表明，相对于BP神经网 convolutional neural networks for large-scale speech tasks 络，递归神经网络能更好地对风暴潮增水进行预 [J].Neural networks,2015,64:39-48. 测，误差精度更低。 [14]SARIKAYA R,HINTON G E,DEORAS A,et al. Application of deep belief networks for natural language 在实验中发现，随着预测时间的增加，递归神 understanding[J.IEEE transactions on audio,speech, 经网络预测误差会逐步加大，并且预测结果与真实 and language processing,2014,22(4):778-784. 测量值的相位差会越来越大。如何采取有效的措 [15]KRIZHEVSKY A,SUTSKEVER I,HINTON G E,et al. 施对这一现象进行缓解，是作者下一步需要研究的 ImageNet classification with deep convolutional neural 工作。 networks C ]//International Conference on Neural Information Processing Systems.Nevada,America,2012: 参考文献： 1097-1105. [16]SVOZIL D,KVASNICKA V,POSPICHAL J,et al. [1]王喜年.风暴潮预报知识讲座[J].海洋预报，2001,18 Introduction to multi-layer feed-forward neural networks (1):73-78 [J].Chemometrics and intelligent laboratory systems, [2]高清清，曹兵，高鑫鑫，等.南通沿海台风风暴潮分析及 1997,39(1):43-62. 其经验预报初探[J].海洋预报.2014,31(1)：29-35. [17]HORNIK K,STINCHCOMBE M B,WHITE H,et al. GAO Qingqing,CAO Bing,GAO Xinxin,et al.Analysis of the Multilayer feedforward networks are universal approximators typhoon storm surge in the Nantong coastal zone and the [J].Neural networks,1989,2(5):359-366. forecasting formulas[J].Marine forecasts,2014,31(1):29-35. [18]RUMELHART D E,HINTON G E,WILLIAMS R J,et al. [3]曾德美.青岛港风暴潮经验统计预报[J].海洋预报 Learning representations by back-propagating errors[J]. 1992,9(3):66-73. Nature,1988,323(6088):533-536. ZENG Demei.A statistical forecasting of storm surge in 19]KOSMATOPOULOS E B.POLYCARPOU MM.CHRISTODOULOU qingdao harbor[J].Marine forecasts,1992,9(3):66-73. M A,et al.High-order neural network structures for [4]谢亚力，黄世昌.钱塘江河口风暴潮经验预报[J].海洋 identification of dynamical systems[J].IEEE transactions 预报，2006,23(1)：54-58. on neural networks,1995,6(2):422-431. XIE Yali,HUANG Shichang.Effects on watercourse and [20]WERBOS P J.Backpropagation through time:what it does hydrological factor in downstrean nanxi river due to water and how to do it[J].Proceedings of the IEEE,1990,78 diversion[J].Marine forecasts,2006,23(1):54-58. (10):1550-1560. [5]朱建荣，朱首贤.ECOM模式的改进及在长江河口、杭州 作者简介： 湾及邻近海区的应用[J].海洋与湖沼，2003,34(4)： 雷森，男，1992年生，博士研究生 364-373. 主要研究方向为图像处理、机器学习、 ZHU Jianrong,ZHU Shouxian.Improvement of the ECOM 遥感影像质量提升。 with application to the changjiang river estuary,Hangzhou bay and adjacent waters [J.Oceanologia Et limnologia sinica,2003.34(4):364-373. [6]黄世昌，李玉成，赵鑫，等.浙江沿海超强台风作用下 风暴潮增水数值分析[J].海洋工程，2008,26(3)： 58-64. 史振威，男，1977年生，教授，博士 HUANG Shichang,LI Yucheng,ZHAO Xin,et al. 生导师，博士，主要研究方向为图像处 Numerical analysis of storm surge due to a super typhoon in 理、模式识别、机器学习、遥感影像处 coastal region of Zhejiang province [J].The ocean 理。发表SCI国际期刊检索论文70 engineering,2008,26(3):58-64. 余篇。 [7]王培涛，于福江，刘秋兴，等.福建沿海精细化台风风暴 潮集合数值预报技术研究及应用[J].海洋预报，2010 27(5):7-15. [8]LEE T L.Neural network prediction of a storm surge[J] 石天阳，男，1994年生，硕士研究 Ocean engineering,2006,33(3):483-494. 生，主要研究方向为机器学习和人工 [9]RAJASEKARAN S,GAYATHRI S,LEE T L,et al.Support 智能。 vector regression methodology for storm surge predictions[]. 0 cean engineering,2008,35(16):1578-1587 [10]WILIIAMS R J,ZIPSER D.A learning algorithm for continually running fully recurrent neural networks[J.Neural computation,３ 结束语 本文采用递归神经网络对风暴潮增水进行预 测。 传统的 ＢＰ 神经网络只能用来提取静态数据之 间的关系，而由于增添了反馈连接，递归神经网络 就更加适合用于时序数据的处理。 本文在真实的 数据集上进行了验证，结果表明，相对于 ＢＰ 神经网 络，递归神经网络能更好地对风暴潮增水进行预 测，误差精度更低。 在实验中发现，随着预测时间的增加，递归神 经网络预测误差会逐步加大，并且预测结果与真实 测量值的相位差会越来越大。 如何采取有效的措 施对这一现象进行缓解，是作者下一步需要研究的 工作。 参考文献： ［１］王喜年． 风暴潮预报知识讲座［ Ｊ］． 海洋预报， ２００１， １８ （１）： ７３－７８． ［２］高清清，曹兵，高鑫鑫，等． 南通沿海台风风暴潮分析及 其经验预报初探［Ｊ］． 海洋预报， ２０１４， ３１（１）： ２９－３５． ＧＡＯ Ｑｉｎｇｑｉｎｇ， ＣＡＯ Ｂｉｎｇ， ＧＡＯ Ｘｉｎｘｉｎ， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｔｙｐｈｏｏｎ ｓｔｏｒｍ ｓｕｒｇｅ ｉｎ ｔｈｅ Ｎａｎｔｏｎｇ ｃｏａｓｔａｌ ｚｏｎｅ ａｎｄ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｆｏｒｍｕｌａｓ［Ｊ］． Ｍａｒｉｎｅ ｆｏｒｅｃａｓｔｓ， ２０１４， ３１（１）： ２９－３５． ［３］曾德美． 青岛港风暴潮经验统计预报［ Ｊ］． 海洋预报， １９９２， ９（３）： ６６－７３． ＺＥＮＧ Ｄｅｍｅｉ． Ａ ｓｔａｔｉｓｔｉｃａｌ ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｓｔｏｒｍ ｓｕｒｇｅ ｉｎ ｑｉｎｇｄａｏ ｈａｒｂｏｒ［Ｊ］． Ｍａｒｉｎｅ ｆｏｒｅｃａｓｔｓ， １９９２， ９（３）： ６６－７３． ［４］谢亚力， 黄世昌． 钱塘江河口风暴潮经验预报［ Ｊ］． 海洋 预报， ２００６， ２３（１）： ５４－５８． ＸＩＥ Ｙａｌｉ， ＨＵＡＮＧ Ｓｈｉｃｈａｎｇ． Ｅｆｆｅｃｔｓ ｏｎ ｗａｔｅｒｃｏｕｒｓｅ ａｎｄ ｈｙｄｒｏｌｏｇｉｃａｌ ｆａｃｔｏｒ ｉｎ ｄｏｗｎｓｔｒｅａｎ ｎａｎｘｉ ｒｉｖｅｒ ｄｕｅ ｔｏ ｗａｔｅｒ ｄｉｖｅｒｓｉｏｎ［Ｊ］． Ｍａｒｉｎｅ ｆｏｒｅｃａｓｔｓ， ２００６， ２３（１）： ５４－５８． ［５］朱建荣， 朱首贤． ＥＣＯＭ 模式的改进及在长江河口、杭州 湾及邻近海区的应用［ Ｊ］． 海洋与湖沼， ２００３， ３４（ ４）： ３６４－３７３． ＺＨＵ Ｊｉａｎｒｏｎｇ， ＺＨＵ Ｓｈｏｕｘｉａｎ． Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｔｈｅ ＥＣＯＭ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｔｈｅ ｃｈａｎｇｊｉａｎｇ ｒｉｖｅｒ ｅｓｔｕａｒｙ， Ｈａｎｇｚｈｏｕ ｂａｙ ａｎｄ ａｄｊａｃｅｎｔ ｗａｔｅｒｓ ［ Ｊ ］． Ｏｃｅａｎｏｌｏｇｉａ Ｅｔ ｌｉｍｎｏｌｏｇｉａ ｓｉｎｉｃａ， ２００３， ３４（４）： ３６４－３７３． ［６］黄世昌， 李玉成， 赵鑫， 等． 浙江沿海超强台风作用下 风暴潮增水数值分析 ［ Ｊ］． 海洋工程， ２００８， ２６ （ ３）： ５８－６４． ＨＵＡＮＧ Ｓｈｉｃｈａｎｇ， ＬＩ Ｙｕｃｈｅｎｇ， ＺＨＡＯ Ｘｉｎ， ｅｔ ａｌ． Ｎｕｍｅｒｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｔｏｒｍ ｓｕｒｇｅ ｄｕｅ ｔｏ ａ ｓｕｐｅｒ ｔｙｐｈｏｏｎ ｉｎ ｃｏａｓｔａｌ ｒｅｇｉｏｎ ｏｆ Ｚｈｅｊｉａｎｇ ｐｒｏｖｉｎｃｅ ［ Ｊ ］． Ｔｈｅ ｏｃｅａｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２００８， ２６（３）： ５８－６４． ［７］王培涛，于福江，刘秋兴，等． 福建沿海精细化台风风暴 潮集合数值预报技术研究及应用［ Ｊ］． 海洋预报，２０１０， ２７（５）： ７－１５． ［８］ＬＥＥ Ｔ Ｌ． Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ａ ｓｔｏｒｍ ｓｕｒｇｅ［ Ｊ］． Ｏｃｅａｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２００６， ３３（３）： ４８３－４９４． ［９］ＲＡＪＡＳＥＫＡＲＡＮ Ｓ， ＧＡＹＡＴＨＲＩ Ｓ， ＬＥＥ Ｔ Ｌ， ｅｔ ａｌ． Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄｏｌｏｇｙ ｆｏｒ ｓｔｏｒｍ ｓｕｒｇｅ ｐｒｅｄｉｃｔｉｏｎｓ［Ｊ］． Ｏｃｅａｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２００８， ３５（１６）： １５７８－１５８７． ［１０］ＷＩＬＬＩＡＭＳ Ｒ Ｊ， ＺＩＰＳＥＲ Ｄ． Ａ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｏｎｔｉｎｕａｌｌｙ ｒｕｎｎｉｎｇ ｆｕｌｌｙ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｎｅｕｒａｌ ｃｏｍｐｕｔａｔｉｏｎ， １９８９， １（２）： ２７０－２８０． ［１１］ ＥＬＭＡＮ Ｊ Ｌ． Ｆｉｎｄｉｎｇ ｓｔｒｕｃｔｕｒｅ ｉｎ ｔｉｍｅ ［ Ｊ］． Ｃｏｇｎｉｔｉｖｅ ｓｃｉｅｎｃｅ， １９９０， １４（２）：１７９－２１１． ［１２］ ＢＯＴＶＩＮＩＣＫ Ｍ Ｍ， ＰＬＡＵＴ Ｄ Ｃ． Ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ ｆｏｒ ｓｅｒｉａｌ ｏｒｄｅｒ： ａ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ［ Ｊ ］． Ｐｓｙｃｈｏｌｏｇｉｃａｌ ｒｅｖｉｅｗ， ２００６， １１３（２）： ２０１－２３３． ［１３］ ＳＡＩＮＡＴＨ Ｔ Ｎ， ＫＩＮＧＳＢＵＲＹ Ｂ， ＳＡＯＮ Ｇ， ｅｔ ａｌ． Ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｌａｒｇｅ⁃ｓｃａｌｅ ｓｐｅｅｃｈ ｔａｓｋｓ ［Ｊ］． Ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ， ２０１５， ６４： ３９－４８． ［１４ ］ ＳＡＲＩＫＡＹＡ Ｒ， ＨＩＮＴＯＮ Ｇ Ｅ， ＤＥＯＲＡＳ Ａ， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋｓ ｆｏｒ ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｕｎｄｅｒｓｔａｎｄｉｎｇ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ａｕｄｉｏ， ｓｐｅｅｃｈ， ａｎｄ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ， ２０１４， ２２（４）： ７７８－７８４． ［１５］ＫＲＩＺＨＥＶＳＫＹ Ａ， ＳＵＴＳＫＥＶＥＲ Ｉ， ＨＩＮＴＯＮ Ｇ Ｅ， ｅｔ ａｌ． ＩｍａｇｅＮｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｎｅｖａｄａ， Ａｍｅｒｉｃａ， ２０１２： １０９７－１１０５． ［１６ ］ ＳＶＯＺＩＬ Ｄ， ＫＶＡＳＮＩＣＫＡ Ｖ， ＰＯＳＰＩＣＨＡＬ Ｊ， ｅｔ ａｌ． Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｍｕｌｔｉ⁃ｌａｙｅｒ ｆｅｅｄ⁃ｆｏｒｗａｒｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ［ Ｊ ］． Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｌａｂｏｒａｔｏｒｙ ｓｙｓｔｅｍｓ， １９９７， ３９（１）： ４３－６２． ［１７］ ＨＯＲＮＩＫ Ｋ， ＳＴＩＮＣＨＣＯＭＢＥ Ｍ Ｂ， ＷＨＩＴＥ Ｈ， ｅｔ ａｌ． Ｍｕｌｔｉｌａｙｅｒ ｆｅｅｄｆｏｒｗａｒｄ ｎｅｔｗｏｒｋｓ ａｒｅ ｕｎｉｖｅｒｓａｌ ａｐｐｒｏｘｉｍａｔｏｒｓ ［Ｊ］． Ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ， １９８９， ２（５）： ３５９－３６６． ［１８］ＲＵＭＥＬＨＡＲＴ Ｄ Ｅ， ＨＩＮＴＯＮ Ｇ Ｅ， ＷＩＬＬＩＡＭＳ Ｒ Ｊ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｂａｃｋ⁃ｐｒｏｐａｇａｔｉｎｇ ｅｒｒｏｒｓ ［ Ｊ］． Ｎａｔｕｒｅ， １９８８， ３２３（６０８８）： ５３３－５３６． ［１９］ＫＯＳＭＡＴＯＰＯＵＬＯＳ Ｅ Ｂ，ＰＯＬＹＣＡＲＰＯＵ Ｍ Ｍ，ＣＨＲＩＳＴＯＤＯＵＬＯＵ Ｍ Ａ， ｅｔ ａｌ． Ｈｉｇｈ⁃ｏｒｄｅｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅｓ ｆｏｒ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｄｙｎａｍｉｃａｌ ｓｙｓｔｅｍｓ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ， １９９５， ６（２）： ４２２－４３１． ［２０］ＷＥＲＢＯＳ Ｐ Ｊ． Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｔｈｒｏｕｇｈ ｔｉｍｅ： ｗｈａｔ ｉｔ ｄｏｅｓ ａｎｄ ｈｏｗ ｔｏ ｄｏ ｉｔ［ Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ， １９９０， ７８ （１０）： １５５０－１５６０． 作者简介： 雷森，男，１９９２ 年生，博士研究生， 主要研究方向为图像处理、机器学习、 遥感影像质量提升。 史振威，男，１９７７ 年生，教授，博士 生导师，博士，主要研究方向为图像处 理、模式识别、机器学习、遥感影像处 理。 发表 ＳＣＩ 国 际 期 刊 检 索 论 文 ７０ 余篇。 石天阳，男，１９９４ 年生，硕士研究 生，主要研究方向为机器学习和人工 智能。 ·６４４· 智 能 系 统 学 报 第 １２ 卷