钱塘江涌潮是世界上著名的自然景观之一,在给人们带来视觉盛宴的同时也给钱塘江两岸的群众带来了安全隐患。每年都会有关于钱塘江潮水卷人事件的报道,这些惨剧的发生都是因为人们不能够及时的了解钱塘江涌潮的特性。因此,构建行之有效的潮位预测模型对钱塘江防潮工作至关重要。由于浅层网络模型学习后获得的是没有层次结构的单层特征,不能够很好地挖掘钱塘江各站点间潮位数据及其他数据的原始特征关系,影响预测数据重构精度,为此,提出了一种基于深度信念网络的钱塘江潮位预测方法。主要工作如下:(1)钱塘江涌潮特性的研究。针对以往钱塘江涌潮预测模型都采用单一的历史潮位数据构建,本文首先研究了钱塘江涌潮的特性,根据钱塘江涌潮产生的原因、涌潮时流速变化特性、涌潮时声音特性并结合钱塘江水文站点的实际情况分别从5个角度选取了农历“日”数据、涌潮时平均流速、涌潮时声音数据、潮位历史数据和下游站点的潮位数据等多维数据作为构建模型的数据,以期待最大限度的挖掘钱塘江涌潮的数据间信息。(2)构建基于深度信念网络的钱塘江潮位预测模型。根据钱塘江涌潮的特性,结合深度信念网络在数据提取方面的优点,构建了钱塘江潮位的预测模型。即首先采用多个首先玻尔兹曼机(RBM)对数据进行层层提取,然后采用BP神经网络对提取后数据进行重构,得出预测结果。将实验结果与单纯使用BP神经网络和支持向量机浅层网络的两种模型预测结果进行对比,结果显示基于深度信念网络的钱塘江预测模型比BP神经网络和支持向量机预测模型的平均误差均降低了10cm左右。(3)模型性能优化。在使用农历“日”数据时,本文并没有直接使用,而是根据农历日与涌潮的特点构建的符合涌潮走势规律的正弦函数,从而减少模型训练压力。同时为了避免使模型陷入局部最优,在训练时加入了冲量项,实验证明这些改进都优化了模型。