[發明專利]一種基于Elman神經網絡的需水預測方法

在審

• 申請號: 201710600972.8
• 申請日: 2017-07-21
• 公開（公告）號: CN107358294A
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 劉心;鄧瀟;李文竹
• 申請（專利權）人: 河北工程大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于Elman神經網絡的需水預測方法，包括數據預處理和需水預測兩部分。

2.根據權利要求1所述的方法，所述數據預處理包括對缺失異常值的處理和用集總的經驗模態分解EEMD方法進行數據分解。

3.根據權利要求2所述的方法，所述對缺失異常值的處理具體步驟如下：

（1）分析原始數據，找出缺失值和異常值，由“NAN”替代；

（2）計算原始數據中每天與“NAN”同時刻用水數據的平均值，替換“NAN”；

（3）對處理過的數據向量進行整理，得到預測算法需要的數據集。

4.根據權利要求2所述的方法，所述EEMD方法的具體步驟如下：

（1）初始化執行經驗模態分解EMD的次數n，并確定所加高斯白噪聲的幅值；

（2）向用水數據中添加高斯白噪聲，并執行n次EMD；

（3）計算n次得到的各相應IMF分量的均值，作為分解的結果。

5.根據權利要求1所述的方法，所述需水預測包括采用優化的Elman神經網絡進行需水預測。

6.根據權利要求5所述的方法，采用動量和自適應的學習率的梯度下降函數作為Elman神經網絡的訓練算法，采用線性傳輸函數為輸出神經元的傳遞函數，采用常用的S函數為中間層神經元的傳遞函數。

7.根據權利要求6所述的方法，優化Elman神經網絡包括采用遺傳算法對Elman神經網絡的連接權值和各層閾值進行優化選擇。

8.根據權利要求7所述的方法，遺傳算法優化Elman神經網絡輸入層到隱含層、隱含層到輸出層和隱含層到承接層的連接權值，以及隱含層和輸出層的閾值。

9.根據權利要求8所述的方法，所述遺傳算法的主要參數設置如下：種群大小設置為20，迭代次數設置為30，交叉概率設置為0.7，變異概率設置為0.1。

10.根據權利要求8所述的方法，所述Elman神經網絡的主要初始參數設置如下：訓練次數設置為1000，學習率設置為0.2，訓練誤差設置為0.01。