[發明專利]基于擴展小波神經網絡模型的水位預測方法

在審

• 申請號: 201710744099.X
• 申請日: 2017-08-25
• 公開（公告）號: CN107704426A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 解培中;劉立燕;李汀
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06N3/08
• 代理公司: 南京知識律師事務所32207
• 代理人: 李吉寬

1.一種基于擴展小波神經網絡水位預測模型的方法，其特征在于，所述方法包括以下步驟：

步驟1:利用Kendall秩相關系數，計算各個序列x^t,x^t-1,x^t-2,…,x^t-n，n≥1與輸出項y的相關性；

步驟2：根據相關性，將各個序列進行小波多頻率分解，將小波分解系數歸一化處理作為網絡的輸入，建立不同的擴展小波神經網絡模型；

步驟3：選擇隱層與輸出層的激勵函數，并進一步選擇合適的隱層節點數，采用優化算法，訓練網絡；

步驟4：將得到的不同的擴展網絡進行檢驗，判斷輸入與輸出的不同相關性對輸出的影響，并選擇最恰當的擴展網絡神經網絡。

2.根據權利要求1所述的一種基于擴展小波神經網絡水位預測模型的方法，其特征在于，所述步驟1包括：

利用Kendall秩相關系數，計算各個序列x₁,x₂,x₃…,x_n與輸出項y的相關性；

τ=Cn2-1Σi<jsign[(xi-xj)(yi-yj)],1≤i,j≤n]]>

是組合系數，n是樣本長度，x_i,x_j,y_i,y_j是樣本取值，當(x_i-x_j)*(y_i-y_j)>0時，

sign＝1；當(x_i-x_j)*(y_i-y_j)<0時，sign＝-1；當(x_i-x_j)*(y_i-y_j)＝0時，sign＝0。

3.根據權利要求1所述的一種基于擴展小波神經網絡水位預測模型的方法，其特征在于，所述步驟2包括：

根據相關性，將各個序列x^t,x^t-1,x^t-2,…,x^t-n，n≥1以db5作為母小波進行小波分解，分解水平為3，將各個序列進行小波分解得到其中前三項為高頻部分(細節信號)后一項為低頻部分(背景信號)，將小波分解系數歸一化處理作為網絡的輸入，通過n的取值不同建立不同的擴展小波神經網絡模型。

4.根據權利要求1所述的一種基于擴展小波神經網絡水位預測模型的方法，其特征在于，所述步驟3包括：

選擇雙曲正切函數與線性函數f(x)＝x分別作為隱層與輸出層的激勵函數，根據均方誤差(MSE)的大小來選擇合適的隱層節點采用Levenberg-Marquardt(LM)優化算法，訓練網絡。