[發明專利]一種融合KPCA和思維優化BP神經網絡的用水總量預測方法

在審

• 申請號: 201910323911.0
• 申請日: 2019-04-22
• 公開（公告）號: CN110047015A
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 趙和松;曾焱;成建國;張鵬程;梅林;華東;趙齊
• 申請（專利權）人: 水利部信息中心;河海大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/04;G06Q10/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種融合KPCA和思維優化BP神經網絡的用水總量預測方法，其特征在于，包括如下步驟：

(1)運用相關系數法從多個影響用水總量的候選數據因子中確定預測因子；

(2)利用核主成分分析對所確定的預測因子進行降維處理；

(3)利用BP神經網絡建立用水總量預測模型，采用思維進化學習算法優化BP神經網絡的權值和閾值；

(4)利用訓練好的預測模型對用水總量進行預測。

2.根據權利要求1所述的融合KPCA和思維優化BP神經網絡的用水總量預測方法，其特征在于，所述步驟(1)包括：

(11)選取國內生產總值、農業增加值、糧食產量、有效灌溉面積、工業增加值、規模以上工業企業產生品、水產品總產量、城市污水日處理能力、城鎮生活污水排放量、廢水排放量、火力發電量、城市綠地面積、水產品養殖面積、生活用水總量、農業用水總量、用水人口、漁業增加值、工業用水、糧食產量、生態用水、企業所得稅總額和個人所得稅總額作為影響用水總量的候選預測因子；

(12)分別計算出各候選預測因子與用水總量的實測值的相關系數；

相關系數的計算公式為：

式中，X_i為第i個樣本的預測因子值的大小，為預測因子的均值，Y_i為第i個樣本的實測值大小，為實測值均值，M為樣本總數量；

(13)將相關系數降序排列，選取前k個相關系數較大的因子作為影響用水總量的預測因子，k為自然數。

3.根據權利要求2所述的融合KPCA和思維優化BP神經網絡的用水總量預測方法，其特征在于，選擇相關系數大于0.5的因子作為影響用水總量的預測因子。

4.根據權利要求1所述的融合KPCA和思維優化BP神經網絡的用水總量預測方法，其特征在于，所述步驟(2)包括：

(21)將所確定預測因子對應的數據進行歸一化處理，生成M×N的初始因子輸入矩陣，其中M為樣本總量，N為預測因子數量；

(22)求核矩陣K，通過核函數將歸一化后的數據由數據空間投影映射到特征空間，所述核函數為：

式中，x_i為第i個樣本的所有列，x_j為第j個樣本的所有列，a為方差系數；

(23)將核矩陣K中心化，以修正核矩陣，得到中心化的核矩陣K_c；

K_c＝K-l_MK-Kl_M+l_MKl_M

式中，l_M為M×M的矩陣，每一個元素都為1/M；

(24)計算核矩陣K_c的特征值λ₁,…,λ_n和特征向量v₁,…,v_n，將特征值降序排列并相應調整特征向量的順序，n為自然數；

(25)通過施密特正交化方法，正交化并單位化特征向量；

(26)計算各特征值的累計貢獻率r₁,…,r_n，根據給定的貢獻率閾值p，如果某特征值的累計貢獻率r_t>貢獻率閾值p，則選取前t個主分量，作為降維后的數據，其中t為自然數。

5.根據權利要求4所述的融合KPCA和思維優化BP神經網絡的用水總量預測方法，其特征在于，所述步驟(3)包括：

(31)確定BP神經網絡的拓撲結構，BP網絡設計為3層網絡結構，包括輸入層、隱含層和輸出層，輸入層輸入降維后的預測因子，輸出層輸出用水總量預測值；將用水總量數據樣本分為訓練樣本和測試樣本；

(32)輸入用水總量數據序列訓練集和測試集，經過初始訓練迭代，獲取神經網絡初始權值和閾值；

(33)隨機產生初始種群,優勝子群體和臨時子群體；

(34)求個體的分值：

其中，L是訓練集樣本的數量，是目標函數與網絡輸出的差值的平方，e_j(s)＝d_j(s)-y_j(s),d_j(s)是目標函數的值，d_j(s)是網絡輸出數據，s是訓練樣本編號，j是個體編號，Q是個體總數，當較小，個體分值越好；

(35)執行趨同操作并計算各子群體得分，用正態分布N(μ,Σ)生成K個優勝子群體和P個臨時子群體，其中μ是正態分布的中心，Σ是正態分布的協方差矩陣，則子群體中正態分布中心的坐標記為子群體的得分；

(36)執行異化操作，尋找臨時子群體得分高于優勝子群體的編號，得分高的臨時子群體替換優勝子群體；

(37)當滿足迭代停止條件時，輸出當前迭代獲得的最佳個體及得分，根據編碼規則，解析獲得到的最優個體，產生BP神經網絡的權值和閾值，否則，返回步驟(35)；

(38)用步驟(37)得出的權值和閾值作為重新訓練的初始權值和閾值訓練BP神經網絡模型。