[發明專利]基于隨機森林算法和Adam神經網絡波浪補償預測方法

在審

• 申請號: 201911343467.5
• 申請日: 2019-12-24
• 公開（公告）號: CN111738478A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 唐剛;冀香震;胡雄
• 申請（專利權）人: 上海海事大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于隨機森林算法和Adam神經網絡波浪補償預測方法，其特征在于，包括以下步驟：

步驟1：收集船舶歷史數據，進行數據歸一化處理，得到原始數據集；

步驟2：利用Bootstrap重采樣方法抽取樣本，構成若干訓練集樣本；

步驟3：根據隨機森林計算特征重要性，進行屬性篩選；

步驟4：構建神經網絡模型，根據篩選后的屬性樣本作為輸入量，船舶預測值作為輸出量，利用Adam算法訓練神經網絡模型；

步驟5：根據實時監測數據輸入Adam神經網絡模型，得出預測值。

2.根據權利要求1所述的基于隨機森林算法和Adam神經網絡波浪補償預測方法，其特征在于，所述步驟1還包括以下步驟：

步驟1.1：收集船舶的升沉位移，加速度與速度等歷史樣本數據；

步驟1.2：用min-max標準化實現對歷史樣本數據的歸一化,得到原始數據集樣本，即

其中:X為未歸一化的一個樣本數據,X^*為歸一化后的一個樣本數據,X_min為樣本數據的最小值,X_max為樣本數據的最大值。

3.根據權利要求1所述的基于隨機森林算法和Adam神經網絡波浪補償預測方法，其特征在于，所述步驟2包括以下步驟：利用Bootstrap重采樣(有放回的隨機抽樣)方法從原始數據集S中隨機抽樣生成n個訓練集S₁，S₂，S₃，…，S_n構成若干訓練集樣本，原始樣本集中約三分之一的樣本不會出現在訓練集中，該部分數據被稱為袋外數據，可用來評估模型的泛化誤差。

4.根據權利要求1所述的基于隨機森林算法和Adam神經網絡波浪補償預測方法，其特征在于，所述步驟3包括以下步驟：

步驟3.1：利用每個隨機生成的訓練集，組成其對應的決策樹C₁，C₂，C₃，…，C_n；在決策樹每個節點處的M個特征值中隨機選取m(m≤M)個特征作為當前節點的分裂屬性集，在每個節點上依據Gini系數選取最優的分裂方式對該節點分裂；若樣本空間S包含j個屬性，則Gini系數可定義為：

式中:p_j表示樣本集S包含屬性j的概率；

步驟3.2：選擇基尼系數最小的屬性作為劃分屬性；

步驟3.3：對劃分的每個樣本集構建回歸樹,并將多棵回歸樹構件成回歸森林；

步驟3.4：構成的隨機森林使用訓練集進行訓練；隨機森林通過計算袋外樣本的袋外誤差來計算特征重要性；

步驟3.5：依據特征重要性對特征進行排序，篩選出重要的特征。

5.根據權利要求1所述的基于隨機森林算法和Adam神經網絡波浪補償預測方法，其特征在于，所述步驟4包括以下步驟：

步驟4.1：預先建立一個三層的神經網絡模型，分別為輸入層，隱藏層，輸出層；

步驟4.2：利用Xavier初始化方法初始化神經網絡的權值和偏置；

步驟4.3：選取與篩選后的屬性形成的樣本作為神經網絡模型的輸入量，船舶預測值作為神經網絡模型的輸出量，利用Adam算法訓練神經網絡模型。