[發明專利]一種基于優化組合神經網絡的需水預測方法

在審

• 申請號: 202010056323.8
• 申請日: 2020-01-18
• 公開（公告）號: CN111292124A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 劉心;鄧皓;李文竹
• 申請（專利權）人: 河北工程大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/02;G06N3/08;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于優化組合的Elman神經網絡的需水預測方法，其特征在于：首先利用平均影響值(Mean Impact Value，MIV)算法對輸入變量進行篩選，找出影響需水量的主要因素；利用思維進化算法(Mind Evolutionary Algorithm，MEA)優化Elman神經網絡的權值和閾值，得到狀態最優的Elman神經網絡進行預測。

2.根據權利要求1的方法，所述對輸入變量進行篩選是指利用MIV算法對影響因素計算平均影響值，通過比較大小來進行排序，篩選出影響需水量的主要因素，將其作為Elman神經網絡模型的輸入。

3.根據權利要求2的方法，所述計算平均影響值包括：

(1)將作物需水量和采集到的影響因素樣本輸入至Elman模型中進行訓練；

(2)對樣本中的每一個影響因素的數據分別加減10％，其余指標保持不變，構成新樣本，分別記為X_i⁽¹⁾和X_i⁽²⁾，作為新的輸入得出預測結果Y_i⁽¹⁾、Y_i⁽²⁾；

(3)計算每個影響因素的平均影響值。

4.根據權利要求3的方法，進一步地，X_i⁽¹⁾和X_i⁽²⁾分別為

其中，i(i＝1，2，...，n)表示第i個影響因子；x_mn表示進行第m次觀測時第n個影響因子的值；

重新將式(1)和(2)作為訓練好的神經網絡模型輸入，其輸出為樣本點中第i(i＝1，2，…，n)個影響因素指標變化時與之對應的2n個輸出向量：

求兩式差，得到如下每個樣本點中第i個影響因素指標變化后對作物需水量輸出值的影響變化值向量為從而得到第

i個影響因素指標變化時，m個需水量輸出值的平均影響值為：

式中：IV_i(j)代表向量IV_i中第j個元素(j＝1，2，...，m)，MIV_i為數據樣本中第i個影響因素指標對作物需水量輸出結果的平均影響值，i(i＝1，2，...，n)。

5.根據權利要求4的方法，選取5個影響因素：平均氣壓、平均氣溫、風速、日照時數和相對濕度。

6.根據權利要求1的方法，所述利用MEA算法優化Elman神經網絡的權值和閾值包括以下步驟：

(1)將導入數據分為訓練集和測試集；

(2)對思維進化算法的參數進行設置；

(3)根據Elman神經網絡的拓撲結構,將解空間映射到編碼空間,每個編碼對應問題的一個解，形成初始種群；根據得分函數，計算各個體的得分，選出優勝個體和臨時個體，以優勝個體和臨時個體為中心，在每個個體周圍產生一些新的個體，形成優勝子種群和臨時子種群；

(4)通過趨同、異化等操作，不斷進行迭代逼近最優路徑，滿足結束條件時全局的最優解搜索過程結束，輸出最優個體,作為Elman神經網絡最優的初始權值和閾值；

(5)計算網絡誤差反饋給Elman神經網絡，判斷是否完成訓練；

(6)完成訓練，則進行仿真預測，輸出預測結果；否則，對Elman神經網絡的權值和閾值進行更新，迭代次數加1，并返回步驟(5)。

7.根據權利要求6的方法，設置訓練集均方誤差的倒數作為各個體和種群的得分函數。

8.根據權利要求7的方法，步驟(4)中的結束條件為達到思維進化算法中設置的迭代次數或所有臨時子種群的得分均低于優勝子種群的得分。

9.根據權利要求8的方法，步驟(5)中完成訓練的條件是達到了Elman神經網絡設置的最大迭代次數或者誤差小于設定的訓練誤差。

10.根據權利要求9的方法，對思維進化算法的參數進行設置包括：種群大小設置為200個群體、5個優勝子種群和5個臨時子種群，子種群的大小為20，迭代次數為10。