[發明專利]一種用于冷源致災物災害預測的深度學習改進算法

在審

• 申請號: 202011238338.2
• 申請日: 2020-11-09
• 公開（公告）號: CN112308214A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 趙龍;陳偉民;朱上;賴世富;鐘錚;楊子謙;柴雨森;高峣峰;鄭文龍;高衛東;杜紅彪;魏華;許磊;張高明;林莉
• 申請（專利權）人: 海南核電有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 北京金蓄專利代理有限公司 11544
• 代理人: 洪濤

1.一種用于冷源致災物災害預測的深度學習改進算法，其特征在于，包括以下步驟：

1）收集已發生冷源致災物災害歷史樣本數據，歷史樣本數據包括發生致災物災害的具體時間，以及每次發生災害時一段時間內對應的多源異構關聯因子數據，對樣本數據進行歸類匯總；

2）運用數據歸一化函數將多源異構數據進行歸一化處理，將不同格式、不同量綱的樣本數據通過歸一化函數映射到[-1 1]之間的能被計算機處理的數據，進一步獲得分組樣本數據；

3）構建深度信念網絡，采用基于動量學習率深度信念網絡改進算法，結合多組樣本數據進行模型參數的反復迭代訓練，得到深度信念網絡輸入輸出之間確定的映射關系；

4）通過將待預測區域某段時期的多源異構關聯因子數據代入確定的網絡模型，獲得災害顯著水平值V，根據不同V值所在區間進行對應的預警等級劃分。

2.根據權利要求1所述的一種用于冷源致災物災害預測的深度學習改進算法，所述樣本數據主要包括致災物災害關聯因素（季節、溫度、風速、風向、波高、洋流、臺風到達時間）。

3.根據權利要求1所述的一種用于冷源致災物災害預測的深度學習改進算法，其特征在于，所述數據歸一化處理函數為：

其中，x_g是歸一化后的數據，x為原始數據，x_max，x_min為同一種樣本數據中的最大值和最小值。

4.根據權利要求1所述的一種用于冷源致災物災害預測的深度學習改進算法，其特征在于，所述深度信念網絡包括以下步驟：

1）根據節點選取經驗公式來確定隱含層神經元的個數，隱含節點數估計公式為：

其中，num為隱含層神經元個數，k為樣本輸入特征維數，l為樣本輸出特征維數，c是在[0，10]區間的整數；

2）在步驟1）的基礎上，采用顯示層和隱含層均服從伯努利分布的RBM能量函數為：

其中：={w_ij，α_i，b_j}即為所求參數；其中RBM有n個可見單元和m個隱含單元，v_i表示第i個可見單元狀態，h_j表示第j個隱含單元狀態，w_ij表示可見單元i和隱含單元j之間的連接權重，α_i表示可見單元i個偏置，b_j表示隱含單元j個偏置；當參數確定時，可以得到（v，h）的聯合概率分布：

3）根據RBM結構性質可知，對于給定的可見單元和各個隱含層單元的激活狀態之間是相互獨立的，第j個隱含層單元和第i個可見單元激活狀態的條件概率分別為：

其中的激活函數；

4）采用對比散度算法逐層求解步驟3）的對數似然函數的負梯度來獲得每層RBM的θ最優解，即L(θ)對各個參數的偏導數，則其參數更新規則:

其中：L(θ)是訓練樣本的似然函數，ε是學習率；

5）根據步驟4）為加速梯度沿著尺寸下降學習，并提高誤差精度，引入動量改進算法，其新的更新規則為：

其中τ=1，2，……為迭代次數；α為動量參數且0≤α1；Δθ={Δw_ij，Δa_i，Δb_j }；f為單位修正因子向量；引入單位修正向量和動量的梯度衰減累積加速了收斂速度，增強了網絡在單個樣本訓練過程中的抗震蕩能力，同時在梯度計算之前施加動量校正因子αf，提高了動量誤差收斂率；

6）循環步驟5），進行下一組樣本數據的訓練，直至所有樣本數據訓練完成為止。