CN107203810A - 一种基于深度网络的降水量预测方法 - Google Patents
一种基于深度网络的降水量预测方法 Download PDFInfo
- Publication number
- CN107203810A CN107203810A CN201710361172.5A CN201710361172A CN107203810A CN 107203810 A CN107203810 A CN 107203810A CN 201710361172 A CN201710361172 A CN 201710361172A CN 107203810 A CN107203810 A CN 107203810A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- factor
- network
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明公开了一种基于深度网络的降水量预测方法,具体步骤如下:收集水文环境数据,对数据进行预处理,将其归一化到01区间;使用KMO检验以及巴特利特球形检验对环境因素的充分性进行检测,待检验完毕再使用因子分析法对环境因素进行筛选;将划分出来的训练样本,作为深度网络的输入值,对网络进行分层无监督学习,然后再使用顶层的BP网络对整体的网络反向微调,确保其精度;将测试样本作为训练完成的模型的输入,再反归一化从模型那得到的输出,便是降水量预测的结果。本发明能够更加准确对地区未来的降水量进行预测,并使用了因子分析法,筛选出相关性较低的因素,提高了计算效率,大大的加强了降水量预测过程中的科学性与合理性。
Description
技术领域
本发明涉及一种基于深度网络的降水量预测方法。
背景技术
随着人口的急剧膨胀,河流的污染程度也随之上升,如何充分利用好地球上宝贵的水资源,是人类所面临的严峻问题,降水作为水文系统循环过程中的一个非常重要的环节,在整个水循环中起着关键性的作用,而降水量在较短时间内的剧烈变化,极易引发区域环境的旱涝灾害,从而对整个区域的经济发展造成严重的危害,为此,如何更好的在较短的时间内对未来降水量进行精准预测,是目前水信息领域亟需解决的关键问题之一。
降水量的预测在近几十年取得了较大的发展,常使用的一类模型是物理统计模型,即选择的因子具有一定的物理意义,并利用前兆信息因子与后期汛期的遥相关原理,对降水的轻重程度进行划分,陈菊英等中提出了一种海河流域分区汛期降水量的多级预报物理模型,集成了各个前兆敏感信息因子,挑选了各个水文站的信息进行综合分析,共同研制成预测的物理模型。马振锋等提出的一种预测川渝地区汛期降水量的物理统计模型,其四川盆地固有的三类降水分布型,得到了川渝地区主汛期降水和预测中强信号的关联,建立了针对川渝地区的物理统计模型。
物理统计模型对数据的质量要求严格,区域所处地域对预测效果影响极大,在实际的使用中不够灵活,并易受不稳定因素的影响,并且其类似于线性刻画的方式,并不能很稳定的去预测降水量,存在较大的随机性。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种基于深度网络的降水量预测方法,该方法克服了传统预测方法的局限性,降水过程本身受到大量不确定因素的影响,如:区域所处气候带、太阳黑子、潮汐、大气环流以及人类自身的活动因素,因其本身存在隐藏的时序特征,呈现为一种较为复杂的非线性动力系统,使得很难找到一个合适的模型去预测未来降水量的变化趋势,每日的降水量具有数据量大,特征多,规律较难学习等特点,十分适合使用深度网络来对其学习。
技术方案:一种基于深度网络的降水量预测方法,具体步骤如下:
步骤一:从因特网上采集水文环境因素,以及其对应的降水量,去除其中的缺值,以及干扰项,然后使用归一化对因素归一化,避免基数的大小对后续步骤造成影响,归一化的公式为:x=(x-X(min))(X(max)-X(min)),其中x是属于时间序列中的一项,X(min)表示为序列X中的最小值,X(max)表示为序列X中的最大值。
步骤二:使用因子分析法,对水文环境因素进行了筛选,因子分析法是一种用来分析变量之间的相互关系,筛选出所有因子中信息量占用较大方式的降维方式。降水量受很多环境因子的影响,如气压、光照、温度、风向、风速等,水文环境因子之间可能是相互关联的,如果将所有的水文环境因子都作为模型的输入,必然会导致模型的拟合程度不佳
因子分析的步骤如下:
2.1使用KMO检验以及球形检验对原始数据的充分性进行判断,KMO测试以及Barlett球形测试用来判断数据源是否适合进行因子分析,KMO测试是用来表示变量之间相互关联的程度的,KMO的值在0到1之间,值越接近于1,变量之间的关系越紧密,接近于0,表示变量之间的关联并不大,值小于0.5便不适宜做因子分析,Barlett球形测试是用来判断所选择的变量之间是否相互独立。
2.2计算变量的相关性系数矩阵,并由相关性矩阵计算出特征根及特征向量,其中相关性矩阵计算公式为:
其中a为1到n的一个自增变量,x表示着水文时间序列,Xx表示所有环境因素中所特定选中的某一种因素,i和j表示着矩阵的行的列的条目数。
2.3根据步骤2.2特征根与特征向量,根据每个环境因素特征根比例的大小求得单个方差贡献率,将单个方差贡献率相加便得到了累积方差的贡献率的大小,然后按照每个环境因素的方差的累积贡献率去选择公共因子的个数。
所选取指标与原来指标之间的相互关联程度由EV(特征值)、VCR(方差贡献率)、CCR(累计贡献率)三个数值来体现,因为旋转之前相关矩阵的结构不够简明,因子对其余变量的解释能力偏弱,采用方差最大正交旋转变换,使因子之间更容易相互解释。
如在使用因子分析法之前的因素为:平均本站气压、日最高气温、最小相对湿度、平均风速、极大风速的风向、日最高本站气压、日最低气温、最大风速、日照时数、日最低本站气压、平均水汽压、小型蒸发量、最大风速的风速、平均气温、平均相对湿度、大型蒸发量、极大风速。
经过上述步骤之后得到的因素为:平均本站气压、日最高气压、平均气温、最大风速、日照时数、小型蒸发量、最小相对湿度。
虽然进过因子分析法之后,环境因子的数量变少,但是信息都得以保留。并且在后面模型需要计算时整体的计算量整整少了一半以上。
步骤三:深度信念网络分为两大部分,DBN是由多层受限玻尔兹曼机联合而成,受限玻尔兹曼机是一种能量函数,单层的玻尔兹曼机又分为隐含层和可视层,RBM网络的学习过程是一种无监督学习的方式,不需要目标输出来为其校正权值,而是采用了一种可视层与隐含层之间来回传递以达到能量最小的方式,此时,可将第一层的隐含层作为下一层的可视层,继续同样方式的训练。第一部分包括RBM网络权值更新的公式,在最初的深度信念网络中,RBM层都是由二值节点{0,1}组成的,由于本文的输入数据都是与气候环境相关的实值因子,二值单元的表达能力不足以表示出全部的信息,极易造成信息的丢失,故先对输入向量进行处理,DBN第一部分是由多层受限玻尔兹曼机(Restricted BoltzmannMachine,即RBM)联合而成,第二部分是顶层的BP网络=,BP网络的主要作用便是对第一部分的RBM层进行微调,由Smolensky提出的RBM是一种很特殊的拓扑结构,它对玻尔兹曼机(Boltzmann Machine,即BM)网络进行了优化,去除了层内节点之间的互联关系,大大加快了计算网络节点概率的速度。BM是一种能量网络,主要用来描述变量与变量之间的高阶相互作用,多层RBM层联结起来对数据进行无监督学习,RBM由一层可视层V(Visible layer)与一层隐含层H(Hidden layer)连接组成,可视层V用来接收特征数据,而隐含层H作为特征检测器,抽象出数据中的特征,层内节点之间没有连接关系,在计算每个节点概率的时候可以做到相互独立。,待每层RBM逐层学训练完毕,再使用顶层的BP网络对其反向微调。
深度信念网络的训练具体步骤如下:
3.1训练第一层RBM网络,RBM是一种能量函数,每层RBM网络可分为可视层与隐含层,RBM网络的权值更新公式为:
ΔWij=ε{<vihj>data-<vihj>recon} (2)
ε是网络学习的速率,<vihj>data表示对于在可见层v上i节点与隐含层h上j节点所指定下所分布的期望,所以<vihj>data-<vihj>recon前后相减则表示从可见层到隐含层之间的差距是多少,再乘以学习速率则形成的能量函数进行修改再将两者之间的差距乘以学习速率作为对能量函数权值节点修改的依据。
3.2使用CD算法逐层更新多层RBM网络,CD算法的公式如下:
W为RBM网络的权重矩阵;b为可视层节点的偏移量;v表示为可视层节点的偏移量,n为可视层节点的数量,而j则表示着隐含层节点的数量,p表示着可视层节点权值更新的概率;
3.3待3.1,3.2步骤完成后,即无监督训练完毕,再使用BP网络对其反向微调,使其权值落在合适的位置,BP网络调整的流程如下所示:
BP网络又称反向传播网络,是神经网络届非常重大的发明,解决了网络层数过深之后,权值难以调整的问题,而BP网络的调整最重要的就是反向传播,输入序列x从前往后传播网络,得到最后的结果y,将y与原拟定结果Y相比较,求得他们的均方根误差,也就是mse,若mse不满足所设立的条件,一般是一个接近0的数值,那么便使用误差的大小来更新网络中的权值,更新完毕之后,再次进行判断,若合适,便得到的我们想要的权值结果。
步骤四:使用训练完毕的网络对筛选过后的环境因子进行预测,并将预测结果反归一化。
有益效果:与现有的技术相比,本发明所提供的一种基于深度网络的降水量预测方法,考虑到原深度网络中存在的01节点(原RBM网络隐含层与可视层的节点值为0或者1,所以称为01节点,但二值节点(01)的表现力不足),对水文时间序列模拟能力不够的问题,本发明使用了高斯转化二值节点的方式,并将其与因子分析法相结合,使用因子分析法对环境因子进行筛选,既减少了模型过拟合的概率,又提高了模型预测的精确度,而深度网络又克服了传统的浅层网络易过拟合,易陷入局部最小值的问题。
附图说明
图1为本发明实施例的方法流程图;
图2为DBN模型图;
图3为使用BP网络对整体的网络权值进行调整的流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于深度网络的降水量预测方法,具体步骤如下:
步骤一:此部分主要用于整个系统的预处理,分为数据的收集,以及对环境因子的筛选,筛选使用的因子分析法;从因特网上采集水文环境因素,以及其对应的降水量,去除其中的缺值,以及干扰项,然后使用归一化对因素归一化,避免基数的大小对后续步骤造成影响,归一化的公式为:x=(x-X(min))(X(max)-X(min)),其中x是属于时间序列中的一项,X(min)表示为序列X中的最小值,X(max)表示为序列X中的最大值。
但需注意的是本文所使用的因子分析法中,因子旋转有正交旋转、斜交旋转、方差最大旋转法,其中本文选用的是方差最大旋转法,方差最大旋转法尽可能的去找到一种简单结构,挑选出在某一个因素上贡献率较高的因子,而在其他的变量上影响力几乎为0,这样的挑选方式较适合我们的水文数据特征。
使用因子分析法,对水文环境因素进行了筛选,因子分析法是一种用来分析变量之间的相互关系,筛选出所有因子中信息量占用较大方式的降维方式。降水量受很多环境因子的影响,如气压、光照、温度、风向、风速等,水文环境因子之间可能是相互关联的,如果将所有的水文环境因子都作为模型的输入,必然会导致模型的拟合程度不佳。
因子分析的步骤如下:
2.1:使用KMO检验以及球形检验对原始数据的充分性进行判断,KMO测试以及Barlett球形测试用来判断数据源是否适合进行因子分析,KMO测试是用来表示变量之间相互关联的程度的,KMO的值在0到1之间,值越接近于1,变量之间的关系越紧密,接近于0,表示变量之间的关联并不大,值小于0.5便不适宜做因子分析,Barlett球形测试是用来判断所选择的变量之间是否相互独立。
表1 KMO测试实例表
如表1所示,KMO测试的值为0.723,远远大于了0.5,证明了因子的关联性较高,卡方近似值和自由度主要与数据的维度相关,显著性为0,拒绝了零假设,表明变量之间并不是独立的,两项测试的结果都表明数据适合做因子分析法。
2.2计算变量的相关性系数矩阵,并由相关性矩阵计算出特征根及特征向量.其中相关性矩阵计算公式为:
其中a为1到n的一个自增变量,x表示着水文时间序列。
2.3根据步骤2.2特征根与特征向量,根据其比例的大小求得单个方差贡献率,将单个方差贡献率相加变得到了累积方差的贡献率的大小,然后按照其方差的累积贡献率去选择公共因子的个数。
表2旋转前后贡献率变化表
所选取指标与原来指标之间的相互关联程度由EV(特征值),VCR(方差贡献率),CCR(累计贡献率)三个数值来体现,因为旋转之前相关矩阵的结构不够简明,因子对其余变量的解释能力偏弱,本文采用方差最大正交旋转变换,使因子之间更容易相互解释,如表2所示:前七的因子的累积贡献率已达到了94.2%,故选取这七个因子作为我们模型的输入。
如本发明在使用因子分析法之前的因素为:平均本站气压、日最高气温、最小相对湿度、平均风速、极大风速的风向、日最高本站气压、日最低气温、最大风速、日照时数、日最低本站气压、平均水汽压、小型蒸发量、最大风速的风速、平均气温、平均相对湿度、大型蒸发量、极大风速。
经过上述步骤之后得到的因素为:平均本站气压、日最高气压、平均气温、最大风速、日照时数、小型蒸发量、最小相对湿度。
提取出因子在通过查看因子之间的共同度判断信息留存的情况
表3筛选过后共同度参数表
从表中可以看出,虽然进过因子分析法之后,环境因子的数量从17种变成了7种,但是信息都得以保留。并且在后面模型需要计算时整体的计算量整整少了一半以上。
步骤二:此部分使用了深度网络DBN建立了适合于降水量的模型,其中网络的输入是进过筛选的环境因子,其中,由于原始的输入数据都是与气候环境相关的实值因子,二值单元的表达能力不足以表示出全部的信息,极易造成信息的丢失,故需先对输入向量进行处理,主流的处理方式分为由Hinton等人[16]提出的将输入的信息直接编码为Bernoulli型,以及由等人[17]提出的对RBM能量函数进行修改,使高斯分布直接嵌入到模型中,第一种方式会使序列中增加不必要的噪声,采用对RBM能量函数进行修改的方式,其中σ是关于可视层节点i高斯噪声的标准差,修改后的表达方程式为:
深度信念网络的训练具体步骤如下:
3.1训练第一层RBM网络,RBM是一种能量函数,每层RBM网络可分为可视层与隐含层,RBM网络的权值更新公式为:
ΔWij=ε{<vihj>data-<vihj>recon} (2)
ε是网络学习的速率,<vihj>data表示对于在可见层v上i节点与隐含层h上j节点所指定下所分布的期望,所以<vihj>dara-<vihj>recon前后相减则表示从可见层到隐含层之间的差距是多少,再乘以学习速率则形成的能量函数进行修改再将两者之间的差距乘以学习速率作为对能量函数权值节点修改的依据;
3.2使用CD算法逐层更新多层RBM网络,CD算法的公式如下:
W为RBM网络的权重矩阵;b为可视层节点的偏移量;
3.3待3.1,3.2步骤完成后,即无监督训练完毕,再使用BP网络对其反向微调,使其权值落在合适的位置,BP网络调整的流程如图3所示:
BP网络又称反向传播网络,是神经网络届非常重大的发明,解决了网络层数过深之后,权值难以调整的问题,而BP网络的调整最重要的就是反向传播,输入序列x从前往后传播网络,得到最后的结果y,将y与原拟定结果Y相比较,求得他们的均方根误差,也就是mse,若mse不满足所设立的条件,一般是一个接近0的数值,那么便使用误差的大小来更新网络中的权值,更新完毕之后,再次进行判断,若合适,便得到的我们想要的权值结果。
步骤三:使用建立好的模型对降水量进行预测,输出结果可使用多次预测取平均值的方式来降低偶然性的干扰,最后并使用y*(ymax-ymin)+ymin,对输出结果反归一化。
Claims (4)
1.一种基于深度网络的降水量预测方法,其特征在于,具体步骤如下:
步骤一:从因特网上采集水文环境因素,以及其对应的降水量,去除其中的缺值,以及干扰项,然后使用归一化对因素归一化;
步骤二:使用因子分析法,对水文环境因素进行筛选;
步骤三:使用DBN(深度信念网络)对步骤二中得到的数据进行处理,DBN第一部分是由多层受限玻尔兹曼机(RBM)联合而成,受限玻尔兹曼机是一种能量函数,单层的玻尔兹曼机又分为隐含层和可视层,RBM网络的学习过程是一种无监督学习的方式,不需要目标输出来为其校正权值,而是采用了一种可视层与隐含层之间来回传递以达到能量最小的方式,此时,可将第一层的隐含层作为下一层的可视层,继续同样方式的训练,第二部分是顶层的BP网络,对第一部分的RBM层进行微调;
步骤四:使用训练完毕的网络对筛选过后的环境因子进行预测,并将预测结果反归一化。
2.如权利要求1所述的基于深度网络的降水量预测方法,其特征在于,归一化的公式为:x=(x-X(min))(X(max)-X(min)),其中x是属于时间序列中的一项,X(min)表示为序列X中的最小值,X(max)表示为序列X中的最大值。
3.如权利要求1所述的基于深度网络的降水量预测方法,其特征在于,因子分析的步骤如下:
2.1使用KMO检验以及球形检验对原始数据的充分性进行判断,KMO测试以及Barlett球形测试用来判断数据源是否适合进行因子分析,KMO测试是用来表示变量之间相互关联的程度的,KMO的值在0到1之间,值越接近于1,变量之间的关系越紧密,接近于0,表示变量之间的关联并不大,值小于0.5便不适宜做因子分析,Barlett球形测试是用来判断所选择的变量之间是否相互独立。
2.2计算变量的相关性系数矩阵,并由相关性矩阵计算出特征根及特征向量,其中相关性矩阵计算公式为:
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>x</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中a为1到n的一个自增变量,x表示着水文时间序列,Xx表示所有环境因素中所特定选中的某一种因素,i和j表示着矩阵的行的列的条目数。
2.3根据步骤2.2特征根与特征向量,根据每个环境因素特征根比例的大小求得单个方差贡献率,将单个方差贡献率相加便得到了累积方差的贡献率的大小,然后按照每个环境因素的方差的累积贡献率去选择公共因子的个数。
4.如权利要求1所述的基于深度网络的降水量预测方法,其特征在于,深度信念网络的训练具体步骤如下:
3.1训练第一层RBM网络,RBM是一种能量函数,每层RBM网络可分为可视层与隐含层,RBM网络的权值更新公式为:
ΔWij=ε{<vihj>data-<vihj>recon} (2)
ε是网络学习的速率,<vihj>data表示对于在可见层v上i节点与隐含层h上j节点所指定下所分布的期望,所以<vihj>data-<vihj>recon前后相减则表示从可见层到隐含层之间的差距是多少,再乘以学习速率则形成的能量函数进行修改再将两者之间的差距乘以学习速率作为对能量函数权值节点修改的依据;
3.2使用CD算法逐层更新多层RBM网络,CD算法的公式如下:
<mrow>
<msub>
<mi>&Delta;E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>j</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
W为RBM网络的权重矩阵;b为可视层节点的偏移量;。
3.3待3.1,3.2步骤完成后,即无监督训练完毕,再使用BP网络对其反向微调,使其权值落在合适的位置,BP网络调整的流程如下所示:
输入序列x从前往后传播网络,得到最后的结果y,将y与原拟定结果Y相比较,求得他们的均方根误差,也就是mse,mse代表着误差的大小,若mse不满足所设立的条件,一般是一个接近0的数值,那么便使用误差的大小来更新网络中的权值,更新完毕之后,再次进行判断,若合适,便得到的我们想要的权值结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361172.5A CN107203810A (zh) | 2017-05-22 | 2017-05-22 | 一种基于深度网络的降水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361172.5A CN107203810A (zh) | 2017-05-22 | 2017-05-22 | 一种基于深度网络的降水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107203810A true CN107203810A (zh) | 2017-09-26 |
Family
ID=59905375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710361172.5A Pending CN107203810A (zh) | 2017-05-22 | 2017-05-22 | 一种基于深度网络的降水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203810A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
CN110400018A (zh) * | 2019-07-29 | 2019-11-01 | 上海电力大学 | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
CN111255436A (zh) * | 2020-01-17 | 2020-06-09 | 成都理工大学 | 一种改善hdil阵列感应测井仪测量曲线质量的方法 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111523728A (zh) * | 2020-04-23 | 2020-08-11 | 东北电力大学 | 一种四阶段混合短时风向预测方法 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
CN113065700A (zh) * | 2021-03-29 | 2021-07-02 | 伍志方 | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 |
CN115759403A (zh) * | 2022-11-15 | 2023-03-07 | 东北农业大学 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN106598917A (zh) * | 2016-12-07 | 2017-04-26 | 国家海洋局第二海洋研究所 | 一种基于深度信念网络的上层海洋热结构预测方法 |
-
2017
- 2017-05-22 CN CN201710361172.5A patent/CN107203810A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN106598917A (zh) * | 2016-12-07 | 2017-04-26 | 国家海洋局第二海洋研究所 | 一种基于深度信念网络的上层海洋热结构预测方法 |
Non-Patent Citations (2)
Title |
---|
王都富: "《中国富裕阶层金融行为研究—基于财富管理的视角》", 30 May 2013 * |
韦庆: "吉林西部草地生态环境退化驱动因子分析及恢复治理措施研究", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅰ辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
CN109669017B (zh) * | 2017-10-17 | 2021-04-27 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109063247B (zh) * | 2018-06-26 | 2023-04-18 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN109299812B (zh) * | 2018-08-23 | 2021-09-24 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN110400018A (zh) * | 2019-07-29 | 2019-11-01 | 上海电力大学 | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 |
CN110400018B (zh) * | 2019-07-29 | 2023-06-27 | 上海电力大学 | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 |
CN111210082B (zh) * | 2020-01-13 | 2023-09-19 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
CN111255436A (zh) * | 2020-01-17 | 2020-06-09 | 成都理工大学 | 一种改善hdil阵列感应测井仪测量曲线质量的方法 |
CN111523728A (zh) * | 2020-04-23 | 2020-08-11 | 东北电力大学 | 一种四阶段混合短时风向预测方法 |
CN111523728B (zh) * | 2020-04-23 | 2022-05-10 | 东北电力大学 | 一种四阶段混合短时风向预测方法 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
CN112233734B (zh) * | 2020-09-30 | 2022-07-19 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
CN113065700A (zh) * | 2021-03-29 | 2021-07-02 | 伍志方 | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 |
CN115759403A (zh) * | 2022-11-15 | 2023-03-07 | 东北农业大学 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
CN115759403B (zh) * | 2022-11-15 | 2023-12-15 | 东北农业大学 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203810A (zh) | 一种基于深度网络的降水量预测方法 | |
CN110597240B (zh) | 一种基于深度学习的水轮发电机组故障诊断方法 | |
CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN112577747A (zh) | 一种基于空间池化网络的滚动轴承故障诊断方法 | |
Dariane et al. | Forecasting streamflow by combination of a genetic input selection algorithm and wavelet transforms using ANFIS models | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN109165743A (zh) | 一种基于深度压缩自编码器的半监督网络表示学习算法 | |
Binaghi et al. | Fuzzy Dempster–Shafer reasoning for rule‐based classifiers | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN106790248A (zh) | 一种基于双自适应正则化在线极限学习机的网络入侵检测方法 | |
CN110009030A (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
CN110175247A (zh) | 一种优化基于深度学习的异常检测模型的方法 | |
Chidthong et al. | Developing a hybrid multi‐model for peak flood forecasting | |
CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
CN111783516A (zh) | 一种基于深度学习的耕地质量自然等级评价方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN111445087A (zh) | 基于极限学习机的洪水预测方法 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
Mohd et al. | Comparative study of rainfall prediction modeling techniques (A case study on Srinagar, J&K, India) | |
Chang et al. | Multistep‐ahead flood forecasts by neuro‐fuzzy networks with effective rainfall–run‐off patterns | |
Li et al. | Improved river water-stage forecasts by ensemble learning | |
Zhou et al. | Automated soil resources mapping based on decision tree and Bayesian predictive modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170926 |