CN113836818A - 一种基于bp神经网络预测模型的洋流运动预测算法 - Google Patents

一种基于bp神经网络预测模型的洋流运动预测算法 Download PDF

Info

Publication number
CN113836818A
CN113836818A CN202111175213.4A CN202111175213A CN113836818A CN 113836818 A CN113836818 A CN 113836818A CN 202111175213 A CN202111175213 A CN 202111175213A CN 113836818 A CN113836818 A CN 113836818A
Authority
CN
China
Prior art keywords
neural network
ocean current
independent variable
prediction model
variable parameters
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.)
Granted
Application number
CN202111175213.4A
Other languages
English (en)
Other versions
CN113836818B (zh
Inventor
史剑
汪浩笛
杜辉
张文
郭海龙
曾智
张雪艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111175213.4A priority Critical patent/CN113836818B/zh
Priority claimed from CN202111175213.4A external-priority patent/CN113836818B/zh
Publication of CN113836818A publication Critical patent/CN113836818A/zh
Application granted granted Critical
Publication of CN113836818B publication Critical patent/CN113836818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BP神经网络预测模型的洋流运动预测算法，包括如下步骤：S1.收集历史影响洋流运动因素变量的数据样本，并对所述数据样本进行分类，以得到训练样本和测试样本；S2.设置所述训练样本的初始权重和初始阈值后进行训练，将训练得到的权重和阈值进行优化，得到优化的BP神经网络预测模型；S3.对优化后的BP神经网络预测模型进行测试，根据测试结果评价优化后的BP神经网络预测模型的洋流运动预测精度和预测性能；S4.将待预测的洋流的参数输入到优化后的BP神经网络预测模型中进行洋流运动预测。本发明能够快速对洋流运动进行预测，提高洋流运动预测精度，提升洋流运动预测的准确度。

Description

一种基于BP神经网络预测模型的洋流运动预测算法
技术领域
本发明涉及洋流运动技术领域，具体为一种基于BP神经网络预测模型的洋流运动预测算法。
背景技术
洋流即海流，也称洋面流，是指海水沿着一定方向有规律的具有相对稳定速度的水平流动，是从一个海区水平或垂直地向另一个海区大规模的非周期性的运动，是海水的主要运动形式。洋流根据流动海水温度(洋流本身与周围海水温度)的高低，可以将洋流分为暖流和寒流。暖流比流经海区的水温高，寒流比流经海区的水温低。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络，BP神经网络是一种针对非线性、非周期、无规律、无结构性或半结构性数据建模最常用、效果最佳的模型，结合数据挖掘建立具有时间序列的特征的BP神经网络预测模型对洋流运动预测来说，是非常适合采用的方法。
现有技术对于洋流运动的数据进行相应的计算处理，以对洋流运动进行预测，然而其大都需要多个系统进行配合，预测的速率不够快速，且多个系统配合使得误差较大，精度较低。
发明内容
本发明的目的在于提供一种基于BP神经网络预测模型的洋流运动预测算法，通过对历史洋流运动因素变量进行分类获得训练样本和测试样本，并分别通过训练样本和测试样本对BP神经网络预测模型进行训练和测试，以获得优化的BP神经网络预测模型，从而能够快速对洋流运动进行预测，提高洋流运动预测精度，提升洋流运动预测的准确度，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于BP神经网络预测模型的洋流运动预测算法，包括如下步骤：
S1.收集历史影响洋流运动因素变量的数据样本，并对所述数据样本进行分类，以得到训练样本和测试样本；
S2.将所述训练样本输入到BP神经网络预测模型中，并设置所述训练样本的初始权重和初始阈值后进行训练，将训练得到的权重和阈值进行优化，得到优化的BP神经网络预测模型；
S3.将所述测试样本输入到优化后的BP神经网络预测模型中进行测试，根据测试结果评价优化后的BP神经网络预测模型的洋流运动预测精度和预测性能；
S4.将待预测的洋流的参数输入到优化后的BP神经网络预测模型中进行洋流运动预测。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述S1中对所述数据样本进行分类包括：
确定所述数据样本中各个词汇的词向量，并构建词向量的N-gram特征，并对所述词向量和所述N-gram特征进行叠加平均；
采用层次softmax对叠加平均后的数据进行分类，以确定所述数据样本对应的分类结果。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述层次softmax中根据标签和频率构建哈夫曼树，所述哈夫曼树中的叶子节点表征标签，非叶子节点表征频率。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，采用层次softmax进行分类的分类概率值按照以下公式确定：
Figure BDA0003294773950000021
其中，Lj表示第j种分类结果，P(Lj)表示第j种分类结果的分类概率值，Q(Lj)表示第j种分类结果对应的路径长度，l表示哈夫曼树中的层数，p(Lj,l+1)表示第j中分类结果中第l+1层的节点，LC(p(Lj,l)表示节点p(Lj,l)的左孩子，[*]为预设函数，其中，若*为真，[*]＝1，若*为假，[*]＝-1，σ表示s i gmo i d函数，
Figure BDA0003294773950000031
表示节点p(Lj,l)的参数，X表示输入的叠加平均后的数据。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述S2中设置所述训练样本的初始权重和初始阈值后进行训练包括：
基于向量学习的模式对所述训练样本进行线性竞争神经元的第一神经权重迭代处理；
基于平面竞争神经网络对所述第一神经权重迭代处理的结果，进行第二神经权重迭代处理；
对所述第二神经权重迭代处理的结果进行收敛迭代处理。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述基于向量学习的模式对所述训练样本进行线性竞争神经元的第一神经权重迭代处理包括：
确定所述训练样本的特征维度为d、并以此从所述训练样本中提取形成相应的特征向量xt，其中xt＝(xt1,xt2,…,xtd)T，xti为第i特征维度对应的特征向量分量，i＝1、2、…、d；
获取所述训练样本分类数k，以所述分类数k为类中心，对所述训练样本进行神经元形式的初始向量化处理，以此得到相应的向量wk＝(wk1,wk2,…,wkd)，d为特征维度；
根据计算公式，计算所述特征向量xt到k个类中心的距离dik，计算公式为：
Figure BDA0003294773950000041
其中，xt1,xt2,…,xtd对应与所述特征向量xt的若干特征向量分量；
确定根据上述计算公式计算得到的所有距离dik中具有最小距离值对应的目标类中心，根据计算公式对所述目标类中心和对其他非目标类中心的类中心进行权重更新处理，计算公式为：
wkj(n+1)＝wkj(n)+η(xkj-wij(n))
wkj(n+1)＝wkj(n)；
其中，k为类中心的类编号，n为循环迭代的次数。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述基于平面竞争神经网络对所述第一神经权重迭代处理的结果，进行第二神经权重迭代处理包括：
将所述第一神经权重迭代处理的结果转换为m个竞争神经元权重，并将所述m个竞争神经元权重分布到二维拓扑平面上，则某一竞争神经元nij的位置坐标为(i，j)，其中
Figure BDA0003294773950000042
通过计算公式对应的高斯型的距离衰减函数，对每一个竞争神经元权重进行更新处理，计算公式为：
Figure BDA0003294773950000043
其中，距离衰减函数hij,st为二维空间上的位置坐标(s，t)与位置坐标(i，j)对应的距离衰减函数，dijst为位置坐标(s，t)与位置坐标(i，j)的欧式距离，σ为迭代次数对应的函数；
其中，
Figure BDA0003294773950000044
在上述dijst的计算公式中，nij为某一竞争神经元，mst为所述某一竞争神经元nij相邻的另一竞争神经元，nij,u为竞争神经元nij第u个维度对应的分量，mst,u为竞争神经元mst第u个维度对应的分量，u＝1、2、…、d；
其中该迭代次数对应的函数σ的表达式为：
Figure BDA0003294773950000051
其中，σ0为初始迭代宽度，n为正整数，γ为一常数；
根据计算公式确定学习率η的表达式η(n)，计算公式为：
Figure BDA0003294773950000052
其中，η0为初始学习率值，n为迭代次数且其为正整数，ω为一常数。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述对所述第二神经权重迭代处理的结果进行收敛迭代处理包括：
选择所述迭代次数n的具体值，使得函数σ的计算结果为固定值，并确定此时所述第二神经权重迭代处理的结果是否达到最佳收敛效果，若是，则确定所述BP神经网络预测模型，若否，则继续选择所述迭代次数n的具体值。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述S2中将训练得到的权重和阈值通过鹰群算法进行优化。
作为本发明的一种基于BP神经网络预测模型的洋流运动预测算法优选的，所述将训练得到的权重和阈值通过鹰群算法进行优化包括：
定义目标函数及与所述目标函数的自变量参数，其中，目标函数的自变量参数包括权重和阈值，所述目标函数用于通过权重和阈值计算权重和阈值对应的适应度值；
将训练得到的权重和阈值作为一组自变量参数，基于该组自变量参数随机得到多组自变量参数，计算每一组自变量参数的适应度值，并将该多组自变量参数对应的第一最小适应度值作为所述目标函数的最小适应度值，并记录该第一最小适应度值对应的自变量参数；
随机选择莱维飞行或改进莱维飞行对所述多组自变量参数进行全局寻优，并计算全局寻优后多组自变量参数的适应度值，得到全局寻优后多组自变量参数对应的第二最小适应度值；
将目标函数的最小适应度值和第二最小适应度值进行对比，更新目标函数的最小适应度值，并记录更新后的目标函数的最小适应度值对应的自变量参数；
对所述全局寻优后多组自变量参数进行局部寻优，并计算局部寻优后多组自变量参数的适应度值，确定局部寻优后多组自变量参数对应的第三最小适应度值；
将目标函数的最小适应度值和第三最小适应度值进行对比，更新目标函数的最小适应度值，得到更新后的目标函数的最小适应度值对应的自变量参数；
将更新后的目标函数的最小适应度值与预设适应度值进行比较，判断是否达到终止条件；
若达到终止条件，结束对自变量参数的优化，以将目标函数的最小适应度值对应的自变量参数作为BP神经网络中的权重和阈值；
若没有达到终止条件，则根据更新后目标函数的最小适应度值对应的自变量参数生成多组自变量参数；
重复对多组自变量参数进行局部寻优、更新目标函数的最小适应度值的步骤，直到达到终止条件。
与现有技术相比，本发明的有益效果是：
本发明通过对历史洋流运动因素变量进行分类获得训练样本和测试样本，并分别通过训练样本和测试样本对BP神经网络预测模型进行训练和测试，以获得优化的BP神经网络预测模型，从而能够快速对洋流运动进行预测，提高洋流运动预测精度，提升洋流运动预测的准确度。
附图说明
图1为本发明的一种基于BP神经网络预测模型的洋流运动预测算法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例1
一种基于BP神经网络预测模型的洋流运动预测算法，包括如下步骤：
S1.收集历史影响洋流运动因素变量的数据样本，并对数据样本进行分类，以得到训练样本和测试样本；
S2.将训练样本输入到BP神经网络预测模型中，并设置训练样本的初始权重和初始阈值后进行训练，将训练得到的权重和阈值进行优化，得到优化的BP神经网络预测模型；
S3.将测试样本输入到优化后的BP神经网络预测模型中进行测试，根据测试结果评价优化后的BP神经网络预测模型的洋流运动预测精度和预测性能；
S4.将待预测的洋流的参数输入到优化后的BP神经网络预测模型中进行洋流运动预测。
作为本发明的一种技术优选方案的，S1中对数据样本进行分类包括：
确定数据样本中各个词汇的词向量，并构建词向量的N-gram特征，并对词向量和N-gram特征进行叠加平均；
采用层次softmax对叠加平均后的数据进行分类，以确定数据样本对应的分类结果。
作为本发明的一种技术优选方案的，层次softmax中根据标签和频率构建哈夫曼树，哈夫曼树中的叶子节点表征标签，非叶子节点表征频率。
作为本发明的一种技术优选方案的，采用层次softmax进行分类的分类概率值按照以下公式确定：
Figure BDA0003294773950000081
其中，Lj表示第j种分类结果，P(Lj)表示第j种分类结果的分类概率值，Q(Lj)表示第j种分类结果对应的路径长度，l表示哈夫曼树中的层数，p(Lj,l+1)表示第j中分类结果中第l+1层的节点，LC(p(Lj,l)表示节点p(Lj,l)的左孩子，[*]为预设函数，其中，若*为真，[*]＝1，若*为假，[*]＝-1，σ表示s i gmo i d函数，
Figure BDA0003294773950000082
表示节点p(Lj,l)的参数，X表示输入的叠加平均后的数据。
实施例2
与实施例1的不同之处在于：
作为本发明的一种技术优选方案的，S2中设置训练样本的初始权重和初始阈值后进行训练包括：
基于向量学习的模式对训练样本进行线性竞争神经元的第一神经权重迭代处理；
基于平面竞争神经网络对第一神经权重迭代处理的结果，进行第二神经权重迭代处理；
对第二神经权重迭代处理的结果进行收敛迭代处理。
作为本发明的一种技术优选方案的，基于向量学习的模式对训练样本进行线性竞争神经元的第一神经权重迭代处理包括：
确定训练样本的特征维度为d、并以此从训练样本中提取形成相应的特征向量xt，其中xt＝(xt1,xt2,…,xtd)T，xti为第i特征维度对应的特征向量分量，i＝1、2、…、d；
获取训练样本分类数k，以分类数k为类中心，对训练样本进行神经元形式的初始向量化处理，以此得到相应的向量wk＝(wk1,wk2,…,wkd)，d为特征维度；
根据计算公式，计算特征向量xt到k个类中心的距离dik，计算公式为：
Figure BDA0003294773950000091
其中，xt1,xt2,…,xtd对应与特征向量xt的若干特征向量分量；
确定根据上述计算公式计算得到的所有距离dik中具有最小距离值对应的目标类中心，根据计算公式对目标类中心和对其他非目标类中心的类中心进行权重更新处理，计算公式为：
wkj(n+1)＝wkj(n)+η(xkj-wij(n))
wkj(n+1)＝wkj(n)；
其中，k为类中心的类编号，n为循环迭代的次数。
作为本发明的一种技术优选方案的，基于平面竞争神经网络对第一神经权重迭代处理的结果，进行第二神经权重迭代处理包括：
将第一神经权重迭代处理的结果转换为m个竞争神经元权重，并将m个竞争神经元权重分布到二维拓扑平面上，则某一竞争神经元nij的位置坐标为(i，j)，其中
Figure BDA0003294773950000092
通过计算公式对应的高斯型的距离衰减函数，对每一个竞争神经元权重进行更新处理，计算公式为：
Figure BDA0003294773950000093
其中，距离衰减函数hij,st为二维空间上的位置坐标(s，t)与位置坐标(i，j)对应的距离衰减函数，dijst为位置坐标(s，t)与位置坐标(i，j)的欧式距离，σ为迭代次数对应的函数；
其中，
Figure BDA0003294773950000101
在上述dijst的计算公式中，nij为某一竞争神经元，mst为某一竞争神经元nij相邻的另一竞争神经元，nij,u为竞争神经元nij第u个维度对应的分量，mst,u为竞争神经元mst第u个维度对应的分量，u＝1、2、…、d；
其中该迭代次数对应的函数σ的表达式为：
Figure BDA0003294773950000102
其中，σ0为初始迭代宽度，n为正整数，γ为一常数；
根据计算公式确定学习率η的表达式η(n)，计算公式为：
Figure BDA0003294773950000103
其中，η0为初始学习率值，n为迭代次数且其为正整数，ω为一常数。
作为本发明的一种技术优选方案的，对第二神经权重迭代处理的结果进行收敛迭代处理包括：
选择迭代次数n的具体值，使得函数σ的计算结果为固定值，并确定此时第二神经权重迭代处理的结果是否达到最佳收敛效果，若是，则确定BP神经网络预测模型，若否，则继续选择迭代次数n的具体值。
实施例3
与实施例1的不同之处在于
作为本发明的一种技术优选方案的，S2中将训练得到的权重和阈值通过鹰群算法进行优化。
作为本发明的一种技术优选方案的，将训练得到的权重和阈值通过鹰群算法进行优化包括：
定义目标函数及与目标函数的自变量参数，其中，目标函数的自变量参数包括权重和阈值，目标函数用于通过权重和阈值计算权重和阈值对应的适应度值；
将训练得到的权重和阈值作为一组自变量参数，基于该组自变量参数随机得到多组自变量参数，计算每一组自变量参数的适应度值，并将该多组自变量参数对应的第一最小适应度值作为目标函数的最小适应度值，并记录该第一最小适应度值对应的自变量参数；
随机选择莱维飞行或改进莱维飞行对多组自变量参数进行全局寻优，并计算全局寻优后多组自变量参数的适应度值，得到全局寻优后多组自变量参数对应的第二最小适应度值；
将目标函数的最小适应度值和第二最小适应度值进行对比，更新目标函数的最小适应度值，并记录更新后的目标函数的最小适应度值对应的自变量参数；
对全局寻优后多组自变量参数进行局部寻优，并计算局部寻优后多组自变量参数的适应度值，确定局部寻优后多组自变量参数对应的第三最小适应度值；
将目标函数的最小适应度值和第三最小适应度值进行对比，更新目标函数的最小适应度值，得到更新后的目标函数的最小适应度值对应的自变量参数；
将更新后的目标函数的最小适应度值与预设适应度值进行比较，判断是否达到终止条件；
若达到终止条件，结束对自变量参数的优化，以将目标函数的最小适应度值对应的自变量参数作为BP神经网络中的权重和阈值；
若没有达到终止条件，则根据更新后目标函数的最小适应度值对应的自变量参数生成多组自变量参数；
重复对多组自变量参数进行局部寻优、更新目标函数的最小适应度值的步骤，直到达到终止条件。
综上所述，本发明通过对历史洋流运动因素变量进行分类获得训练样本和测试样本，并分别通过训练样本和测试样本对BP神经网络预测模型进行训练和测试，以获得优化的BP神经网络预测模型，从而能够快速对洋流运动进行预测，提高洋流运动预测精度，提升洋流运动预测的准确度。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于，包括如下步骤：
S1.收集历史影响洋流运动因素变量的数据样本，并对所述数据样本进行分类，以得到训练样本和测试样本；
S2.将所述训练样本输入到BP神经网络预测模型中，并设置所述训练样本的初始权重和初始阈值后进行训练，将训练得到的权重和阈值进行优化，得到优化的BP神经网络预测模型；
S3.将所述测试样本输入到优化后的BP神经网络预测模型中进行测试，根据测试结果评价优化后的BP神经网络预测模型的洋流运动预测精度和预测性能；
S4.将待预测的洋流的参数输入到优化后的BP神经网络预测模型中进行洋流运动预测。
2.根据权利要求1所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述S1中对所述数据样本进行分类包括：
确定所述数据样本中各个词汇的词向量，并构建词向量的N-gram特征，并对所述词向量和所述N-gram特征进行叠加平均；
采用层次softmax对叠加平均后的数据进行分类，以确定所述数据样本对应的分类结果。
3.根据权利要求2所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述层次softmax中根据标签和频率构建哈夫曼树，所述哈夫曼树中的叶子节点表征标签，非叶子节点表征频率。
4.根据权利要求3所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：采用层次softmax进行分类的分类概率值按照以下公式确定：
Figure FDA0003294773940000021
其中，Lj表示第j种分类结果，P(Lj)表示第j种分类结果的分类概率值，Q(Lj)表示第j种分类结果对应的路径长度，l表示哈夫曼树中的层数，p(Lj,l+1)表示第j中分类结果中第l+1层的节点，LC(p(Lj,l)表示节点p(Lj,l)的左孩子，[*]为预设函数，其中，若*为真，[*]＝1，若*为假，[*]＝-1，σ表示sigmoid函数，
Figure FDA0003294773940000022
表示节点p(Lj,l)的参数，X表示输入的叠加平均后的数据。
5.根据权利要求1所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述S2中设置所述训练样本的初始权重和初始阈值后进行训练包括：
基于向量学习的模式对所述训练样本进行线性竞争神经元的第一神经权重迭代处理；
基于平面竞争神经网络对所述第一神经权重迭代处理的结果，进行第二神经权重迭代处理；
对所述第二神经权重迭代处理的结果进行收敛迭代处理。
6.根据权利要求5所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述基于向量学习的模式对所述训练样本进行线性竞争神经元的第一神经权重迭代处理包括：
确定所述训练样本的特征维度为d、并以此从所述训练样本中提取形成相应的特征向量xt，其中xt＝(xt1,xt2,…,xtd)T，xti为第i特征维度对应的特征向量分量，i＝1、2、…、d；
获取所述训练样本分类数k，以所述分类数k为类中心，对所述训练样本进行神经元形式的初始向量化处理，以此得到相应的向量wk＝(wk1,wk2,…,wkd)，d为特征维度；
根据计算公式，计算所述特征向量xt到k个类中心的距离dik，计算公式为：
Figure FDA0003294773940000031
其中，xt1,xt2,…,xtd对应与所述特征向量xt的若干特征向量分量；
确定根据上述计算公式计算得到的所有距离dik中具有最小距离值对应的目标类中心，根据计算公式对所述目标类中心和对其他非目标类中心的类中心进行权重更新处理，计算公式为：
wkj(n+1)＝wkj(n)+η(xkj-wij(n))
wkj(n+1)＝wkj(n)；
其中，k为类中心的类编号，n为循环迭代的次数。
7.根据权利要求6所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述基于平面竞争神经网络对所述第一神经权重迭代处理的结果，进行第二神经权重迭代处理包括：
将所述第一神经权重迭代处理的结果转换为m个竞争神经元权重，并将所述m个竞争神经元权重分布到二维拓扑平面上，则某一竞争神经元nij的位置坐标为(i，j)，其中
Figure FDA0003294773940000032
通过计算公式对应的高斯型的距离衰减函数，对每一个竞争神经元权重进行更新处理，计算公式为：
Figure FDA0003294773940000033
其中，距离衰减函数hij,st为二维空间上的位置坐标(s，t)与位置坐标(i，j)对应的距离衰减函数，dijst为位置坐标(s，t)与位置坐标(i，j)的欧式距离，σ为迭代次数对应的函数；
其中，
Figure FDA0003294773940000041
在上述dijst的计算公式中，nij为某一竞争神经元，mst为所述某一竞争神经元nij相邻的另一竞争神经元，nij,u为竞争神经元nij第u个维度对应的分量，mst,u为竞争神经元mst第u个维度对应的分量，u＝1、2、…、d；
其中该迭代次数对应的函数σ的表达式为：
Figure FDA0003294773940000042
其中，σ0为初始迭代宽度，n为正整数，γ为一常数；
根据计算公式确定学习率η的表达式η(n)，计算公式为：
Figure FDA0003294773940000043
其中，η0为初始学习率值，n为迭代次数且其为正整数，ω为一常数。
8.根据权利要求7所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述对所述第二神经权重迭代处理的结果进行收敛迭代处理包括：
选择所述迭代次数n的具体值，使得函数σ的计算结果为固定值，并确定此时所述第二神经权重迭代处理的结果是否达到最佳收敛效果，若是，则确定所述BP神经网络预测模型，若否，则继续选择所述迭代次数n的具体值。
9.根据权利要求1所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述S2中将训练得到的权重和阈值通过鹰群算法进行优化。
10.根据权利要求9所述的一种基于BP神经网络预测模型的洋流运动预测算法，其特征在于：所述将训练得到的权重和阈值通过鹰群算法进行优化包括：
定义目标函数及与所述目标函数的自变量参数，其中，目标函数的自变量参数包括权重和阈值，所述目标函数用于通过权重和阈值计算权重和阈值对应的适应度值；
将训练得到的权重和阈值作为一组自变量参数，基于该组自变量参数随机得到多组自变量参数，计算每一组自变量参数的适应度值，并将该多组自变量参数对应的第一最小适应度值作为所述目标函数的最小适应度值，并记录该第一最小适应度值对应的自变量参数；
随机选择莱维飞行或改进莱维飞行对所述多组自变量参数进行全局寻优，并计算全局寻优后多组自变量参数的适应度值，得到全局寻优后多组自变量参数对应的第二最小适应度值；
将目标函数的最小适应度值和第二最小适应度值进行对比，更新目标函数的最小适应度值，并记录更新后的目标函数的最小适应度值对应的自变量参数；
对所述全局寻优后多组自变量参数进行局部寻优，并计算局部寻优后多组自变量参数的适应度值，确定局部寻优后多组自变量参数对应的第三最小适应度值；
将目标函数的最小适应度值和第三最小适应度值进行对比，更新目标函数的最小适应度值，得到更新后的目标函数的最小适应度值对应的自变量参数；
将更新后的目标函数的最小适应度值与预设适应度值进行比较，判断是否达到终止条件；
若达到终止条件，结束对自变量参数的优化，以将目标函数的最小适应度值对应的自变量参数作为BP神经网络中的权重和阈值；
若没有达到终止条件，则根据更新后目标函数的最小适应度值对应的自变量参数生成多组自变量参数；
重复对多组自变量参数进行局部寻优、更新目标函数的最小适应度值的步骤，直到达到终止条件。
CN202111175213.4A 2021-10-09 一种基于bp神经网络预测模型的洋流运动预测算法 Active CN113836818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111175213.4A CN113836818B (zh) 2021-10-09 一种基于bp神经网络预测模型的洋流运动预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111175213.4A CN113836818B (zh) 2021-10-09 一种基于bp神经网络预测模型的洋流运动预测算法

Publications (2)

Publication Number Publication Date
CN113836818A true CN113836818A (zh) 2021-12-24
CN113836818B CN113836818B (zh) 2024-06-04

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421562A (zh) * 2023-12-18 2024-01-19 浙江大学 海洋溶解氧含量时空分布预测方法、系统、介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492768A (zh) * 2018-12-20 2019-03-19 成都四方伟业软件股份有限公司 空气质量预测模型训练方法及装置
CN110728401A (zh) * 2019-10-10 2020-01-24 郑州轻工业学院 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法
US10783433B1 (en) * 2019-04-22 2020-09-22 Bell Integrator Inc. Method for training and self-organization of a neural network
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492768A (zh) * 2018-12-20 2019-03-19 成都四方伟业软件股份有限公司 空气质量预测模型训练方法及装置
US10783433B1 (en) * 2019-04-22 2020-09-22 Bell Integrator Inc. Method for training and self-organization of a neural network
CN110728401A (zh) * 2019-10-10 2020-01-24 郑州轻工业学院 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421562A (zh) * 2023-12-18 2024-01-19 浙江大学 海洋溶解氧含量时空分布预测方法、系统、介质及设备
CN117421562B (zh) * 2023-12-18 2024-03-15 浙江大学 海洋溶解氧含量时空分布预测方法、系统、介质及设备

Similar Documents

Publication Publication Date Title
Garro et al. Designing artificial neural networks using particle swarm optimization algorithms
CN110309771B (zh) 一种基于gbdt-insgaii的eas声磁系统标签识别算法
Kamada et al. An adaptive learning method of restricted Boltzmann machine by neuron generation and annihilation algorithm
CN112367130B (zh) 一种无线网络信号传输强度计算方法及计算机存储介质
Abdalla et al. Optimizing the multilayer feed-forward artificial neural networks architecture and training parameters using genetic algorithm
Syama et al. A hybrid extreme learning machine model with Lévy flight chaotic whale optimization algorithm for wind speed forecasting
Zheng et al. Understanding the property of long term memory for the LSTM with attention mechanism
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
Awad Forecasting of Chaotic Time Series Using RBF Neural Networks Optimized By Genetic Algorithms.
Dinesh et al. Reliable evaluation of neural network for multiclass classification of real-world data
Parsa et al. Multi-objective hyperparameter optimization for spiking neural network neuroevolution
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN112068088A (zh) 一种基于优化bp神经网络的雷达辐射源威胁评估方法
CN113836818B (zh) 一种基于bp神经网络预测模型的洋流运动预测算法
CN113836818A (zh) 一种基于bp神经网络预测模型的洋流运动预测算法
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
CN115994481A (zh) 基于多组合的船舶运动姿态预测方法
CN115713144A (zh) 基于组合cgru模型的短期风速多步预测方法
Viswambaran et al. Evolutionary design of long short term memory (lstm) ensemble
Hou et al. Evolving dendritic neuron model by equilibrium optimizer algorithm
CN113987904A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
Chouikhi et al. Adaptive extreme learning machine for recurrent beta-basis function neural network training
Barajas et al. Your fuzzy relational neural network parameters optimization with a genetic algorithm
Nagatani et al. Restricted Boltzmann machine associative memory
Ventura et al. Study of how the integration of artificial neural network and genetic algorithm should be made for modeling meteorological data

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
GR01 Patent grant