CN117574991A - 基于ga算法优化bp神经网络的极移预报方法及系统 - Google Patents
基于ga算法优化bp神经网络的极移预报方法及系统 Download PDFInfo
- Publication number
- CN117574991A CN117574991A CN202410050779.1A CN202410050779A CN117574991A CN 117574991 A CN117574991 A CN 117574991A CN 202410050779 A CN202410050779 A CN 202410050779A CN 117574991 A CN117574991 A CN 117574991A
- Authority
- CN
- China
- Prior art keywords
- neural network
- algorithm
- polar motion
- value
- forecast
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 126
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 32
- 230000007774 longterm Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 238000013213 extrapolation Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于GA算法优化BP神经网络的极移预报方法及系统,属于大地测量与卫星导航技术领域,包括:采用LS模型拟合线性趋势项和周期项,并得到拟合的残差序列;为不同的预报跨度确定不同的神经网络结构与参数;确定GA算法的种群初始化范围与适应度函数;采用GA算法优化确定好的网络的初始权值与阈值;然后将优化后的初始值赋给神经网络,并用残差序列进行训练和外推预报;最终将网络预报值与LS拟合预报值相加得到最终的预报值。本发明通过考虑到不同的预报跨度有不同的最佳网络结构,同时利用多参数GA优化算法在BP神经网络算法初值优化的作用,有效提高了采用BP神经网络进行极移预报的稳定性和整体精度。
Description
技术领域
本发明涉及大地测量与卫星导航技术领域,尤其涉及一种基于GA算法优化BP神经网络的极移预报方法及系统。
背景技术
极移是描述地球自转轴相对于地球本体位置变化的参数,是实现参考框架转换的重要参数,在天文大地测量、卫星导航中有重要作用。极移的获取需要经历复杂的数据处理过程,目前仍然无法实时解算。国际地球自转服务(International Earth RotationService,IERS)组织发布的地球定向参数(Earth OrientationParameter,EOP)C04产品是公认精度最高的极移实测序列,但发布时间存在大约一个月的延迟,无法满足实时应用的需求。因此,需要对极移进行预报。目前极移的观测精度可以达到0.02mas,但即使超短期预报精度也只能达到0.2mas、长期预报精度甚至只能达到16mas,与观测精度仍然有较大差距。因此,如何提高极移预报精度已经成为高精度大地测量亟待解决的关键问题。
反向传播(Back Propagation,BP)神经网络是人工神经网络常见的网络模型之一,很多方案已经验证了其在极移预报领域的巨大潜力。但由于BP神经网络的初始参数具有极强的随机性,预报结果易受初始参数影响而产生随机波动,有时甚至可能不收敛。起源于对生物系统模拟的遗传(Genetic Algorithm,GA)算法是一种多参数同时优化的方法,能够对BP神经网络的初始阈值与初始权值进行优化,避免因不合理初值引起的结果不收敛、预报稳定性差的问题。
在目前的方案中,采用BP神经网络的极移预报模型中,大多只利用重复训练的方法提高预报稳定性,没有考虑到引入初值优化算法对精度和预报稳定性的提升。
发明内容
本发明提供一种基于GA算法优化BP神经网络的极移预报方法及系统,用以解决现有技术中极移预报普遍存在滞后性和不确定性的缺陷。
第一方面,本发明提供一种基于GA算法优化BP神经网络的极移预报方法,包括:
获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;
根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;
确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;
利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;
采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的LS预报值,包括:
在EOP基础数据中筛选预设时间段的极移分量数据PMX和PMY,确定预报间隔周期、预设预报时长和参考数据;
以X方向常数项、X方向线性趋势项系数、第一X方向周年项系数、第二X方向周年项系数、第一X方向钱德勒项系数、第二X方向钱德勒项系数和时间变量,构建X方向极移观测序列;
以Y方向常数项、Y方向线性趋势项系数、第一Y方向周年项系数、第二Y方向周年项系数、第一Y方向钱德勒项系数、第二Y方向钱德勒项系数和时间变量,构建Y方向极移观测序列;
利用LS求解所述X方向极移观测序列和所述Y方向极移观测序列中的所有参数,得到所述极移参数序列的拟合残差与LS预报值。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的BP神经网络结构,包括:
采用最大最小法对所述极移参数序列的拟合残差进行归一化处理,得到预处理后的残差序列;
根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的神经网络结构。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的BP神经网络结构,包括:
短期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用SSE,重复训练方式为重复训练五次取平均值;
中期PMX以及长期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用MSEREG,重复训练方式为重复训练五次取平均值;
短期PMY的BP神经网络结构采用二十二个输入层节点和二十四个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练;
中期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用MAE,重复训练方式为重复训练五次取平均值;
长期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,确定GA的种群初始化范围与适应度函数,得到优化后的GA算法,包括:
对初始种群进行实数编码,确定种群初始化编码范围;
确定短期PMX和短期PMY采用误差不经过网络反向的适应度函数,确定中期PMX、中期PMY、长期PMX和长期PMY采用误差经过网络反向的适应度函数。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值,包括:
基于输入层节点数、隐含层节点数和输出层节点数,得到参数个数,利用所述参数个数对种群进行初始化;
采用适应度函数计算得到个体适应度值;
利用轮盘赌方法对个体进行选择操作,筛选符合适应度比例的个体;
利用实数交叉法对个体进行交叉操作,确定交叉后的个体各基因值满足种群初始化编码范围;
随机选取个体进行数值变异,确定变异后的个体各基因值满足种群初始化编码范围;
计算新种群中所有个体的适应度值,保留适应度值最小的个体为当代种群的最优个体。
根据本发明提供的一种基于GA算法优化BP神经网络的极移预报方法,采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,将所述残差序列预报值与所述LS预报值相加得到最终的极移预报值,包括:
将GA算法优化后的最优个体对所述BP神经网络结构的初始权值和阈值进行赋值,利用归一化后的残差序列对所述BP神经网络结构进行训练,待误差收敛后保存训练好的BP神经网络结构;
将归一化后的残差序列输入所述训练好的BP神经网络结构,得到所述残差序列预报值;
将所述残差序列预报值与所述LS预报值相加求和,输出所述最终的极移预报值。
第二方面,本发明还提供一种基于GA算法优化BP神经网络的极移预报系统,包括:
获取模块,用于获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;
确定模块,用于根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;
计算模块,用于确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;
优化模块,用于利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;
输出模块,用于采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于GA算法优化BP神经网络的极移预报方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于GA算法优化BP神经网络的极移预报方法。
本发明提供的基于GA算法优化BP神经网络的极移预报方法及系统,在采用BP神经网络进行极移预报时,创新性地引入GA算法对网络初始值进行优化赋值,充分考虑了多参数搜索算法优化网络初值提高预报精度的优势,解决了初值随机性带来的预报稳定性差、精度低的问题;同时,创新性地提出在不同的预报跨度选用不同的网络结构进行预报,解决了单一网络结构无法在所有预报跨度都取得最优结果的困难,使全跨度的极移预报精度有了进一步提高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于GA算法优化BP神经网络的极移预报方法的流程示意图之一;
图2是本发明提供的基于GA算法优化BP神经网络的极移预报方法的流程示意图之二;
图3是本发明提供的利用GA算法优化BP神经网络的步骤流程图;
图4是本发明提供的引入GA算法的BP优化策略对2016年-2021年进行预报时的平均优化效果图(PMX);
图5是本发明提供的引入GA算法的BP优化策略对2016年-2021年进行预报时的平均优化效果图(PMY);
图6是本发明提供的引入GA算法优化BP神经网络预报模型相较于EOP C04产品的对2016年-2021年进行预报时的平均精度提升效果(PMX);
图7是本发明提供的引入GA算法优化BP神经网络预报模型相较于EOP C04产品的对2016年-2021年进行预报时的平均精度提升效果(PMY);
图8是本发明提供的基于GA算法优化BP神经网络的极移预报系统的结构示意图;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
针对现有的极移预报没有提供较好的预报方案,为了充分考虑搜索算法对初值的优化作用,进一步提高极移预报的精度与稳定性,本发明提出了一种引入GA算法优化BP神经网络的极移预报方法。
图1是本发明实施例提供的基于GA算法优化BP神经网络的极移预报方法的流程示意图之一,如图1所示,包括:
步骤100:获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;
步骤200:根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;
步骤300:确定GA算法的种群初始化范围与适应度函数,得到优化后的GA算法;
步骤400:利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;
步骤500:采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
具体地,如图2所示,本发明实施例首先获取地球定向参数(EarthOrientationParameter,EOP)C04产品中的极移分量数据,即PMX和PMY,采用最小二乘法(Least Square,LS)拟合其中的趋势项、周期项和钱德勒周期项并外推预报,获得极移序列的拟合残差与LS预报值。
其次,为不同预报值跨度设计不同的BP神经网络结构,通过实验比对,比较不同的网络结构预报精度的影响,针对短期、中期、长期预报分别选择精度较好的网络参数组合,作为最终的BP网络结构。
再次,确定GA算法的种群初始化范围与适应度函数,比较不同的种群初始化范围、不同的适应度函数对优化效果的影响,选择适当的范围和适应度函数。
进一步地,确定GA算法优化网络的初始权值与阈值,将确定的神经网络的初始权值与阈值作为GA算法的优化对象,采用确定的初始化范围和适应度函数,对网络初始值进行搜索优化。
最后将优化后的最优个体对BP神经网络赋值,进行网络训练并预报得到最终的极移预报值。
本发明在采用BP神经网络进行极移预报时,创新性地引入GA算法对网络初始值进行优化赋值,充分考虑了多参数搜索算法优化网络初值提高预报精度的优势,解决了初值随机性带来的预报稳定性差、精度低的问题;同时,创新性地提出在不同的预报跨度选用不同的网络结构进行预报,解决了单一网络结构无法在所有预报跨度都取得最优结果的困难,使全跨度的极移预报精度有了进一步提高。
在上述实施例的基础上,获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的LS预报值,包括:
在EOP基础数据中筛选预设时间段的极移分量数据PMX和PMY,确定预报间隔周期、预设预报时长和参考数据;
以X方向常数项、X方向线性趋势项系数、第一X方向周年项系数、第二X方向周年项系数、第一X方向钱德勒项系数、第二X方向钱德勒项系数和时间变量,构建X方向极移观测序列;
以Y方向常数项、Y方向线性趋势项系数、第一Y方向周年项系数、第二Y方向周年项系数、第一Y方向钱德勒项系数、第二Y方向钱德勒项系数和时间变量,构建Y方向极移观测序列;
利用LS求解所述X方向极移观测序列和所述Y方向极移观测序列中的所有参数,得到所述极移参数序列的拟合残差与LS预报值。
具体地,由于极移存在PMX和PMY两个方向的分量,选择IERS组织提供的EOP C04产品作为极移真实值。对每一年的极移数据进行预报时,选取10年的极移序列作为基础序列,每一期实验的预报起点与公报A对齐,一期预报长度为365天,此后每隔7天进行一次预报,每一年均共预报52期数据。
采用LS模型进行预报时,对线性趋势项、周年项、钱德勒周期项进行拟合预报,公式(1)为PMX的拟合公式,公式(2)为PMY的拟合公式:
(1)
(2)
式中,、/>为X、Y方向的极移观测序列,/>、/>为常数项,/>、/>为线性趋势项的系数,/>、/>,/>、/>为周年项系数,对应的周期/>年,/>、/>,/>、/>为钱德勒项系数,对应的周期/>年,利用最小二乘法即可求得相应参数。
在上述实施例的基础上,根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的BP神经网络结构,包括:
采用最大最小法对所述极移参数序列的拟合残差进行归一化处理,得到预处理后的残差序列;
根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的神经网络结构。
其中,根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的BP神经网络结构,包括:
短期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用方差SSE,重复训练方式为重复训练五次取平均值;
中期PMX以及长期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用均方误差规范化函数MSEREG,重复训练方式为重复训练五次取平均值;
短期PMY的BP神经网络结构采用二十二个输入层节点和二十四个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练;
中期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用平均绝对误差MAE,重复训练方式为重复训练五次取平均值;
长期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练。
具体地,首先是数据预处理,采用最大最小法对残差序列进行归一化处理:
式中,为输入数据,/>、/>为输入数据的最小值与最大值,/>为归一化后的结果
然后是寻找适当的网络结构和参数,输入层节点数、隐含层节点数、性能函数、重复训练方式等均会对网络预报精度产生影响,因此需要比较不同的参数组合的预报效果,寻找适当的网络结构和网络参数。
在PMX方向,比较输入层和隐含层节点数在6~15范围内变化、性能函数分别取均方误差(Mean Square Error,MSE)、均方误差规范化函数MSEREG、平均绝对误差(MeanAbsolute Error,MAE)和方差(Sum of Squares for Error)SSE,重复训练方式分别采用重复训练5次预报1次、重复训练并预报5次取平均时,各参数和结构的预报效果;在PMY方向,比较输入层和隐含层节点数在16~25范围内变化、性能函数分别取MSE、MSEREG、MAE和SSE,重复训练方式分别采用不重复训练、重复训练5次预报1次、重复训练并预报5次取平均时,各网络结构的预报效果。
同时,由于一组参数组合无法在短期、中期、长期预报中均取得较好的预报结果,因此,不同预报跨度应选取不同参数组合,最终确定的网络结构如表1所示:
表1
在上述实施例的基础上,确定GA的种群初始化范围与适应度函数,得到优化后的GA算法,包括:
对初始种群进行实数编码,确定种群初始化编码范围;
确定短期PMX和短期PMY采用误差不经过网络反向的适应度函数,确定中期PMX、中期PMY、长期PMX和长期PMY采用误差经过网络反向的适应度函数。
具体地,本发明实施例采用GA算法进行参数优化时,要先对初始种群进行实数编码。实数编码的数值范围决定了最终的最优个体取值的范围。因此,要比较不同的数值范围对BP网络的优化效果,才能确定出适合极移预报网络的最优个体最值范围。本发明比较了范围分别取[-1,1],[-0.5,0.5],[-0.4,0.4],[-0.3,0.3]时,对上述网络的优化效果,最终确定实数编码的数值范围为[-0.4,0.4]时,优化效果最好。
在此基础上确定适应度函数,优化BP神经网络初始值时,常见的适应度函数有两种:第一种把个体值对应赋值给BP网络的初始权值与阈值后,不经过误差反向传播直接输出结果,将得到的网络预报结果与实际结果之间的差值作为个体适应度;第二种把个体值对应赋值给BP网络的初始权值与阈值后,进行误差反向传播的网络训练后输出结果,将训练后的网络预报结果与实际结果之间的差值作为个体适应度。
比较后,确定短期采用误差不经过网络反向的适应度函数,中长期采用误差经过网络反向的适应度函数。
在上述实施例的基础上,利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值,包括:
基于输入层节点数、隐含层节点数和输出层节点数,得到参数个数,利用所述参数个数对种群进行初始化;
采用适应度函数计算得到个体适应度值;
利用轮盘赌方法对个体进行选择操作,筛选符合适应度比例的个体;
利用实数交叉法对个体进行交叉操作,确定交叉后的个体各基因值满足种群初始化编码范围;
随机选取个体进行数值变异,确定变异后的个体各基因值满足种群初始化编码范围;
计算新种群中所有个体的适应度值,保留适应度值最小的个体为当代种群的最优个体。
具体地,如图3所示,在上述神经网络结构下用GA算法对BP神经网络进行优化,包含选择操作、交叉操作、变异操作和计算个体适应度值,包括:
(1)种群初始化
待优化初始权值与阈值的数量计算公式如下:
其中,InputNum为输入层节点数,HiddenNum为隐含层节点数,OutputNum为输出层节点数。
确定参数个数后,对种群进行初始化,采用个体实数编码进行初始值编码,编码范围依据前述实施例中的初始化范围。
(2)个体适应度值
采用确定的适应度函数,计算个体的适应度值,作为判断个体优劣的标准。
(3)选择操作
常见的选择操作是轮盘赌法,是根据适应度比例的进行选择的策略。个体被选择的概率与适应度值的倒数正相关,适应度值越小的个体被选择的可能性越高。
(4)交叉操作
根据编码方式,交叉操作方法采用实数交叉法,随机选择两个个体进行数值交叉。交叉后的个体各基因值满足编码范围,则保留交叉结果;否则,则舍弃。
(5)变异操作
随机选取一个个体进行数值变异,变异后的个体各基因值满足编码范围,则保留交叉结果;否则,则舍弃。
(6)计算适应度值
待前述步骤结束后,计算新种群中所有个体的适应度值,并保留适应度值最小的个体最为当代种群的最优解。
在上述实施例的基础上,采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,将所述残差序列预报值与所述LS预报值相加得到最终的极移预报值,包括:
将GA算法优化后的最优个体对所述BP神经网络结构的初始权值和阈值进行赋值,利用归一化后的残差序列对所述BP神经网络结构进行训练,待误差收敛后保存训练好的BP神经网络结构;
将归一化后的残差序列输入所述训练好的BP神经网络结构,得到所述残差序列预报值;
将所述残差序列预报值与所述LS预报值相加求和,输出所述最终的极移预报值。
具体地,最后将优化后的最优个体对BP神经网络赋值后,进行网络训练并进行预报。
本发明实施例中将GA算法优化后的最优个体对BP神经网络的初始权值和阈值进行赋值,利用归一化后的残差序列对网络进行训练,误差满足要求后保存网络模型;调用训练后的网络,输入归一化后的残差序列得到残差序列预报值,与LS预报值相加得到最终的预报值。
从图4和图5分别展示的引入GA算法的BP优化策略对2016年-2021年进行预报时的平均优化效果图,可以看出,优化后的平均绝对误差比不优化之前明显下降了许多。
从图6和图7分别展示的引入GA算法优化BP神经网络预报模型相较于EOP C04产品的对2016年-2021年进行预报时的平均精度提升效果图,不难发现,特别是在中长期的预报中,本发明的优化算法对于平均绝对误差的控制明显由于公报A产品。
下面对本发明提供的基于GA算法优化BP神经网络的极移预报系统进行描述,下文描述的基于GA算法优化BP神经网络的极移预报系统与上文描述的基于GA算法优化BP神经网络的极移预报方法可相互对应参照。
图8是本发明实施例提供的基于GA算法优化BP神经网络的极移预报系统的结构示意图,如图8所示,包括:获取模块81、确定模块82、计算模块83、优化模块84和输出模块85,其中:
获取模块81用于获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;确定模块82用于根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;计算模块83用于确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;优化模块84用于利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;输出模块85用于采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行基于GA算法优化BP神经网络的极移预报方法,该方法包括:获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的执行基于GA算法优化BP神经网络的极移预报方法,该方法包括:获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于GA算法优化BP神经网络的极移预报方法,其特征在于,包括:
获取地球定向参数EOP中的极移分量数据,采用最小二乘法LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;
根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;
确定遗传算法GA的种群初始化范围与适应度函数,得到优化后的GA算法;
利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;
采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
2.根据权利要求1所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的LS预报值,包括:
在EOP基础数据中筛选预设时间段的极移分量数据PMX和PMY,确定预报间隔周期、预设预报时长和参考数据;
以X方向常数项、X方向线性趋势项系数、第一X方向周年项系数、第二X方向周年项系数、第一X方向钱德勒项系数、第二X方向钱德勒项系数和时间变量,构建X方向极移观测序列;
以Y方向常数项、Y方向线性趋势项系数、第一Y方向周年项系数、第二Y方向周年项系数、第一Y方向钱德勒项系数、第二Y方向钱德勒项系数和时间变量,构建Y方向极移观测序列;
利用LS求解所述X方向极移观测序列和所述Y方向极移观测序列中的所有参数,得到所述极移参数序列的拟合残差与LS预报值。
3.根据权利要求1所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的BP神经网络结构,包括:
采用最大最小法对所述极移参数序列的拟合残差进行归一化处理,得到预处理后的残差序列;
根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的神经网络结构。
4.根据权利要求3所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,根据输入层节点数、隐藏层节点数、性能函数、重复训练方式和所述预处理后的残差序列中不同预报时长的不同组合,输出所述不同的BP神经网络结构,包括:
短期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用方差SSE,重复训练方式为重复训练五次取平均值;
中期PMX以及长期PMX的BP神经网络结构采用七个输入层节点和六个隐藏层节点,性能函数采用均方误差规范化函数MSEREG,重复训练方式为重复训练五次取平均值;
短期PMY的BP神经网络结构采用二十二个输入层节点和二十四个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练;
中期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用平均绝对误差MAE,重复训练方式为重复训练五次取平均值;
长期PMY的BP神经网络结构采用十九个输入层节点和十七个隐藏层节点,性能函数采用MSEREG,重复训练方式为不重复训练。
5.根据权利要求1所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,确定GA算法的种群初始化范围与适应度函数,得到优化后的GA算法,包括:
对初始种群进行实数编码,确定种群初始化编码范围;
确定短期PMX和短期PMY采用误差不经过网络反向的适应度函数,确定中期PMX、中期PMY、长期PMX和长期PMY采用误差经过网络反向的适应度函数。
6.根据权利要求1所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值,包括:
基于输入层节点数、隐含层节点数和输出层节点数,得到参数个数,利用所述参数个数对种群进行初始化;
采用适应度函数计算得到个体适应度值;
利用轮盘赌方法对个体进行选择操作,筛选符合适应度比例的个体;
利用实数交叉法对个体进行交叉操作,确定交叉后的个体各基因值满足种群初始化编码范围;
随机选取个体进行数值变异,确定变异后的个体各基因值满足种群初始化编码范围;
计算新种群中所有个体的适应度值,保留适应度值最小的个体为当代种群的最优个体。
7.根据权利要求1所述的基于GA算法优化BP神经网络的极移预报方法,其特征在于,采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,将所述残差序列预报值与所述LS预报值相加得到最终的极移预报值,包括:
将GA算法优化后的最优个体对所述BP神经网络结构的初始权值和阈值进行赋值,利用归一化后的残差序列对所述BP神经网络结构进行训练,待误差收敛后保存训练好的BP神经网络结构;
将归一化后的残差序列输入所述训练好的BP神经网络结构,得到所述残差序列预报值;
将所述残差序列预报值与所述LS预报值相加求和,输出所述最终的极移预报值。
8.一种基于GA算法优化BP神经网络的极移预报系统,其特征在于,包括:
获取模块,用于获取EOP中的极移分量数据,采用LS对所述极移分量数据中的指定项进行拟合并外推预报,获得极移参数序列的拟合残差与LS预报值;
确定模块,用于根据所述极移参数序列的拟合残差的不同预报跨度,确定不同的反向传播BP神经网络结构;
计算模块,用于确定GA算法的种群初始化范围与适应度函数,得到优化后的GA算法;
优化模块,用于利用优化后的GA算法对BP神经网络结构的初始权值与阈值进行优化,获得优化后的初始权值和阈值;
输出模块,用于采用优化后的初始权值和阈值对所述BP神经网络结构进行赋值和网络训练得到残差序列预报值,由所述残差序列预报值与所述LS预报值得到最终的极移预报值。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于GA算法优化BP神经网络的极移预报方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于GA算法优化BP神经网络的极移预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050779.1A CN117574991B (zh) | 2024-01-15 | 2024-01-15 | 基于ga算法优化bp神经网络的极移预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050779.1A CN117574991B (zh) | 2024-01-15 | 2024-01-15 | 基于ga算法优化bp神经网络的极移预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574991A true CN117574991A (zh) | 2024-02-20 |
CN117574991B CN117574991B (zh) | 2024-04-02 |
Family
ID=89890353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050779.1A Active CN117574991B (zh) | 2024-01-15 | 2024-01-15 | 基于ga算法优化bp神经网络的极移预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574991B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1501185A2 (de) * | 2003-07-15 | 2005-01-26 | Sauter Feinmechanik GmbH | Verfahren und Vorrichtung zum Positionieren einer drehbaren Einrichtung |
US20140225576A1 (en) * | 2013-02-08 | 2014-08-14 | General Electric Company | System and method for determining pole shift |
CN106096787A (zh) * | 2016-06-17 | 2016-11-09 | 北京航天飞行控制中心 | 一种自适应匹配的地球自转参数预报方法 |
US20190340236A1 (en) * | 2017-04-20 | 2019-11-07 | Google Llc | Processing sequential data using recurrent neural networks |
CN111578917A (zh) * | 2020-05-26 | 2020-08-25 | 中国科学院上海天文台 | 利用三视场单焦面光学望远镜测定地球定向参数的方法 |
CN116009040A (zh) * | 2023-02-22 | 2023-04-25 | 武汉大学 | 一种联合有效角动量与igs超快解的超短期eop参数预报方法 |
-
2024
- 2024-01-15 CN CN202410050779.1A patent/CN117574991B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1501185A2 (de) * | 2003-07-15 | 2005-01-26 | Sauter Feinmechanik GmbH | Verfahren und Vorrichtung zum Positionieren einer drehbaren Einrichtung |
US20140225576A1 (en) * | 2013-02-08 | 2014-08-14 | General Electric Company | System and method for determining pole shift |
CN106096787A (zh) * | 2016-06-17 | 2016-11-09 | 北京航天飞行控制中心 | 一种自适应匹配的地球自转参数预报方法 |
US20190340236A1 (en) * | 2017-04-20 | 2019-11-07 | Google Llc | Processing sequential data using recurrent neural networks |
CN111578917A (zh) * | 2020-05-26 | 2020-08-25 | 中国科学院上海天文台 | 利用三视场单焦面光学望远镜测定地球定向参数的方法 |
CN116009040A (zh) * | 2023-02-22 | 2023-04-25 | 武汉大学 | 一种联合有效角动量与igs超快解的超短期eop参数预报方法 |
Non-Patent Citations (3)
Title |
---|
"空间碎片光度数据的获取与分析", 《中国优秀硕士学位论文电子期刊》, 15 February 2023 (2023-02-15), pages 1 - 139 * |
YUYU ZHAO 等, 《MDPI》, 22 July 2017 (2017-07-22), pages 1 - 20 * |
张林杰等: "极移时间序列建模及预测", 《测绘地理信息》, 31 August 2021 (2021-08-31), pages 40 - 43 * |
Also Published As
Publication number | Publication date |
---|---|
CN117574991B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110930B (zh) | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 | |
CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN112634019A (zh) | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN114595873A (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
CN111105005A (zh) | 一种风电功率预测方法 | |
CN114708479A (zh) | 一种基于图结构和特征的自适应防御方法 | |
CN117574991B (zh) | 基于ga算法优化bp神经网络的极移预报方法及系统 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
CN114972695A (zh) | 一种点云生成方法、装置、电子设备及存储介质 | |
CN112150475A (zh) | 一种水下图像的悬浮微粒特征分割提取方法 |
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 | ||
GR01 | Patent grant |