CN117852717A - 基于遗传算法优化反向传播神经网络的台风灾害预测方法 - Google Patents
基于遗传算法优化反向传播神经网络的台风灾害预测方法 Download PDFInfo
- Publication number
- CN117852717A CN117852717A CN202410038262.0A CN202410038262A CN117852717A CN 117852717 A CN117852717 A CN 117852717A CN 202410038262 A CN202410038262 A CN 202410038262A CN 117852717 A CN117852717 A CN 117852717A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- genetic algorithm
- typhoon
- typhoon disaster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000013138 pruning Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法优化反向传播神经网络的台风灾害预测方法，包括获取台风灾害的气象数据，得到训练集和测试集；构造深度学习网络，进行特征提取得到第一特征；通过所述第一特征构建初始决策树模型，采用遗传算法和后剪枝技术优化所述初始决策树模型；基于所述BP神经网络模型和决策树模型建立台风灾害估计的初始模型；将训练集输入所述台风灾害预测模型得到台风灾害预测结果。本发明通过基于分类决策树的方式建立台风灾害预测模型，可以较为准确的预测台风灾害对环境的影响，从而科学的指导防灾减灾工作。
Description
技术领域
本发明涉及一种台风灾害预测方法技术，尤其涉及一种基于遗传算法优化反向传播神经网络的台风灾害预测方法。
背景技术
台风是影响沿海及部分内陆地区的主要灾害性天气之一，台风登录后不仅给沿海地区带来暴雨、大风和泥石流等灾害，还会深入部分内陆地区带来强降雨，甚至引起内涝，导致巨大的经济损失。在台风发生时，也会对电力故障造成一定的损害，因此，及时对台风灾害的影响进行预测，有利于保障电力故障正常通信。相关技术中，主要通过台风灾害预测专家，结合历年台风灾害事件，根据以往经验数据，对当前的台风灾害情况进一步进行预测，显然，这需要投入大量的人力对台风灾害进行分析或预测，并且无法进行准确的预测。因此需要一种基于遗传算法优化反向传播神经网络的台风灾害预测方法。
发明内容
本发明的目的是要提供一种基于遗传算法优化反向传播神经网络的台风灾害预测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
获取台风灾害的气象数据，得到训练集和测试集；
构造深度学习网络，进行特征提取得到第一特征；
通过所述第一特征构建初始决策树模型，采用遗传算法和后剪枝技术优化所述初始决策树模型；
基于所述BP神经网络模型和决策树模型建立台风灾害预测模型；将训练集输入所述台风灾害预测模型得到台风灾害预测结果。
进一步地，采用遗传算法和后剪枝技术优化所述初始决策树模型的方法包括：
生成初始的决策树模型，设定遗传算法的参数，包括种群大小、迭代次数、交叉概率、变异概率，评估初始决策树模型的性能，计算适应度值；
根据适应度值，使用交叉遗传算法的机制对种群进行进化，直到达到设定的迭代次数；
对经过遗传算法优化后的决策树进行后剪枝，对于每个节点，评估其剪枝前后的误差，选择误差更小的方案，直到达到设定的剪枝深度或满足其他停止条件；
进一步地，计算所述台风灾害的气象数据的适应度的公式为：
根据历史气象数据给定熵值：
其中适应度集合的熵为V(X)，适应度为x，适应度的集合为X，计算互信息：
其中历史气象数据为y，台风灾害的气象数据的集合为Y，适应度的集合X历史气象数据的集合Y的互信息为C(X,Y)，给定熵：
其中适应度集合的熵为V(X)，计算适应度：
进一步地，基于所述BP神经网络模型和决策树模型建立台风灾害预测模型方法包括将预处理后的台风灾害的气象数据输入所述BP神经网络模型中，计算所述第一推送数据与所述活跃书籍的相关度，直到相关度达到80％停止训练，将预处理后的所述实时检索数据输入训练好的深度神经网络算法中获得台风灾害预测结果。
进一步地，所述BP神经网络模型包含15个输入层，6个隐含层，1个输出层的3层神经网络结构，并对数据进行训练；采用搜索策略进行去深度和优化节点，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小。
进一步地，所述交叉损失函数值的计算公式为：
式中：N表示训练样本的数量，M表示分类结果的个数，yic表示分类结果的真实值，Pic表示预测为该分类结果的概率。
进一步地，采用主成分分析和互信息评估方法构造所述深度学习网络。
在另外一个方面，一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述方法。
在另外一个方面，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述方法。
本发明的有益效果是：
本发明通过基于分类决策树的方式建立台风灾害预测模型，可以较为准确的预测台风灾害对环境的影响，从而科学的指导防灾减灾工作
附图说明
图1是本发明一种基于遗传算法优化反向传播神经网络的台风灾害预测方法流程示意图；
图2是本发明一种基于遗传算法优化反向传播神经网络的台风灾害预测方法遗传算法适应度变化曲线示意图；
图3是本发明一种基于遗传算法优化反向传播神经网络的台风灾害预测方法BP神经网络拓扑结构示意图；
图4是本发明一种基于遗传算法优化反向传播神经网络的台风灾害预测方法的电子设备结构示意图；
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明包括以下步骤：
获取台风灾害的气象数据，得到训练集和测试集；
构造深度学习网络，进行特征提取得到第一特征；
通过所述第一特征构建初始决策树模型，采用遗传算法和后剪枝技术优化所述初始决策树模型；
基于所述BP神经网络模型和决策树模型建立台风灾害估计的初始模型；将训练集输入台风灾害估计的优化模型得到台风灾害预测结果。
在本实施例子中，采用遗传算法和后剪枝技术优化所述初始决策树模型的方法包括：
生成初始的决策树模型，设定遗传算法的参数，包括种群大小、迭代次数、交叉概率、变异概率，评估初始决策树模型的性能，计算适应度值；
根据适应度值，使用交叉遗传算法的机制对种群进行进化，直到达到设定的迭代次数；
对经过遗传算法优化后的决策树进行后剪枝，对于每个节点，评估其剪枝前后的误差，选择误差更小的方案，直到达到设定的剪枝深度或满足其他停止条件；
在本实施例子中，计算所述台风灾害的气象数据的适应度的公式为：
根据历史气象数据给定熵值：
其中适应度集合的熵为V(X)，适应度为x，适应度的集合为X，计算互信息：
其中历史气象数据为y，台风灾害的气象数据的集合为Y，适应度的集合X历史气象数据的集合Y的互信息为C(X,Y)，给定熵：
其中适应度集合的熵为V(X)，计算适应度：
在本实施例子中，基于所述BP神经网络模型和决策树模型建立台风灾害预测模型方法包括将预处理后的台风灾害的气象数据输入所述BP神经网络模型中，计算所述第一推送数据与所述活跃书籍的相关度，直到相关度达到80％停止训练，将预处理后的所述实时检索数据输入训练好的深度神经网络算法中获得台风灾害预测结果。
在本实施例子中，所述BP神经网络模型包含15个输入层，6个隐含层，1个输出层的3层神经网络结构，并对数据进行训练；采用搜索策略进行去深度和优化节点，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小。
基于有完整数据记录的318个台风样本(2004-2021年)建立的BP神经网络模型，包含15个输入层，6个隐含层，1个输出层的3层神经网络结构，如图1所示。其中，输入变量包括登陆强度(m/s)、过程日最大雨量(mm)、累计最大雨量(mm)、最大小时雨强、大于等于50mm降雨的测站总数、大于等于8级大风的测站总数、过程极大风速(m/s)、最大风速等风情、雨晴为主的气象服务数据，以及单位面积排水管道密度、移动电话普及率、地区GDP、人口密度、环境投资(排水、园林绿化)等台风影响地区的防灾减灾能力数据；输出变量为直接经济损失。
所述交叉损失函数值的计算公式为：
式中：N表示训练样本的数量，M表示分类结果的个数，yic表示分类结果的真实值，Pic表示预测为该分类结果的概率。
神经网络模型常用于处理需要同时考虑多种因素和条件的、不精确和模糊的信息，适合用于台风灾害气象综合服务经济效益评估。课题组基于有完整数据记录的318个台风样本(2004-2021年)，选取台风登陆强度、风情、雨情、地区GDP、人口密度、排水管道密度等指标作为模型训练集和验证集输入参数，以直接经济损失作为输出结果，模拟气象预报水平技术阶段二时期的各个台风在技术阶段一气象预报水平下造成的直接经济损失，对比实际直接经济损失，得到台风灾害气象服务阶段性提升带来的台风灾害气象综合服务经济效益值。
如图2和3所示，本发明建立的神经网络模型是一个包含15个输入层，6个隐含层，1个输出层的3层神经网络结构。使用MATLAB_R2017b软件进行编程，实现模型的训练、仿真、评估等内容，采用遗传算法优化反向传播神经网络，gen进化代数为100，交叉函数的参数为2，非均匀变异算法该变异算法应用到第2代到第3代中，尽可能寻找模型最优的输入权重和偏置，使模型更加严谨科学。
通过建立GA-BP神经网络模型，挖掘台风直接经济损失与气象服务和应急服务因子之间的关系，为防灾减灾为目的的台风灾前预评估提供科学支撑。通过衡量不同台风预测技术水平阶段下输入变量对于直接经济损失的影响，根据模型仿真结果计算出台风灾害综合服务经济效益。
为了精确把握台风直接经济损失与致灾因子和环境变量之间的关系，本发明优选指标构建神经网络模型，指标及其表征意义如表1所示。
表1指标及其表征意义
根据GA-BP神经网络模型模拟结果，训练数据集的拟合优度R为0.94412，测试数据集拟合优度R为0.94143，均在可接受范围内，模型拟合结果较好。
GA-BP神经网络模型训练与测试
在遗传算法对BP神经网络进行优化的过程中要经过选择操作、交叉操作和变异操作，尽可能寻找模型最优的输入权重和偏置，使模型更加严谨科学。因此，将模型参数设置如下：gen进化代数为100，种群规模为20,选择函数的参数为0.09，交叉函数的参数为2，非均匀变异算法该变异算法应用到第2代到第3代中。遗传算法优化过程中最优个体适应度值变化，如图2所示。
在仿真过程中，随机选取气象预报水平2004-2011年中的100个数据作为训练样本，剩余43个数据作为测试样本。利用上述已经调试好的网络结构和相关参数，将随机划分的训练样本集代入网络进行训练。经过Matlab程序代码运行后，可以分别得到BP神经网络和GA-BP神经网络的训练集和测试集的均方根误差(RMSE)和R系数，如2所示。
表2GA-BP和BP神经网络试验集的均方根误差和R系数
表2给出了GA-BP神经网络和传统BP神经网络方法的RMSE和R值，其中RMSE指标值越接近于0代表模型的预测精度越高，R指标值越接近于1代表模型拟合效果越好。GA-BP神经网络测试集的RMSE和R分别为0.2756和0.9418，优于传统BP神经网络的51.8980和0.8000，这表明通过GA-BP神经网络得到的系数能够较好地描述试验关系。根据GA-BP神经网络模型模拟结果，训练数据集的拟合优度R为0.94412，测试数据集拟合优度R为0.94143，均在可接受范围内，模型拟合结果相对较好。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(IndustryStandardArchitecture，工业标准体系结构)总线、PCI(PeripheralComponentInterconnect，外设部件互连标准)总线或EISA(ExtendedIndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种信息安全风险管理装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种基于遗传算法优化反向传播神经网络的台风灾害预测方法。
上述如本申请图1所示实施例揭示的一种基于遗传算法优化反向传播神经网络的台风灾害预测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种基于遗传算法优化反向传播神经网络的台风灾害预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (9)
1.基于遗传算法优化反向传播神经网络的台风灾害预测方法，包括NTC热敏电阻，其特征在于：
获取台风灾害的气象数据，得到训练集和测试集；
构造深度学习网络，进行特征提取得到第一特征；
通过所述第一特征构建初始决策树模型，采用遗传算法和后剪枝技术优化所述初始决策树模型；
基于所述BP神经网络模型和决策树模型建立台风灾害预测模型；将训练集输入所述台风灾害预测模型得到台风灾害预测结果。
2.根据权利要求1所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：采用遗传算法和后剪枝技术优化所述初始决策树模型的方法包括：
生成初始的决策树模型，设定遗传算法的参数，包括种群大小、迭代次数、交叉概率、变异概率，评估初始决策树模型的性能，计算适应度值；
根据适应度值，使用交叉遗传算法的机制对种群进行进化，直到达到设定的迭代次数；
对经过遗传算法优化后的决策树进行后剪枝，对于每个节点，评估其剪枝前后的误差，选择误差更小的方案，直到达到设定的剪枝深度或满足其他停止条件。
3.根据权利要求2所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：计算所述台风灾害的气象数据的适应度的公式为：
根据历史气象数据给定熵值：
其中适应度集合的熵为V(X)，适应度为x，适应度的集合为X，计算互信息：
其中历史气象数据为y，台风灾害的气象数据的集合为Y，适应度的集合X历史气象数据的集合Y的互信息为C(X,Y)，给定熵：
其中适应度集合的熵为V(X)，计算适应度：
4.根据权利要求1所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：基于所述BP神经网络模型和决策树模型建立台风灾害预测模型方法包括将预处理后的台风灾害的气象数据输入所述BP神经网络模型中，计算所述第一推送数据与所述活跃书籍的相关度，直到相关度达到80％停止训练，将预处理后的所述实时检索数据输入训练好的深度神经网络算法中获得台风灾害预测结果。
5.根据权利要求1所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：所述BP神经网络模型包含15个输入层，6个隐含层，1个输出层的3层神经网络结构，并对数据进行训练；采用搜索策略进行去深度和优化节点，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小。
6.根据权利要求5所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：所述交叉损失函数值的计算公式为：
式中：N表示训练样本的数量，M表示分类结果的个数，yic表示分类结果的真实值，Pic表示预测为该分类结果的概率。
7.根据权利要求1所述的基于遗传算法优化反向传播神经网络的台风灾害预测方法，其特征在于：采用主成分分析和互信息评估方法构造深度学习网络。
8.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～7之任一所述方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～7之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038262.0A CN117852717A (zh) | 2024-01-10 | 2024-01-10 | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038262.0A CN117852717A (zh) | 2024-01-10 | 2024-01-10 | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117852717A true CN117852717A (zh) | 2024-04-09 |
Family
ID=90536033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038262.0A Pending CN117852717A (zh) | 2024-01-10 | 2024-01-10 | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852717A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
| CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
| CN113850420A (zh) * | 2021-09-13 | 2021-12-28 | 江苏海洋大学 | 一种基于改进的遗传算法优化bp神经网络的气象数据预测方法 |
| CN114781538A (zh) * | 2022-05-07 | 2022-07-22 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 |
| CN116662671A (zh) * | 2023-07-24 | 2023-08-29 | 中国标准化研究院 | 一种基于用户偏好的数字图书馆数据推送方法 |
| US20230375745A1 (en) * | 2022-05-17 | 2023-11-23 | Nanjing University Of Information Science & Technology | High-temperature disaster forecast method based on directed graph neural network |
-
2024
- 2024-01-10 CN CN202410038262.0A patent/CN117852717A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
| CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
| CN113850420A (zh) * | 2021-09-13 | 2021-12-28 | 江苏海洋大学 | 一种基于改进的遗传算法优化bp神经网络的气象数据预测方法 |
| CN114781538A (zh) * | 2022-05-07 | 2022-07-22 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 |
| US20230375745A1 (en) * | 2022-05-17 | 2023-11-23 | Nanjing University Of Information Science & Technology | High-temperature disaster forecast method based on directed graph neural network |
| CN116662671A (zh) * | 2023-07-24 | 2023-08-29 | 中国标准化研究院 | 一种基于用户偏好的数字图书馆数据推送方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUNQINGLIANG ET AL.: "Research on Decision Support Model Based on Decision Tree-Modified Back Propagation Neural Network", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, vol. 1325, 5 July 2019 (2019-07-05) * |
| WENZHOU LI ET AL.: "Precise Positioning Model of Back Propagation Neural Network Based on Genetic Algorithm Optimization", 《2022 INTERNATIONAL CONFERENCE ON CYBER-PHYSICAL SOCIAL INTELLIGENCE (ICCSI)》, 16 December 2022 (2022-12-16) * |
| 李海涛 等: "基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究", 《海洋科学》, vol. 43, no. 09, 30 September 2019 (2019-09-30), pages 34 - 40 * |
| 武彤 等: "用遗传算法改进的BP神经网络剪枝算法来优化决策树模型", 《计算机科学》, vol. 40, no. 11, 30 November 2013 (2013-11-30), pages 278 - 280 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
| CN111507533B (zh) | 空气污染物浓度预测方法、装置、电子设备及存储介质 | |
| CN107153874A (zh) | 水质预测方法及系统 | |
| CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
| Abrahart et al. | Using pruning algorithms and genetic algorithms to optimise network architectures and forecasting inputs in a neural network rainfall-runoff model | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
| CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN116881860B (zh) | 基于数理统计分析的中小河流洪水预报方法及装置 | |
| CN117575110A (zh) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 | |
| CN110163470B (zh) | 事件评估方法及装置 | |
| CN117852717A (zh) | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 | |
| CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
| CN116718890A (zh) | 电路故障的检测方法、装置及计算机可读存储介质 | |
| CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
| CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
| Navaluna et al. | An optimization algorithm using fuzzy logic and Weibull distribution for bioretention systems | |
| CN114881344A (zh) | 一种建筑能耗预测模型的训练方法、设备及介质 | |
| Widodo et al. | Modeling solar potential in Semarang, Indonesia using artificial neural networks | |
| CN114154864A (zh) | 针对电力微气象监测数据的质量评估方法及处理器 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN115859583B (zh) | 降水和初始状态对干旱过程影响的定量分析方法及系统 | |
| Stokelj et al. | Short and mid term hydro power plant reservoir inflow forecasting |
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 |