[发明专利]基于模糊小波神经网络的水质评价预测方法

权利要求书

1.基于模糊小波神经网络的水质评价预测方法,其特征在于,包括如下步骤:

a、以已知水质分析指标个数为m、预测指标个数为o、模糊规则数为n构建模糊小波神经网络预测模型，所述模糊小波神经网络预测模型包括输入层、隶属层、模糊规则层、小波层、输出层和解模糊层；

所述输入层用于输入已知水质分析指标，也即输入变量：x₁，x₂，…，x_m；

所述隶属层用于计算每个输入变量的隶属度值，隶属函数为：

ηj(xi)=e-(xi-cij)22dij2i=1,2,...,m,j=1,2,...,n]]>

其中m为输入变量数，n为模糊规则数，即第三层的隐层神经元数，c_ij、d_ij高斯隶属函数的中心和宽度，η_j(x_i)为第i个语言变量相对于第j条规则的隶属函数；

所述模糊规则层其节点数对应模糊规则数n，每个节点表示一条模糊规则，各节点模糊规则层输出表示如下：

μ_j(x)＝η_j(x₁)*η_j(x₂)*…η_j(x_m),j＝1,2,…,n；

所述小波层引入小波函数，利用小波函数改进网络模型的计算和逼近能力，小波定义如下：

ψj(x)=1|aj|ψ(x-bjaj),aj≠0,j=1,2,...,n]]>

ψ_j(x)由母小波函数ψ(x)平移与扩展形成，其中a_j＝{a_1j,a_2j,…a_mj}，b_j＝{b_1j,b_2j,…b_mj}分别代表伸缩与平移因子，母小波取为墨西哥草帽小波如下：

ψ(x)=1|a|(1-x2)e(-x22),]]>

小波层的第j个小波网络输出为：

yj=ωjψj(z),ψj(z)=Σi=1m1|aij|(1-zij2)e-zij22,]]>

其中，a_ij、b_ij为小波参数；

所述输出层为模糊规则层输出与小波层网络输出的乘积，

K_j＝μ_j(x)*y_j＝η_j(x₁)*η_j(x₂)*…η_j(x_m)*ω_jψ_j(z)，

ψj(z)=Σi=1m1|aij|(1-zij2)e-zij22,]]>

所述解模糊层用于计算整个神经网络的输出，其表示为：

u=Σj=1nμj(x)yj/Σj=1nμj(x);]]>

b、对隶属函数参数c_ij、d_ij、小波层的小波参数ω_j、a_ij、b_ij进行调整，定义代价函数为：

E=12Σi=1o(uid-ui)2]]>

其中与u_i分别为网络的期望输出与实际输出，o为输出变量数，使用以梯度下降法为基础的BP算法进行参数调整，为避免收敛速度慢、容易陷于震荡效应和局部最优，增加模型稳定性，采用人工蜂群算法优化初始参数，包括如下步骤：

步骤1：初始化蜜蜂种群，蜜蜂总数SN，采蜜蜂与跟随蜂各占SN/2,，最大搜索次数Limit，迭代次数iter＝0，最大迭代次数maxCycle；所有蜜蜂均为侦查蜂模式，随机产生SN个可行解；

步骤2：初始化网络模型的各部分参数c_ij、d_ij、ω_j、a_ij、b_ij；

步骤3：将各参数赋值给网络模型；

步骤4：使用训练样本训练网络模型；

步骤5：计算适应度值，将蜂群分为采蜜蜂和跟随蜂两种，初始化标志向量trial(i)＝0，记录采蜜蜂在同一蜜源的连续停留次数；

步骤6：采蜜蜂局部搜索新蜜源，计算适应度值，若优于当前蜜源，则更新当前采蜜蜂所在的蜜源位置，令trial(i)＝0，否则更新trial(i)＝trial(i)+1；

步骤7：计算跟随蜂选择概率，每只跟随蜂以此概率寻找新蜜源，并转化为采蜜蜂进行邻域搜索，计算适应度值，判断是否保留蜜源，更新trial(i)；

步骤8：若trial(i)>Limit,则执行步骤9，否则执行步骤10；

步骤9：第i个采蜜蜂放弃当前蜜源称为侦查蜂，在解空间随机产生新蜜源；

步骤10：记录当前所有蜜蜂找到的全局最优解，iter＝iter+1；

步骤11：若iter>maxCycle，则得到网络模型参数优化初始值，否则返回步骤4；

算法中每个蜜源表示搜索空间的一个解，对于含有D个变量的问题，则第i个蜜源位置为X^i＝[x_i1,x_i2,…,x_iD]^T，随机产生的可行解如下：

Xij=Xjmin+rand(0,1)(Xjmax-Xjmin)]]>

其中，i∈{1,2,…,SN}，j∈{1,2,…,D}；

c、将寻优得到的参数初始值赋值给网络模型，将水质分析指标，也即输入变量：x₁，x₂，…，x_m，输入到网络模型的输入层，得到预测输出值。