[发明专利]基于模糊小波神经网络的水质评价预测方法

说明书

技术领域

本发明涉及水文评价预测领域，特别是涉及基于模糊小波神经网络的水质评价预测方法。

背景技术

水质预测是在水污染控制单元内建立水域功能区，利用水质指标与陆域相应污染源之间对应的关系，得到目标水质信息的技术。国内外在水环境和水污染控制中，对水质模型的研究和应用取得了很大发展。水质预测方法主要有水质模拟模型、数理统计模型和人工神经网络模型，传统BP神经网络模型方法在水质预测与评价方面的应用研究已取得很大发展，但存在着收敛速度较慢、泛化能力差，预测精度不够高的缺点，不能达到满意的预测结果。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明了提供一种基于模糊小波神经网络的水质评价预测方法，目的在于解决BP神经网络在进行水质预测时收敛速度较慢，逼近效果差，预测结果不精准的问题。

其技术方案为：

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：

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：

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：

小波层的第j个小波网络输出为：

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)，

所述解模糊层用于计算整个神经网络的输出，其表示为：

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：

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；