[发明专利]一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法

权利要求书

1.一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法，包括以下几个步骤：

步骤1：综合考量将叶绿素a浓度作为作为描述水华形成的表征指标，并将与叶绿素a浓度相关的风速，风向，湿度，蓝绿藻，pH值，前一时刻的叶绿素a,溶解氧，氨氮，和水体温度这9个影响因素作为预测模型的输入；

步骤2：通过一系列传感器收集研究对象的状态数据，形成数据集；对数据集中的数据进行预处理，随机选取部分作为训练数据，剩下的部分作为测试数据，进行水华预测；

步骤3：自组织深度信念网络的初始权值取(0,1)之间的随机值，且保证每次机器时钟随机给定的初始值相同，隐含层结构调整的依据依赖于隐含层神经元的尖峰强度值以及隐含层神经元的互信息值，

自组织深度信念网络隐含层神经元的增长和删除依赖于隐藏层神经元的尖峰强度值，而隐含层神经元的合并则依赖于神经元之间的互信息值，尖峰强度值以及互信息的表达式如式(1)和式(3)所示：

其中：是第l层第i个神经元的尖峰强度值，β取值为500，y_il是第l个隐含层第i个神经元的输出；N_l是第l个隐含层的神经元的数量，net_il是第l个隐含层第i个神经元的输入权重的和，其表达式如下：

其中p_ij是第i个神经元的第j个输入，w_ij是第j个输入神经元和第i个神经元之间的权重，q_i是第i个神经元的输入神经元的总数；

其中:I(X；Y)代表代表变量神经元输出变量X和Y的互信息，K_X和K_Y分别代表把变量X和Y的取值范围等分为宽度为Δx和Δy片段的个数，N为样本总数，和分别为为样本落入第k_i,k_j个片段中的个数，为落入单元(k_i,k_j)中的样本的数量；

K_X及K_Y的表达式分别如式(4)(5)所示：

其中ε为一个定值根据样本总数直接计算得出，round代表最接近实变量的整数；

对于隐含层神经元数目的增长，当其满足式(7)时，第i个隐含神经元将被分裂为两个隐含神经元；

SI≥SI_th (7)

当其满足式(8)时，第i个隐含神经元将被修剪或者删除；

SISI_th (8)

其中SI_th取值为0.7；

对于任意的a,b两个隐含层神经元，利用式(3)计算a,b两个隐含层神经元之间的互信息值I(a；b),如果满足式(9)，则将其合并为一个神经元：

I(a；b)I_th (9)

其中：

I_th＝λI_mean (10)

其中I_th为互信息合并隐含神经元的所满足的值，取值为3.25，λ为常数,其取值为3，I_mean为所有隐含层神经元之间互信息的平均值，n₁为隐含层神经元的个数；

步骤4：网络结构调整好后，然后用调整好的自组织深度信念网络重新对输入样本数据进行特征提取，之后将提取到的特征输入到相关向量机单元中，借助于相关向量机实现淡水环境藻类水华的预测。