[发明专利]基于FNN对抗生成的二噁英排放风险预警模型构建方法

权利要求书

1.一种基于FNN对抗生成的二噁英排放风险预警模型构建方法，其特征在于，包括以下步骤：

S1，采用随机森林算法计算MSWI过程输入特征重要程度以自适应选择与DXN排放相关性高的输入特征；

S2，基于生成对抗网络GAN，引入T-S模糊神经网络作为生成器和判别器，形成FNN-GAN，基于FNN对抗生成策略迭代产生用于DXN风险预警建模的候选虚拟样本，并使用DXN风险等级作为条件信息用于控制生成虚拟样本的类型；

S3，采用判别概率、最大均值差异和最近邻类别构建多约束选择机制，通过多约束选择机制进行虚拟样本筛选，获得合格虚拟样本；

S4，将合格虚拟样本与真实样本相混合，得到混合样本，基于混合样本构建MSWI过程DXN排放风险预警模型，进行MSWI过程二噁英排放风险预警。

2.根据权利要求1所述的基于FNN对抗生成的二噁英排放风险预警模型构建方法，其特征在于，所述步骤S1中，采用随机森林算法计算MSWI过程输入特征重要程度以自适应选择与DXN排放相关性高的输入特征，具体包括：

将MSWI过程获得的原始样本的输入和输出表示如下：

其中，N_org为原始样本的数量，X_org表示由MSWI过程获得的原始样本的输入，Y_real表示对应的输出；

采用Bootstrap重抽样技术从{X_org,Y_real}中随机抽取数据构造R组训练子集如下：

同时，还有R组没有被抽中的袋外数据表示如下：

根据R组训练子集构建R组决策树，然后将R组袋外数据输入相应的决策树得到R组预测值表示如下：

则第r个袋外数据误差表示如下：

式中，N_oob为袋外数据中样本的数量，为第r组预测值的第s个值，为第r组袋外数据的第s个真值，r＝1,2,…,R；s＝1,2,…,N_oob；

在袋外数据第h个特征中添加噪声后进行预测，得到的R组噪声预测值表示如下：

则第r个噪声袋外数据误差表示如下：

式中，为第h个特征的第r组噪声预测值的第s个值；

计算第h个特征的重要性得分为：

重复上述操作计算所有特征的重要性得分，并将所有得分进行归一化表示，归一化后的第h个特征的重要性得分表示如下：

式中，max(γ)和min(γ)表示所有得分的最大和最小值；

将归一化后的重要性得分按照降序排列，如下：

式中，D_org为原始样本的特征数，表示第L个降序排列得分对应特征的重要性得分；

当前L+1个降序排列得分对应特征的重要性得分相较于前L个特征的重要性得分增幅低于5％时，将前L个降序排列得分对应的特征作为依据数据特性而自适应选择的特征；

计算增幅ξ_L+1，如下：

式中，表示第L+1个降序排列得分对应特征的重要性得分；

若ξ_L+1≤0.05，则停止增加特征，并将最终约减特征记为：

式中，表示第l个选择的特征；最终自适应选择得到{X_real,Y_real}，X_real表示真实样本的输入。