[发明专利]基于符号回归的大风预报订正方法

权利要求书

1.基于符号回归的大风预报订正方法，其特征在于，包括：

S1、获取多个城市的天气特征作为数据集，该数据集的时间分辨率为每小时，天气特征包括温度x₀、压力x₁、风速x₂和风向x₃，每个时间步长t由矩阵Mt∈R^FxC组成，其中F是特征数，C为城市数；

S2、对数据集进行预处理，将每个特征缩放到0-1之间；

S3、构建符号回归神经网络；

S4、预处理后的数据集分为训练集和验证集；

S5、训练集导入符号回归神经网络进行训练优化，并采用RMSProp算法优化正则化表达式作为训练的损失，得到订正方程；验证集导入优化后的符号回归神经网络进行验证；

S6、获取需要订正的天气特征导入订正方程，完成对大风预报的订正。

2.根据权利要求1所述的基于符号回归的大风预报订正方法，其特征在于，在S2中，采用公式将每个特征缩放到0-1之间，其中c_mn表示的是列向量，m是第m个特征，n是第n个城市。

3.根据权利要求1所述的基于符号回归的大风预报订正方法，其特征在于，符号回归神经网络为多层的EQL网络和输出层依次连接，网络第i层表示为g_i＝W_ih_i-1、h_i＝f(g_i)，其中W_i为第i层的权矩阵，h₀＝x为输入数据，输出层使用线性激活函数，符号回归神经网络权重矩阵的函数为其中，L为EQL网络的层数，L_q对矩阵的作用为j,k表示为权重矩阵W中的元素，ω为某一权值，q表示为L_q范数的正则化表达式，范数是表示长度的函数。

4.根据权利要求1所述的基于符号回归的大风预报订正方法，其特征在于，符号回归神经网络为两层的EQL网络。

5.根据权利要求3所述的基于符号回归的大风预报订正方法，其特征在于，在S5中，q＝0.5,则正则化表达式为其中a为阈值，RMSProp算法的历史梯度表示为r←ρr+(1-ρ)g⊙g，其中，r是初始梯度累计变量，ρ是衰减速率，g为计算梯度，采用RMSProp算法优化后的损失L_EQL表示为订正方程表示为其中y为订正前的值，为订正值，λ取值为1或0，符号回归神经网络处于训练优化过程时，λ取值为1，符号回归神经网络处于验证过程时，λ取值为0。