[发明专利]基于模糊小波神经网络的水质评价预测方法

摘要

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，以已知水质分析指标个数为、预测指标个数、模糊规则数构建模糊小波神经网络预测模型，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；对隶属函数参数、小波层的小波参数进行调整，并定义代价函数，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，本专利方法主要用于预测水质指标。

主权项

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，…，xm；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，cij、dij高斯隶属函数的中心和宽度，ηj(xi)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：μj(x)＝ηj(x1)*ηj(x2)*…ηj(xm),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)由母小波函数ψ(x)平移与扩展形成，其中aj＝{a1j,a2j,…amj}，bj＝{b1j,b2j,…bmj}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，aij、bij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，Kj＝μj(x)*yj＝ηj(x1)*ηj(x2)*…ηj(xm)*ωjψj(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cij、dij、小波层的小波参数ωj、aij、bij进行调整，定义代价函数为：其中与ui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cij、dij、ωj、aij、bij；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Xi＝[xi1,xi2,…,xiD]T，随机产生的可行解如下：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，…，xm，输入到网络模型的输入层，得到预测输出值。