[发明专利]果蝇算法优化广义回归神经网络的方法和装置

说明书

本申请实施例提供一种果蝇算法优化广义回归神经网络的方法和装置，此方法包括：获取样本数据；根据样本数据，构造广义回归神经网络模型；基于广义回归神经网络模型，采用果蝇算法确定广义回归神经网络模型的最佳传播参数值；果蝇算法具有递减的果蝇搜索步长值；将最佳传播参数值作为广义回归神经网络模型的传播参数值，获得优化后的广义回归神经网络模型。由于用于优化广义回归神经网络模型的果蝇算法的果蝇搜索步长值是递减的，所以相对来说，开始搜索时的果蝇搜索步长值较大，这使得最开始收敛更快，提高了搜索效率。最后搜索时的果蝇搜索步长值较小，提高了搜索精度。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种果蝇算法优化广义回归神经网络的方法和装置。

背景技术

数据挖掘是数据库知识发现中的一个步骤，一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。其可以通过对历史数据和当前数据的分析，帮助决策人员提取隐藏在数据中的潜在关系与模式等，进而协助其预测未来可能出现的状况和即将产生的结果。数据挖掘在金融业、零售业、医疗、电信和电力等领域已经得到广泛的应用，成为一种利用信息资源的有效方法和途径，具有广阔的开发前景和应用市场。

以短期电力负荷预测为例，其主要是指预报未来几小时、1天至几天的电力负荷。但是由于电力系统突变性强，且电能不便于存储，从而要求系统发电力必须紧跟系统负荷的变化，保持动态平衡。因此，短期电力负荷预测在调度安全中扮演着较重的角色，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。如何提高其预测精度，已成为电力系统的研究热点之一。

其中，广义回归神经网络(GRNN)由D.F.Specht博士于1991年提出，其是径向基神经网络的一种变形形式。GRNN建立在非参数回归的基础上，以样本数据为后验条件，执行Parzen非参数估计，依据最大概率原则计算网络输出。与径向基网络相比，GRNN训练更为方便，只有一个传播参数σ需要确定。传播参数σ的取值对GRNN性能有着显著的影响，σ过大时，GRNN的预测值近似于样本的平均值,误差大；σ过小时，会导致过拟合的问题。因此，确定一个适中的传播参数σ值是非常重要的。目前，通过果蝇算法来确定最佳传播参数σ。当果蝇搜索步长值过大时，果蝇算法的全局寻优能力强，但是局部寻优能力弱，因此会导致精度不高；当果蝇搜索步长值过小时，果蝇算法的局部寻优能力增强，但是全局寻优能力弱，算法容易陷入局部最优。但是现有技术中果蝇算法中的果蝇搜索步长值为一固定值，从而造成果蝇算法的寻优能力较弱。

发明内容

本申请实施例提供一种果蝇算法优化广义回归神经网络的方法和装置，用于优化果蝇的全局寻优能力和局部寻优能力。

第一方面，本申请实施例提供一种果蝇算法优化广义回归神经网络的方法，包括：获取样本数据。根据所述样本数据，构造广义回归神经网络模型。基于所述广义回归神经网络模型，采用果蝇算法确定所述广义回归神经网络模型的最佳传播参数值。所述果蝇算法具有递减的果蝇搜索步长值，而且最佳传播参数值为广义回归神经网络模型的误差最小所对应的传播参数值。再将最佳传播参数值作为广义回归神经网络模型的传播参数值，获得优化后的广义回归神经网络模型。

可选地，所述果蝇搜索步长值随果蝇算法的迭代次数的增加而减小。

可选地，所述果蝇搜索步长值与果蝇算法的迭代次数满足sigmoid函数。或者，所述果蝇搜索步长值与果蝇算法的迭代次数满足线性公式。

可选地，根据所述样本数据，构造广义回归神经网络模型，包括：对所述样本数据进行归一化处理，获得归一化处理后的样本数据；以及根据所述归一化处理后的样本数据，构造广义回归神经网络模型。

可选地，所述获取样本数据，包括：获取实际检测数据；确定所述实际检测数据中的异常数据，以及确定所述实际检测数据中的聚类中心数据；所述异常数据与所述实际检测数据的平均数据的差距值大于预设值；用所述实际检测数据中的聚类中心数据替换所述异常数据，获得所述样本数据。