[发明专利]一种基于遗传算法优化BP神经网络地下水埋深的预测方法

权利要求书

1.一种基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述方法至少包括：

(1)数据的采集

采用集对分析方法选择与待测地区地下水埋深联系度较高的自变量作为目标自变量，并获取所述目标自变量对应的样本；

(1)BP神经网络的设定

将所述目标自变量对应的样本作为BP神经网络的训练样本，确定BP神经网络的输入节点、输出节点和隐含层的数量，获得BP神经网络的输出结果；

(2)遗传优化算法

(21)设置遗传算法初始参数

设置种群规模、进化次数、交叉概率和变异概率，将BP神经网络的权值与阈值组成遗传编码；

(22)适应度函数的构建

以所述BP神经网络预测输出与期望输出组成的函数作为适应度值；

(23)遗传算法处理过程

(231)个体选择操作：在旧群体中以预设概率选择个体用来产生下一代，选择原则为：依据个体的适应度值从大到小进行选择；

(232)交叉操作：是指从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；

(233)变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生新的个体；

(234)重复步骤(231)至步骤(233)，不断的对种群中个体进行选择、交叉、变异操作并记录适应度值，达到进化次数上限，将新得到的个体中的遗传编码进行解码，计算适应度，与原种群进行比较；适应度最优解对应的染色体即为BP神经网络所对应的阈值与权值；

(3)BP神经网络的训练过程

采用步骤(234)得到的权值和阈值对BP神经网络进行训练，直至判定所获得误差小于有预设误差值。

2.根据权利要求1所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述BP神经网络终止条件设置为：

训练次数5000，收敛误差0.001，输入层有10个节点，隐含层有19个节点，输出层有1个节点。

3.根据权利要求1或2所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述遗传算法参数设置为：

进化次数为40次；种群规模n取值范围为20～80，取种群规模为30，交叉概率为0.2；变异概率为0.1。

4.根据权利要求1或2所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述采用集对分析方法选择与待测地区联系度较高的自变量作为目标自变量的步骤采取的具体公式为：

设定第一集合A表示自变量、第二集合B表示待测地区的实测值，且第一集合A和第二集合B组成的集对为H：

H＝(A,B)

其中，A和B都有N个表征特性，包括：S个共同特性，P个相对立特性，F个差异特性。若令a＝S/N，b＝F/N，c＝P/N，则集对H的联系度(常称为三元联系数)表示为：

U＝a+bI+cJ

I＝a/(a+c)+c/(a+c)J

其中，U为联系度；a为统一度；b为差异度；c为对立度；且a+b+c＝1；I为差异标记符号，I∈[-1,1]；J为对立度系数，取值为-1。

5.根据权利要求1或2所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述遗传算法的编码长度为：

S＝n×m+m×l+l

式中，m为隐含层节点数；n为输入层节点数；l输出层节点数。

6.根据权利要求1所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，所述适应度函数的具体表达为：

式中，SE为神经网络的预测输出与期望输出之间的误差平方和。

7.根据权利要求1所述的基于遗传算法优化BP神经网络地下水埋深的预测方法，其特征在于，个体的选择概率值的具体表达为：

式中，P_i为个体i的选择概率值，f_i为个体i的适应度值；k为种群个体数目。