[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

说明书

本发明提供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，所述方法至少包括：数据的采集，集对分析筛选自变量，取所述目标自变量对应的样本；BP神经网络的设定，获得BP神经网络的输出结果；设置遗传算法初始参数；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；交叉操作：通过染色体的交叉组合，产生新的个体；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；达到进化次数上限，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。应用本发明实施例，能够提高地下水埋深的准确性。

技术领域

本发明涉及一种地下水埋深预测技术领域，特别是涉及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。

背景技术

地下水系统是一个涉及多因素的复杂系统，受大气环流、太阳活动、前期水文气象要素、区域覆被变化等众多物理因子的综合影响，地下水埋深的短期预测是区域水安全管理的重要内容，也是水科学界长期研究的重要课题。近年来，BP神经网络和集对分析在水资源方面得到了广泛的应用及推广，吴宏斌建立了多元线性回归模型对遵义市海龙坝地下水水质的动态预测，结果表明预测精度较高，建立的模型比较符合研究区的现状。董起广等建立BP神经网络模型对渭北旱源区两个具有典型性的观测井点进行埋深预测，结果显示BP神经网络与线性回归模型相比对非线性变化的动态模型具有较好的学习能力，预测精度较高。迟宝明等建立GA-BP神经网络预测模型对元宝露天矿区的6眼监测井的地下水进行动态预测，结果表明GA-BP神经网络模型预测精度明显优于BP神经网络模型。可以看出，随着模型的不断改善，预测精度也随之大幅提高。另一方面，模型的预测中自变量的筛选对预测有着至关重要的作用。童丽等研究了大型参数模型的选择问题，针对模型病态的情况，提出了基于主成分估计的自变量筛选的Cp准则，在系统误差和测量误差上均得到显著的提高。王银辉等在线性模型中，考虑自变量选择对预测值产生的影响，运用风险函数讨论了因变量预测的优良性。刘立扬通过对因变量有显著作用的变量加入回归方程，而排除一些影响不显著的变量，建立一个“最优”的自变量子集，上述研究均验证了筛选自变量对预测精度的有效性。随着预测模型的不断改进和预测机制的不断深化认识，预测的精度和可靠性得到了很大提升，以上研究对地下水埋深预测模型和机理识别奠定了重要的基础。

随着预测模型的不断改进和预测机制的不断深化认识，预测的精度和可靠性得到了很大提升。但是当前地下水埋深预测的研究大多注重新的模型方法引入，而较少从地下水自变量筛选，提高输入因子代表性出发，预测模型自变量的筛选是提高地下水埋深预测水平的重要基础，若输入层的样本选取的代表性较低，可能对预测的结果影响较大，如何将代表性较大的自变量保留下来是关键。同时普通的神经网络存在对初始权重非常敏感，极易收敛于局部极小，全局搜索能力差等不足。经过自适应改进后BP神经网络算法虽然能够解决BP网络的容易陷入收敛速度慢、局部极小等问题，但在实际应用中仍不能完全克服BP神经网络算法固有的缺陷。

发明内容

鉴于以上所述现有技术的缺点，本发明从地下水埋深预测模型在自变量选取主观性较强、预测模型容易陷入局部最优等问题角度出发，提出了基于集对分析和遗传优化BP神经网络预测模型。集对分析从同、异、反三方面描述地下水埋深与各类影响因素之间的联系度，优选出联系度较高的自变量作为输入；再采用遗传算法优化BP神经网络对地下水预测模型进行优化。本发明实施例基于集对分析和遗传算法优化后的BP神经网络较BP神经网络和不做自变量筛选的遗传算法优化BP神经网络模型性能优越，能够快速准确进行地下水埋深的预测。

为实现上述目的及其他相关目的，本发明提供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，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地下水埋深的待测地区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；

(11)BP神经网络的设定