[发明专利]基于经验小波消噪和神经网络融合的中长期径流预报方法

权利要求书

1.一种基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，包括以下步骤：

步骤一：获取水文站点的历史实测径流数据，建立中长期径流时间序列，并将样本数据分为训练期和检验期；

步骤二：采用EWT将径流时间序列分解为几个独立的经验模态，去除分解经验模态中频率最高的模态，并对剩余的经验模态进行线性求和，得到重构径流时间序列以消除原始径流时间序列的冗余噪声；

步骤三：对经EWT处理后的径流时间序列进行相空间重构，构造相空间矩阵作为基预报模型的输入因子，建立ANN基预报模型的输入、输出矩阵；

步骤四：采用步骤三确定的训练期输入、输出矩阵分别对RBF、ELM和Elman三种神经网络模型进行训练；

步骤五：将三种基预报模型的输出作为GRNN模型的预报因子，再次建立输入、输出矩阵，对GRNN模型进行训练，并将检验样本代入训练好的GRNN模型，得到检验期的预测值；

步骤六：采用四种评价指标包括均方根误差RMSE、平均绝对误差MAE、平均绝对百分误差MAPE和相关系数R评价对预报结果进行评价。

2.根据权利要求1所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述步骤二中，对于原始径流时间序列x(t)，EWT的分解过程如下：

(1)根据快速傅立叶变换算法(FFT)计算原始径流时间序列x(t)的傅立叶频谱F(ω)；

(2)将傅立叶频谱F(ω)的频域[0,π]自适应的分割为K个带宽不等的频带，[0,ω₁],[ω₁,ω₂],...,[ω_K-1,π]，其中，小波滤波器的边界ω_n,n＝1,2,...,N-1选取为两个连续局部极大值之间的中间频率；

(3)根据Meyer小波构造经验小波，确定经验小波函数ψ_k(ω)和经验尺度函数

式中，β(x)＝x⁴(35-84x+70x²-20x³)；

(4)重构原始径流时间序列得到不同的经验模态。

3.根据权利要求2所述的基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，在所述(4)中，原始径流时间序列通过下式进行重构：

式中，*为卷积运算，W_x(0,t)为近似系数，W_x(k,t)为细节系数，近似系数和细节系数分别通过下式给出：

式中，ψ_k(t)和ψ_k(t)分别表示经验小波函数和经验尺度函数，和分别表示ψ_k(τ-t)和的复共轭，F^-1(·)表示傅里叶逆变换，和分别表示ψ(ω)和的傅里叶变换；

则经验模态u_k(t)的定义如下：