[发明专利]一种赤潮等级预测的方法

权利要求书

1.一种赤潮等级预测的方法，其特征在于，包括：

S1，利用C4.5决策树算法，对BP神经网络输入属性进行约简；

S2，利用二分分割算法，快速确定BP神经网络隐含层节点数；

S3，以约简后的海洋气象因子作为神经网络的数据神经元，预测赤潮发生的等级。

2.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S1具体包括：

首先对输入气象因子属性进行属性集划分，分别计算各输入属性的信息熵、信息增益、信息增益率，并将计算结果按信息增益率从大到小的顺序进行排列，根据模型具体情况选择信息增益率大的属性或者属性集合作为神经网络的输入神经元。

3.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S2具体包括：

（1）首先，确定一个隐含层节点数的大致范围，假设区间范围是[1，10]，将 s1=1、 s2=10、s3=( s1+s2 )/2=6(四舍五入)分别带入训练网络，用同一组样本数据、同样的转移函数、训练函数进行训练，分别比较不同的隐含层节点数训练下神经网络的输出均方误差（MSE），计算三个不同节点输出的均方根误差的大小，假设是的输出误差为 E（s1）， s2的输出误差为 E（s2）， s3的输出误差为 E（s3），若 E（s1） E（s2），则舍去 E（s1）所对应的隐含层节点数 ，可以将隐含层节点数范围缩减到[s3，s2]，若 E（s1） E（s2），同理，舍去 E（s2）对应的隐含层节点数，可将隐含层节点数缩小至[s1 ,s3]，以此类推，不断对半分割隐含层节点数范围，最后确定最佳隐含层节点数。

4.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S3具体包括：

（1）输入学习样本（，）（i=1，2，...，n），和分别是学习样本的输入参数和输出结果；

（2）确定各层的神经元数量并随机在两层神经元之间建立连接权重矩阵，代表第1层和第L+1层的连接矩阵，表示每层的输出值；

（3）计算各节点的输出，和分别是每一层的输入层和阈值；

（4）比较各输出节点的均方根误差：；

（5）判断是否符合原定误差ε，如果满足要求，则结束，否则进入步骤 6；

（6）修改第1层到第L+1层的连接权重矩阵：；，；

（7）转至步骤4，直到结果的均方根误差在允许的误差范围之内。