[发明专利]一种赤潮等级预测的方法

说明书

本发明专利公开了一种赤潮等级预测的方法，包括预测算法优化、预测模型构建、预测结果分析。预测算法的优化，采用C4.5决策树分类贡献最优特征选择的方法，解决了BP神经网络输入参数难选取的问题，采用二分分割算法解决了BP神经网络隐含层节点数难以确定的问题。预测模型构建，采用优化后的BP神经网络构建赤潮等级预测模型，使用历史案例数据对模型进行训练，当预测误差在允许的范围内或者网络训练达到最大的迭代次数，训练结束。预测结果分析，使用训练好的模型对赤潮等级进行预测，预测结果的均方根误差均小于优化前的传统的BP神经网络的预测结果，预测精度更高。本发明可为赤潮等级预测提供一种新的解决途径。

本发明涉及一种用于赤潮等级预测的新方法，它依据神经网络良好的自学模式、泛化、容错能力对赤潮易发海域的气象数据进行学习与训练，最终获得赤潮发生的等级，属于赤潮等级预测技术领域。

背景技术

近年来，赤潮频繁爆发，破坏了正常海洋生态系统的平衡，严重危害海洋渔业资源、海洋捕捞、海水养殖和人类健康，造成巨大的经济损失。因此，开展赤潮等级预测研究有重要意义和实际应用价值。目前，在赤潮方面科学的预测方法有多元回归、相关分析、时间序列、SVM、灰色模型等，包括：采用定量化的赤潮生态动力学模型、基于IOWA算子的赤潮预测模型、基于融合分层凝聚的赤潮预报模型等。上述模型在一定程度上可以满足赤潮等级预测的要求，但是需要被研究的对象有较强的规律性和线性相关性，对于非平稳序列、相关关系复杂和非线性的水产养殖活动，这些模型存在一定的局限性。

发明内容

本发明的目的在于提供一种赤潮等级预测的方法，具有预测结果精确的特点，解决了传统赤潮等级预测精度低、误差大的问题。

为实现上述目的，本发明提供以下技术方案：一种赤潮等级预测方法，包括赤潮各气象因子数据的归一化处理与赤潮等级划分、决策树分类获取最优气象因子属性集合、二分分割算法确定神经网络隐含层节点数和BP神经网络学习计算阶段。

赤潮各气象因子数据的归一化处理与赤潮等级划分的步骤如下：

对于各气象因子数据，采用归一化方法进行数据预处理，并在训练集的选取上涵盖最大最小特征值，避免测试集的数据发生越界。将各要素统一到［0，1］区间，减少不同要素取值范围差异过大而导致小数值数据价值被忽略的情况。线性归一化公式和还原公式如下:

（1）

（2）

式（1）、（2）中、分别为归一化前、后的值，本方法中即为某一个气象因素序列中的值； ，分别是该因素序列中的最大、最小值。

为方便模型的训练和预测，需要对赤潮预报结果进行等级划分与赋值。

决策树分类获取最优气象因子属性集合的步骤如下：

（1）令S为包括类样本的数据训练集，m为训练集中的类别数量，为 S中第i类样本的个数，i = 1,2,......,m ，即：

（3）

此时训练集S的信息熵H(S) 为：

（4）

式中训练集S通过属性A的属性值划分为m个子集，表示第i个子集中样本数量，表示划分前数据集中样本的总量。

（2）根据属性 A ，令 S ={ ,,…,}，其中 n 为属性 A 包含不同值的数目。于是，训练集在属性 A上的信息熵为：

（5）

（3）对应的信息增益为：

（6）

（4）信息增益率为：