[发明专利]一种基于改进的NARX神经网络微气象监测系统及方法

权利要求书

1.一种基于改进的NARX神经网络的微气象监测系统，其特征在于：它包括若干设置于输电线路上的终端数据采集节点、汇聚节点、远程数据传输网络及远端监测主站；所述终端数据采集节点包括微气象传感器、数据存储模块、数据通信模块、处理模块、训练模块、计算输出模块及电源模块；所述处理模块，对采集到的数据进行归一化处理；所述训练模块，将处理后的数据作为训练样本输入到改进NARX神经网络中进行训练；计算输出模块，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值；各模块和中央控制器单元通过I2C通讯协议通讯，每16s完成一次各气象测量传感器的数据信息汇总，并生成报文，通过数据通信模块发送至前置数据采集服务器。

2.根据权利要求1所述一种基于改进的NARX神经网络的微气象监测系统，其特征在于：微气象传感器包括风速、风向、雨量、光照、紫外强度、温度、湿度、气压传感器。

3.一种基于改进的NARX神经网络的微气象监测方法，其特征在于：包括如下步骤：

步骤A，采集微气象监测所需相关参数的历史数据；

步骤B，对采集到的数据进行归一化处理；

步骤C，将处理后的数据作为训练样本输入到改进的NARX神经网络中进行训练；并通过指定网络性能评价函数确定NARX神经网络预测模型的权值和阈值的优化效果；

步骤D，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值；

所述的归一化公式为：

其中：

为归一化后的数据；

x_i为归一化前的数据；

x_max和x_nim分别为变量x的最大值和最小值；

所述对改进的NARX神经网络预测模型进行训练的方法为改进的正则化算法；

所述改进的正则化算法的网络性能评价函数为：

F(w)＝(1-γ)E_D+γE_W

式中：

F(w)为网络性能评价函数值；

w为权值；

γ为修正因子，0≤γ≤1，取值0.3；

E_W为网络所有权值或阈值的平方和；

E_D为网络误差的平方和；

所述E_W和E_D的计算公式分别为：

为第p对输入输出样本数据的网络误差平方和；

d_k为第k个输出层节点的目标输出；

y_k为第k个输出层节点的网络输出；

为第p对输入输出样本数据的网络权值平方和；

N_w为网络的可调权值个数；

w_ij为第i个时延层节点到第j个中间层节点间权值；

w_jk为第j个中间层节点到第k个输出层节点的权值；

n个时延层节点；

h个中间层节点；

m个输出个数；

所述中间层的激活函数为:

输出层的线性处理函数为f₀(x)＝x，且输出层和中间层权值修正量分别为：

式中:

为第p对输入输出样本数据的输出层权值修正量；

第p对输入输出样本数据的中间层权值修正量；λ为中间层激活函数的参数，取值为1；

(为第p对输入输出样本数据的第k个输出层节点的目标输出；

为第p对输入输出样本数据的第k个输出层节点的网络输出；

)为第p-1对输入输出样本数据的第j个中间层节点到第k个输出层节点的权值；

为第p对输入输出样本数据的第j个中间层节点输入；

为第p对输入输出样本数据的第i个输出层节点的输入；

所述输出层和中间层权值的调整分别为：

wij(p)＝wij(p-1)-ηΔwij(p)

式中：

η为学习速率，取值为0.006。

所述均方根误差法的公式为:

其中,

RMSE(y,y_m)为均方根误差的值

y为测试样本中目标值；

y_m为反归一化后的模型的预测值；

N为数据样本数目。