[发明专利]粗糙集理论-循环神经网络模型结构

权利要求书

1.一种粗糙集理论-循环神经网络模型结构，其特征在于：包括以下步骤：

步骤1、确立传感器数据影响因素，并将传感器影响因素作为条件属性集C；同时确立正常情况与异常情况下的传感器数据，并将其作为决策属性D；

步骤2、将条件属性集C与决策属性D统一进行归一化处理；

步骤3、约简处理确定关键影响因素：根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理，实现单个条件属性对条件属性集相对于决策属性的重要性程度判别；当不满足时，条件属性为不必要；当满足时，条件属性为必要，必要条件属性则为关键影响因素；

步骤4、循环神经网络数据的预测：将步骤3中确定的关键影响因素作为循环神经网络模型的输入层，从而进行循环神经网络的数据预测。

2.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构，其特征在于：步骤2中还包括对条件属性集中数据进行离散化处理。

3.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构，其特征在于：步骤3中是基于Pawlak属性重要度的属性约简算法进行约简处理。

4.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构，其特征在于：步骤3中还包括在约简处理前删除离散化处理后数据相同的数据提高约简效率。

5.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构，其特征在于：步骤4中的循环神经网络数据的预测是将步骤3中确定的关键影响因素作为循环神经网络模型的输入层，将某一时刻的输入层关键影响因素统一输入至该时刻输入层，同样下一时刻的输入层关键影响因素统一输入至相对应时刻输入层，并以此构成循环神经网络输入层，而后将输入层输入至隐含层，同时隐含层的输入还要考虑上一时刻的隐含层输出权重，进行权重与阈值的确定，从而进行循环神经网络的数据预测。

6.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构，其特征在于：步骤5中建立循环神经网络预测模型中选择双隐含层，其节点采用试凑法公式确定：式中：ι为隐含层节点数；m为输出层节点数；n为输入层节点数；α为调节常数，范围在1～10之间。

7.一种如权利要求1-6所述的粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法，其特征在于：包括以下步骤：

步骤1、确立渗压水位传感器数据影响因素，所述影响因素主要为外部影响因素，包括观测日当天的上游水位、下游水位、温度、前4天降雨量均值、时效θ、θ²和时效分量ln(1+θ)，并将渗压水位传感器影响因素作为条件属性集C；同时确立正常情况与异常情况下的渗压水位传感器数据，并将其作为决策属性D，构成决策表；

步骤2、将条件属性集C与决策属性D统一进行归一化处理，采用公式式中，y为归一化后的数值；x_max、x_min为所在数据列的最大值和最小值；x为样本数据的原始数据。

步骤3、约简处理确定关键影响因素：将决策表中的条件属性集采用等距离法进行离散化处理，将样本数据离散为4个等级值，当数据处于[0,0.25)间取值为1，在[0.25,0.50)间取值为2，在[0.50,0.75)间取值为3，在[0.75,1]间取值为4，删除相同数据，然后根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理，实现单个条件属性对条件属性集相对于决策属性的重要性程度判别；当不满足时，条件属性为不必要；当满足时，条件属性为必要，必要条件属性则为关键影响因素；

步骤4、循环神经网络数据的预测：将步骤3中确定的关键影响因素作为循环神经网络模型的输入层，将某一时刻的输入层关键影响因素统一输入至该时刻输入层，同样下一时刻的输入层关键影响因素统一输入至相对应时刻输入层，并以此构成循环神经网络输入层，而后将输入层输入至隐含层，同时隐含层的输入还要考虑上一时刻的隐含层输出权重，所述循环神经网络选用双隐含层，隐含层节点采用试凑法公式确定：式中：ι为隐含层节点数；m为输出层节点数；n为输入层节点数；α为调节常数，范围在1～10之间；进行权重与阈值的确定，从而进行循环神经网络的数据预测。

8.根据权利要求7所述的粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法，其特征在于：所述隐含层节点数ι＝10。