[发明专利]粗糙集理论-循环神经网络模型结构

说明书

本发明属于工程安全稳定运行监测技术领域，具体涉及一种粗糙集理论‑循环神经网络模型结构。该粗糙集理论‑循环神经网络模型结构采用粗糙集理论对各影响因素进行约简，确定关键影响因素，并将确定的关键影响因素作为循环神经网络模型的输入层因素，循环神经网络通过隐含层相互连接的方式完成数据的预测。能够保留数据中隐含的历史信息，与一般循环神经网络相比，具有预测精度高、收敛速度快、迭代步数少等优点，而且还能够确定输入层单个因素在预测过程中正负相关性的影响，更能实现有效预测。

技术领域

本发明属于工程安全稳定运行监测技术领域，具体涉及一种粗糙集理论-循环神经网络模型结构。

背景技术

水利工程是国民经济和社会发展的基础产业，随着我国经济的发展，国家进一步加强了在水利建设方面的投资，为了保证水利工程的正常安全运行，对工程安全运行进行监测至关重要。但是目前常用的数据预测回归方法，是结合多元回归预测方法及传统的神经网络预测方法，存在以下技术问题：(1)针对于正常数据与异常数据以及数据的完整性需求较大，在数据要求方面可能存在一定问题；(2)针对于时序数据的特性，建立普通的神经网络模型无法结合数据内部存在的隐含的历史信息进行预测，随着模型的迭代与训练，预测结果的准确性将受到长期历史信息的干扰，其效果不理想；(3)对于普通循环神经网络模型，在对于输入层影响因素较多的情况下，无法实现有效且快速的模型预测，且无法确定输入层单个因素在预测过程中正负相关性的影响。

发明内容

针对目前的监测技术存在预测效果不理想、输入层较多时无法快速有效预测，且无法确定输入层单个因素在预测过程中正负相关性的影响的缺陷和问题，本发明提供一种粗糙集理论-循环神经网络模型结构。

本发明解决其技术问题所采用的方案是：一种粗糙集理论-循环神经网络模型结构，包括以下步骤：

步骤1、确立传感器数据影响因素，并将传感器数据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pos_C(D)≠pos_C1(D)不满足时，条件属性为不必要；当pos_C(D)≠pos_C1(D)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。

基于粗糙集理论分析结果，建立粗糙集理论-循环神经网络模型结构，结合各影响因素的影响情况完成预测。

上述的一种粗糙集理论-循环神经网络模型结构，步骤2中还包括对条件属性集中数据进行离散化处理。

上述的一种粗糙集理论-循环神经网络模型结构，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。

上述的一种粗糙集理论-循环神经网络模型结构，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以提高约简效率。

上述的一种粗糙集理论-循环神经网络模型结构，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。