[发明专利]一种基于遗传算法关键参数寻优的LIESN洋面风速预测方法

权利要求书

1.一种基于遗传算法关键参数寻优的LIESN洋面风速预测方法，包括以下步骤：

S1，构建气象特征，搭建LIESN模型，包括以下步骤：

(1)结合气象站测得的基本物理量以及风速形成条件，计算常用的物理量参数和天气分析预报中常用的组合物理量参数；

(2)根据斯皮尔曼相关系数定量地求出所述基本物理量和组合物理量之间的相关程度，得到所述基本物理量与风速的相关程度和组合物理量与风速的相关程度，挑选有效性较高的几维特征；

(3)搭建LIESN模型，其计算公式如下：

y(n)＝g(W^out[x(n)；u(δn)]) (8-2)

其中：

u(n),x(n),y(n)分别为网络在n时刻的输入、n时刻的状态和n时刻的输出；

c0，为LIESN的时间常数；

α0，为泄漏积分单元的衰减率；

Wⁱⁿ，W，W^out，W^back分别为输入权值矩阵、储备池状态权值矩阵、输出权值矩阵和反馈连接权值矩阵；

f(·)是Sigmoid函数；

g(·)是输出层激活函数，常选用恒等函数或Sigmoid函数；

[；]表示向量的级联；

(4)通过RLS在线学习算法，计算LIESN的输出权值矩阵W^out；

S2，关键参数寻优：通过遗传算法，对影响LIESN效果的关键参数进行寻优；

S3，风速预测：利用RLS在线学习算法对训练样本进行训练后，得到基于遗传算法关键参数寻优的LIESN洋面风速预测模型，利用该模型对测试样本进行预测。

2.根据权利要求1所述的LIESN洋面风速预测方法，其特征在于：步骤(1)中所述基本物理量包括：维度、经度、测站平台处气压、海平面处气压、测站平台处温度、露点温度、相对湿度、水汽压、2min平均风速和10min平均风速。

3.根据权利要求1所述的LIESN洋面风速预测方法，其特征在于：步骤(1)中所述组合物理量参数包括：最大压差、最大温差、温度-露点差、水汽密度、总能量。

4.根据权利要求1所述的LIESN洋面风速预测方法，其特征在于：步骤(2)中有效性较高的特征为6维，分别为：气压、露点、相对湿度、水汽密度、总能量、沿岸站点历史风速。

5.根据权利要求1所述的LIESN洋面风速预测方法，其特征在于：步骤(4)中所述通过在线学习算法，计算i时刻的输出权值矩阵W^out的过程如下：

其中，P为时间序列长度，μ为遗忘因子，其范围为0μ1，呈指数变化,

1)网络参数的初始化:

设置网络的输入层、储备池与输出层的维数；

设置模型中储备池大小、泄漏积分单元泄漏衰减率；

生成均匀分布于[-1,1]的输入矩阵Wⁱⁿ与反馈连接权值矩阵W^back；

设定遗忘因子0μ1，通常μ≈1。

2)输出权值更新:

根据以下的公式(10)更新储备池状态，设状态与输入的级联矩阵为d(n)＝[x(n-1)；u(n)]，则n时刻的输出为：

n时刻的误差如下：

e(n)＝y(n)-f^out(W^out(n-1)d(n)) (11)

n时刻的输出权值更新如下：

W^out(n)＝W^out(n-1)+e(n)K^T(n) (12)

其中，n时刻的增益矢量为：

P(n)＝μ^-1[P(n-1)-K(n)x^T(n)P(n-1)] (14)

角标H、T表示矩阵的共轭转置和转置。

3)执行步骤2)输出权值更新，直至时间序列结束。

6.根据权利要求1所述的LIESN洋面风速预测方法，其特征在于，步骤S2中通过遗传算法对影响LIESN效果的关键参数进行寻优的步骤如下：

(1)将LIESN中的关键参数储备池规模N、内部连接矩阵谱半径SR、输入单元尺度IS、储备池稀疏程度SD、泄漏衰减率α采用均匀设计的方法进行二进制编码级联编码，产生一组LIESN预测模型关键参数的染色体，形成一个种群；

(2)将种群中表示LIESN中关键参数的染色体代入LIESN中，建立LIESN预测模型，将训练样本载入建立好的模型进行风速预测，得到预测结果的NRMSE，代入到适应度计算公式(15-1)和(15-2)，得到该种群的适应度，第i次迭代优化中，适应度函数如下：

其中：σ²为预测序列的方差；b为测试样本的总数；c_m是一个较大的常数，主要作用是保证适应度函数非负。

(3)根据种群的适应度函数值，采用轮盘赌法使适应度较高的个体依概率进入下一代；通过均匀交叉的方法，依概率将成对个体中的基因进行交换；随后按照设定的概率进行变异操作，改变编码中的某几位基因；

(4)重复步骤(2)、(3)，直到达到最大遗传代数；

(5)记录下最优结果的个体编码，得到关键参数值。