[发明专利]一种基于优化组合神经网络的需水预测方法

权利要求书

1.一种基于优化组合的Elman神经网络的需水预测方法，其特征在于：首先利用平均影响值(Mean Impact Value，MIV)算法对输入变量进行筛选，找出影响需水量的主要因素；利用思维进化算法(Mind Evolutionary Algorithm，MEA)优化Elman神经网络的权值和阈值，得到状态最优的Elman神经网络进行预测。

2.根据权利要求1的方法，所述对输入变量进行筛选是指利用MIV算法对影响因素计算平均影响值，通过比较大小来进行排序，筛选出影响需水量的主要因素，将其作为Elman神经网络模型的输入。

3.根据权利要求2的方法，所述计算平均影响值包括：

(1)将作物需水量和采集到的影响因素样本输入至Elman模型中进行训练；

(2)对样本中的每一个影响因素的数据分别加减10％，其余指标保持不变，构成新样本，分别记为X_i⁽¹⁾和X_i⁽²⁾，作为新的输入得出预测结果Y_i⁽¹⁾、Y_i⁽²⁾；

(3)计算每个影响因素的平均影响值。

4.根据权利要求3的方法，进一步地，X_i⁽¹⁾和X_i⁽²⁾分别为

其中，i(i＝1，2，...，n)表示第i个影响因子；x_mn表示进行第m次观测时第n个影响因子的值；

重新将式(1)和(2)作为训练好的神经网络模型输入，其输出为样本点中第i(i＝1，2，…，n)个影响因素指标变化时与之对应的2n个输出向量：

求两式差，得到如下每个样本点中第i个影响因素指标变化后对作物需水量输出值的影响变化值向量为从而得到第

i个影响因素指标变化时，m个需水量输出值的平均影响值为：

式中：IV_i(j)代表向量IV_i中第j个元素(j＝1，2，...，m)，MIV_i为数据样本中第i个影响因素指标对作物需水量输出结果的平均影响值，i(i＝1，2，...，n)。

5.根据权利要求4的方法，选取5个影响因素：平均气压、平均气温、风速、日照时数和相对湿度。

6.根据权利要求1的方法，所述利用MEA算法优化Elman神经网络的权值和阈值包括以下步骤：

(1)将导入数据分为训练集和测试集；

(2)对思维进化算法的参数进行设置；

(3)根据Elman神经网络的拓扑结构,将解空间映射到编码空间,每个编码对应问题的一个解，形成初始种群；根据得分函数，计算各个体的得分，选出优胜个体和临时个体，以优胜个体和临时个体为中心，在每个个体周围产生一些新的个体，形成优胜子种群和临时子种群；

(4)通过趋同、异化等操作，不断进行迭代逼近最优路径，满足结束条件时全局的最优解搜索过程结束，输出最优个体,作为Elman神经网络最优的初始权值和阈值；

(5)计算网络误差反馈给Elman神经网络，判断是否完成训练；

(6)完成训练，则进行仿真预测，输出预测结果；否则，对Elman神经网络的权值和阈值进行更新，迭代次数加1，并返回步骤(5)。

7.根据权利要求6的方法，设置训练集均方误差的倒数作为各个体和种群的得分函数。

8.根据权利要求7的方法，步骤(4)中的结束条件为达到思维进化算法中设置的迭代次数或所有临时子种群的得分均低于优胜子种群的得分。

9.根据权利要求8的方法，步骤(5)中完成训练的条件是达到了Elman神经网络设置的最大迭代次数或者误差小于设定的训练误差。

10.根据权利要求9的方法，对思维进化算法的参数进行设置包括：种群大小设置为200个群体、5个优胜子种群和5个临时子种群，子种群的大小为20，迭代次数为10。