[发明专利]一种用于冷源致灾物灾害预测的深度学习改进算法

说明书

本发明公开了一种用于冷源致灾物灾害预测的深度学习改进算法，该算法包括：对影响冷源致灾物灾害关联因素进行统计分类，运用数据归一化函数将多源异构数据进行归一化处理，获得分组样本数据；建立深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；预估冷源致灾物灾害等级。本发明通过采用深度学习的改进算法，有效提高了网络学习效率，同时降低了预测的误差收敛率，很好地解决了非线性、时变性和不确定性并存的海洋致灾物灾害预测问题。

技术领域

本发明属于海洋灾害预警技术领域，具体涉及一种用于冷源致灾物灾害预测的深度学习改进算法。

背景技术

近年来，随着海洋环境变化，大量垃圾、水母、鱼类、海藻、海草等随潮汐、风浪至滨海核电厂冷源取水口，严重时将导致核电厂机组降功率运行甚至停堆。为减小海洋异物对滨海核电厂的安全运行造成的威胁，滨海核电厂取水口周边海域灾害预测已成为核电厂冷源安全亟待解决的问题。

发明内容

本发明的目的在于提供一种用于冷源致灾物灾害预测的深度学习改进算法，根据多源采集数据可以准确地预测出潜在影响滨海核电厂致灾海灾害等级，更好地满足了滨海核电厂取水口潜在风险的早期预测。

本发明的技术方案是这样实现的：

一种用于冷源致灾物灾害预测的深度学习改进算法，包括以下步骤：

1）收集已发生冷源致灾物灾害历史样本数据，历史样本数据包括发生致灾物灾害的具体时间，以及每次发生灾害时一段时间内对应的多源异构关联因子数据，对样本数据进行归类汇总；

2）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；

3）构建深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；

4）通过将待预测区域某段时期的多源异构关联因子数据代入确定的网络模型，获得灾害显著水平值V，根据不同V值所在区间进行对应的预警等级划分。

进一步的技术方案是，所述样本数据主要包括致灾物灾害关联因素（季节、温度、风速、风向、波高、洋流、台风到达时间）。

进一步的技术方案是，所述数据归一化处理函数为：

其中，x_g是归一化后的数据，x为原始数据，x_max，x_min为同一种样本数据中的最大值和最小值。

进一步的技术方案是，所述深度信念网络包括以下步骤：

1）根据节点选取经验公式来确定隐含层神经元的个数，隐含节点数估计公式为：

其中，num为隐含层神经元个数，k为样本输入特征维数，l为样本输出特征维数，c是在[0，10]区间的整数；

2）在步骤1）的基础上，采用显示层和隐含层均服从伯努利分布的RBM能量函数为：