[发明专利]一种基于改进CEEMDAN-QR-BL混合模型的干旱预测方法

说明书

本发明公开了一种基于改进CEEMDAN‑QR‑BL混合模型的干旱预测方法，涉及干旱预测技术领域。在对宽度学习权重矩阵进行分解的过程中，利用QR正交三角分解方法，代替了传统宽度学习中的奇异值分解(SVD)方法，从而完成了宽度学习输出层的整体优化。与传统宽度学习模型相比，QR‑BL具有高精度、高效率等优点。同时，为保证模型泛化能力，将正则化概念引入QR‑BL模型，构建了基于三角分解的正则宽度学习模型(QR‑RBL模型)，有效提高了模型的泛化能力。实验结果表明，基于并行CEEMDAN‑QR‑BL模型的智能预测方法相比于传统BL方法，其预测精准度提高1.29倍；稳定度提高4.54倍；效率提高118倍。

技术领域

本发明涉及干旱预测技术领域，特别是涉及一种基于改进CEEMDAN-QR-BL混合模型的干旱预测方法。

背景技术

干旱是涉及气象、水文、地质、生态、农业和社会经济等多学科和多部门的交叉学科复杂问题，其成因复杂，影响因素众多。近年来，受全球气候、人类活动和下垫面等变化的影响，干旱在我国总体呈现出广发、频发、并发的态势。

目前，国内外针对干旱预测预警方法的研究可以分为两类：一种是基于传统水文模型，利用标准化降水指数(SPI)对研究区的气象干旱进行时空分布。利用日气温和降水资料，计算标准化降水蒸散指数(SPEI)，并利用皮尔逊相关系数对其进行统计评估，该类方法存在人为主观指标选取等问题，导致所选取的指标无法真正反应干旱特征；另一种智能计算的的干旱预测方法。如利用神经网络结合主成分分析和遗传算法对干旱指标数据进行降维和预测。采用协同模糊理论与多层感知系统，利用标准化降雨指标预测干旱。利用神经网络方法的结构复杂性往往会导致模型的泛化能力差。

发明内容

本发明实施例提供了一种基于改进CEEMDAN-QR-BL混合模型的干旱预测方法，可以解决现有技术中存在的问题。

本发明提供了一种基于改进CEEMDAN-QR-BL混合模型的干旱预测方法，该方法包括以下步骤：

步骤1，获得实时干旱数据作为原始训练样本，对原始训练样本进行自适应白噪声平均总体经验模态分解，即CEEMDAN分解，得到若干新训练样本；

步骤2，将新训练样本输入宽度学习网络的输入层，得到输出数据，所述输出数据中存在输入矩阵和增强层输出矩阵合并在一起的广义逆矩阵；

步骤3，对所述广义逆矩阵进行正交三角分解，将求解得到的矩阵作为宽度学习网络的增强层的输出权重矩阵，再次计算输出数据，即预测值，对预测值进行重组，得到输出序列。

优选地，步骤1中获得原始训练样本后，首先对原始训练样本进行清洗，对空数据、非数值型数据进行过滤，清洗后的原始训练样本再进行CEEMDAN分解。

优选地，步骤1中获得原始训练样本后，首先进行边界拓延，再进行CEEMDAN分解，所述边界拓延步骤如下：

(1)设原始训练样本x(t)具有n个样本，其中有m个极大值点，L个极小值点，将左端点到第二个极值点间的波形记为W₁；

(2)以W_i作为与W₁相对应的等长子波，即保证W_i左端点所对应的位置与W₁左端点所对应的位置一致；

(3)计算子波W_i与子波W₁的皮尔逊相关系数，并记为R_i，取相关系数最大的子波，将该子波前适当长度拓延到原始训练样本左侧；

(4)利用相同的原理拓延原始训练样本的右边界。

优选地，步骤1中CEEMDAN分解的方法为：

(1)在原始训练样本x(t)中加入不同幅值的高斯白噪声n^k(t)得到若干新的训练样本：