[发明专利]一种基于降噪算法的改进Elman神经网络的预测方法

权利要求书

1.一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，包括以下步骤：

S1、获取物理机资源使用情况时间序列作为原始数据，将原始数据按比例划分为训练集、测试集以及验证集；

S2、对原始数据采用降噪算法CPW进行降噪，所述降噪算法CPW通过将原始数据中的不同维度的数据使用CEEMDAN进行分解后结合排列熵使用小波变换对分解出来的本征模函数IMF进行降噪，然后将经过了降噪处理的序列重构为降噪后的时间序列；

S3、构建结合了注意力机制的改进Elman神经网络；

S4、将所述训练集中经过降噪算法CPW降噪后的数据放入EAMC神经网络中进行训练，待损失值小于给定的阈值以后，保存训练好的EAMC神经网络，结束训练；

S5、将待测样本输入经过训练后得到的EAMC神经网络中，获得预测结果。

2.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，在所述训练集中，将训练数据按照训练的时间窗口以及预测步长来划分训练的样本。

3.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，步骤S2所述将原始数据中的不同维度的数据使用CEEMDAN进行分解，具体包括：

往原始的时间序列信号X(t)中加入m次等长度的高斯白噪声，得到

；

是自适应系数；表示加入噪声的操作序号，是往原始序列信号中加入了高斯白噪声以后得到的信号， 为第 次加入的高斯白噪声，N为大于给定排列熵阈值的IMF的数量；

使用EMD对每个进行分解，直到获得第一个IMF分量，通过所述第一个IMF分量得到第一个IMF分量的余量；

重复通过添加自适应高斯白噪声的EMD分解，得到最后的余量和第k+1个IMF分量，所述最后的余量定义为：

所述第k+1个IMF分量表示为：

其中，；代表通过使用EMD对每个分解得到的IMF的数量，m为加入的高斯白噪声的次数； 为加入噪声的序号，为IMF分量的序号，、 分别表示为第1次EMD分解得到的IMF分量以及第1次分解时的自适应系数； 、 分别表示的是第k次EMD分解得到的IMF分量以及第k次分解下的自适应系数， 为第 次加入的高斯白噪声，表示第k个余量。

4.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，步骤S2所述排列熵是指对每一个IMF计算其排列熵并根据排列熵对IMF进行排序，所述排列熵的计算公式为：

此处j为概率的序号，为正整数，S为符号序列的种类数，符号序列出现的概率。

5.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，步骤S2所述使用小波变换对分解出来的IMF进行降噪中，所述小波变换的过程如下：

，其中，a为尺度； 为平移量；为小波基函数，为函数。

6.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，步骤S2将经过降噪处理的IMF和未经过处理的IMF以及余量R进行重构，得到降噪后的信号中，所述降噪后的信号为：

其中，K为通过CEEMDAN分解出来的IMF的数量；j为该类IMF的序号，为正整数；N为大于给定排列熵阈值的IMF的数量， 为经过了小波变换处理以后的序列，R为余量。

7.根据权利要求1所述的一种基于降噪算法的改进Elman神经网络的预测方法，其特征在于，步骤S2所述对原始数据采用降噪算法CPW进行降噪中，具体是对训练集和验证集进行降噪。