[发明专利]基于复数值前向神经网络的风速预测方法

权利要求书

1.一种基于复数值前向神经网络的风速预测方法，其特征在于：包括以下步骤：

步骤1：获取用于风速预测的数据并整理成数据集，将数据集分为训练集和预测集；

步骤2：构建复数值前向神经网络，初始化复数值前向神经网络中的参数向量ψ，参数向量ψ由包括神经元之间的连接权值、神经元的偏置和激活函数的增益系数的可调参数构成；

步骤3：引入Group Lasso正则化项构建复数值前向神经网络训练时的目标函数，将复数值前向神经网络的训练转化为约束优化问题的求解；

采用训练集和定制复数值投影拟牛顿算法训练复数值前向神经网络，直到满足预设的迭代结束条件停止训练；

步骤4：得到训练好的复数值前向神经网络，将预测集输入训练好的复数值前向神经网络得到风速预测结果。

2.根据权利要求1所述的基于复数值前向神经网络的风速预测方法，其特征在于：所述步骤2中构建复数值前向神经网络，构建的复数值前向神经网络包括P个输入神经元、N个隐层神经元和Q个输出神经元，复数值前向神经网络中的所述参数向量ψ为列向量，所有可调参数按顺序排列为参数向量ψ：

其中，w_p表示第p个输入神经元和隐层神经元之间的连接权值组成的复向量，b₁是所有隐层神经元的偏置构成的复向量，σ₁表示隐层神经元激活函数的增益系数构成的复向量，v_n表示第n个隐层神经元和输出层神经元之间的连接权值组成的复向量，b₂是所有输出层神经元的偏置构成的复向量，σ₂表示输出层神经元激活函数的增益系数构成的复向量，上标T表示转置；上标R表示对应复向量的实部构成的向量，上标I表示对应复向量的虚部构成的向量，

所述复数值前向神经网络的隐层输出向量h_j＝f_C(Wz_j+b₁)，输出层的输出向量o_j＝f_C(Vh_j+b₂)；其中f_C(·)表示激活函数，W＝[w₁,w₂,...,w_P]为输入层和隐层神经元之间的权值矩阵，z_j是复数值前向神经网络的第j个输入样本；V＝[v₁,v₂,...,v_N]为隐层和输出层神经元之间的权值矩阵。