[发明专利]基于线性判别分析和IALO-ELM的中长期径流预测方法及系统

说明书

本发明公开了一种基于线性判别分析和IALO‑ELM的中长期径流预报方法及系统，所述方法包括：(1)获取某水文站的径流数据并对数据进行归一化处理，运用线性判别分析法对径流数据进行预报因子选择；(2)运用拉丁超立方对蚁狮种群初始化；(3)建立基于改进蚁狮算法(IALO)的优化极限学习机模型；(4)将蚁狮原始种群分为p等分，运用多种群方法进行交互和预选机制两两对比分析出全局最优路径；(5)将Fuch映射引入蚁狮算法中，对局部最优解的邻域进行混沌遍历搜索。本发明利用改进蚁狮算法与极限学习机相结合，大大提高了径流预测准确性和预测精度的可靠性。

技术领域

本发明属于水文时间序列预测领域，涉及一种基于线性判别分析IALO-ELM的中长期径流预测及系统。

背景技术

河川中长期径流预测是水文预报的主要内容，高精度的径流预测有助于水库优化调度、防洪抗旱、合理制定水电站发电计划，保证电站生产生活安全进行。因此作出准确的水文预报就显得尤为重要，为了提高水文预报特别是中长期水文预报的精度和可靠度，从不同方向并结合相应的学科知识，对中长期水文预报提出了许多方法。

近年来，人工智能的方法被广泛应用于各个领域中。而传统所遇到的人工智能技术，比如BP神经网络、贝叶斯网络、模糊神经网络、循环神经网络等等被广泛应用在中长期径流预测中，但是由于传统的神经网络对数据的分析能力的不足，在进行数据训练的过程中容易陷入局部最优，使得最终的结果达不到预期的效果。

极限学习机的迅速发展，为径流序列的预测提供了新的可能。极限学习机具有自主学习、学习速度快等特点，但是由于其初始的权值和阈值都是随机选择，并不能使得网络性能达到最优。为了解决上述问题，将蚁狮算法与极限学习机建立中长期径流预测的模型，提高了全局搜索的能力，通过参数寻优大大提高了预测的准确性。

发明内容

发明目的：为解决上述技术问题，本发明提供了一种泛化能力强，预测精度高的基于线性判别分析IALO-ELM的中长期径流预测及系统。

技术方案：本发明提出一种基于线性判别分析和IALO-ELM的中长期径流预报方法，具体包括以下步骤：

(1)预先获取径流量数据并对数据进行归一化处理，运用线性判别分析的方法对初始径流数据进行预报因子选择；

(2)运用拉丁超立方对初始蚁狮种群初始化，进行蚁狮位置的随机初始化，开始进行迭代搜索；

(3)将蚁狮原始种群分为p等分，运用多种群方法进行交互和预选机制两两对比分析出全局最优路径；

(4)将Fuch映射引入蚁狮算法中，对局部最优解的邻域进行混沌遍历搜索；

(5)建立基于改进蚁狮算法优化的极限学习机模型，利用改进后的蚁狮算法来优化极限学习机的连接权值和阈值；采用训练好的IALO-ELM模型对测试样本进行预测。

进一步地，所述步骤(1)包括以下步骤：

(11)将获取的径流量数据集转化为散布矩阵，进行数据封装：

S_i＝∑(x-m_i)(x-m_i)^T,i＝1,2

其中，S_i为计算类内离散度矩阵，x为样本数据，m_i为数据样本均值向量，S_w为散布矩阵；

(12)计算散布矩阵的本征向量以及对应的本征值，其中计算本征值的公式为(λE-S_W)＝0，λ为本征值，E为单位矩阵；

(13)将本征向量按本征值大小降序排序，选择前a个最大的本征值对应的本征向量，组建矩阵即每一列就是一个本征向量；