[发明专利]基于变分模态分解和贝叶斯神经网络的月径流预测方法

权利要求书

1.一种基于变分模态分解和贝叶斯神经网络组合的月径流预测方法，首先利用变分模态分解方法将原始月径流序列分解为若干个不同的固有模态函数IMF，对每个IMF分量分别使用贝叶斯神经网络进行预测,将每个IMF分量的预测结果聚合叠加，得到变分模态分解和贝叶斯神经网络组合的最终预测结果。

2.根据权利要求1所述的方法，在使用贝叶斯神经网络进行预测前，对每个IMF分量进行归一化处理，相应地，在对预测结果聚合叠加前，对每个IMF分量的预测结果反归一化处理。

3.根据权利要求1或2所述的方法，利用变分模态分解方法将原始月径流序列分解为若干不同的IMF分量的步骤包括构造变分约束模型和求变分模型最优解两部分，通过建立变分约束模型，转化为非约束变分模型进行求解得到模型的最优解，完成在频域内对信号的自适应分解。

4.根据权利要求3所述的方法，所述变分约束模型的约束条件是使每个IMF分量的估计带宽和最小，并且使各个IMF分量的和等于输入信号。

5.根据权利要求4所述的方法，引入二次惩罚因子和拉格朗日乘子将变分约束模型转化为非约束变分模型，使用交替方向乘子法求解所述变分模型的最优解。

6.根据权利要求5所述的方法，非约束变分模型具体求解过程如下：

S1:初始化IMF分量、中心频率和拉格朗日乘子；

S2:对各个IMF分量和对应的中心频率分别进行更新；

S3:更新拉格朗日乘子；

S4:若达到算法收敛条件，则停止迭代，否则返回S2，直至达到收敛条件停止迭代。

7.根据权利要求6所述的方法，所述算法收敛条件为残差小于预先设置的判别精度。

8.根据权利要求1或2所述的方法，所述贝叶斯神经网络预测模型构造如下：设置贝叶斯神经网络各层维度，采用全连接神经网络，选定神经网络的输入和输出；选定神经网络权重参数的先验分布，网络模型的初始的权重参数采用蒙特卡洛采样的方法从权重参数的先验分布中采样；根据贝叶斯定理构建权重参数的后验分布，利用变分推理求解权重参数的后验概率分布；通过最大化证据下界来更新优化神经网络，得到合适的变分近似后验分布之后，将后验分布的均值作为BNN的最佳权重参数，得到最优贝叶斯神经网络预测模型。

9.根据权利要求7所述的方法，每个贝叶斯神经网络采用相同的拓扑结构，设置包括输入层、隐藏层和输出层的三层网络结构，节点个数分别为6、8和1。

10.根据权利要求2所述的方法，归一化处理步骤如下：

其中，x为待归一化处理的数据，x_max和x_min分别为待归一化处理数据x所在的待归一化处理数据集中包含的最大值和最小值，x^*为x归一化处理后的数据。