[发明专利]基于多变量信息及径向基函数网络的垃圾产生量预测方法

摘要

基于多变量信息及径向基函数网络的垃圾产生量预测方法，包括以下步骤1)拟定垃圾产生量影响因素；2)基于多变量确定垃圾产生量影响因素；3)基于径向基函数网络初步预测垃圾产生量；4)垃圾产生量预测误差反向修正。

主权项

基于多变量信息及径向基函数网络的垃圾产生量预测方法，包括以下步骤：1)、拟定垃圾产生量影响因素；2)、基于多变量信息确定垃圾产生量影响因素；过程如下：(2.1)输入训练数据集训练数据集U＝D(F,C),其中F表示所有的输入变量，C表示类变量；(2.2)初始化选择特征集S＝φ，S为选择特征集，φ为空集；(2.3)确定首个特征变量；计算所有输入变量与类变量的互信息I(fi；C)，fi∈F，选择使互信息I(fi；C)达到最大值的输入变量fi，将该输入变量加入到特征集中S＝S+{fi}，并从输入集剔除F＝F‑{fi}；(2.4)遍历F中的所有元素，计算该元素fi与特征集S及类变量C间的多变量信息I(fi；S；C)，满足maxI(fi；S；C)＞βI(S；C)，β是用户自定义量，则选择该fi，S＝S+{fi}，F＝F‑{fi}；(2.5)循环步骤(2.4)直至不存在元素fi；(2.6)输出选择特征集S；3)、基于径向基函数网络初步预测垃圾产生量；过程如下：(3.1)样本输入；(3.2)采用最小‑最大变化进行数据预处理；(3.3)初始化径向基函数网络隐藏层节点个数K；(3.4)采用K‑means++聚类确定网络聚类中心点；(3.5)确定径向基函数扩展常数及初始化权值；(3.6)计算径向基函数网络输出；(3.7)计算当前预测值与真实值之间的方差，若方差小于设定的最小方差或者当迭代次数达到总迭代次数时，则终止径向基网络训练；否则采用梯度下降法修正中心、扩展常数及权值，进入步骤(3.6)；4)、垃圾产生量预测误差反向修正；过程如下：(4.1)计算每个省份在径向基函数网络初始预测后的相对平均误差，公式如下：e‾=1mΣi=1m|yi-yi′yi|]]>m为输入样本的数量，y为样本实际值；y'径向基函数网络初始预测值，为相对平均误差；(4.2)通过如下公式计算修正后的预测值：y′′=y′1-e‾]]>y”为误差反向修正后的预测值，y'为径向基函数网络初始预测值。