[发明专利]一种融合KPCA和思维优化BP神经网络的用水总量预测方法

权利要求书

1.一种融合KPCA和思维优化BP神经网络的用水总量预测方法，其特征在于，包括如下步骤：

(1)运用相关系数法从多个影响用水总量的候选数据因子中确定预测因子；

(2)利用核主成分分析对所确定的预测因子进行降维处理；

(3)利用BP神经网络建立用水总量预测模型，采用思维进化学习算法优化BP神经网络的权值和阈值；

(4)利用训练好的预测模型对用水总量进行预测。

2.根据权利要求1所述的融合KPCA和思维优化BP神经网络的用水总量预测方法，其特征在于，所述步骤(1)包括：

(11)选取国内生产总值、农业增加值、粮食产量、有效灌溉面积、工业增加值、规模以上工业企业产生品、水产品总产量、城市污水日处理能力、城镇生活污水排放量、废水排放量、火力发电量、城市绿地面积、水产品养殖面积、生活用水总量、农业用水总量、用水人口、渔业增加值、工业用水、粮食产量、生态用水、企业所得税总额和个人所得税总额作为影响用水总量的候选预测因子；

(12)分别计算出各候选预测因子与用水总量的实测值的相关系数；

相关系数的计算公式为：

式中，X_i为第i个样本的预测因子值的大小，为预测因子的均值，Y_i为第i个样本的实测值大小，为实测值均值，M为样本总数量；

(13)将相关系数降序排列，选取前k个相关系数较大的因子作为影响用水总量的预测因子，k为自然数。

3.根据权利要求2所述的融合KPCA和思维优化BP神经网络的用水总量预测方法，其特征在于，选择相关系数大于0.5的因子作为影响用水总量的预测因子。

4.根据权利要求1所述的融合KPCA和思维优化BP神经网络的用水总量预测方法，其特征在于，所述步骤(2)包括：

(21)将所确定预测因子对应的数据进行归一化处理，生成M×N的初始因子输入矩阵，其中M为样本总量，N为预测因子数量；

(22)求核矩阵K，通过核函数将归一化后的数据由数据空间投影映射到特征空间，所述核函数为：

式中，x_i为第i个样本的所有列，x_j为第j个样本的所有列，a为方差系数；

(23)将核矩阵K中心化，以修正核矩阵，得到中心化的核矩阵K_c；

K_c＝K-l_MK-Kl_M+l_MKl_M

式中，l_M为M×M的矩阵，每一个元素都为1/M；

(24)计算核矩阵K_c的特征值λ₁,…,λ_n和特征向量v₁,…,v_n，将特征值降序排列并相应调整特征向量的顺序，n为自然数；

(25)通过施密特正交化方法，正交化并单位化特征向量；

(26)计算各特征值的累计贡献率r₁,…,r_n，根据给定的贡献率阈值p，如果某特征值的累计贡献率r_t>贡献率阈值p，则选取前t个主分量，作为降维后的数据，其中t为自然数。

5.根据权利要求4所述的融合KPCA和思维优化BP神经网络的用水总量预测方法，其特征在于，所述步骤(3)包括：

(31)确定BP神经网络的拓扑结构，BP网络设计为3层网络结构，包括输入层、隐含层和输出层，输入层输入降维后的预测因子，输出层输出用水总量预测值；将用水总量数据样本分为训练样本和测试样本；

(32)输入用水总量数据序列训练集和测试集，经过初始训练迭代，获取神经网络初始权值和阈值；

(33)随机产生初始种群,优胜子群体和临时子群体；

(34)求个体的分值：

其中，L是训练集样本的数量，是目标函数与网络输出的差值的平方，e_j(s)＝d_j(s)-y_j(s),d_j(s)是目标函数的值，d_j(s)是网络输出数据，s是训练样本编号，j是个体编号，Q是个体总数，当较小，个体分值越好；

(35)执行趋同操作并计算各子群体得分，用正态分布N(μ,Σ)生成K个优胜子群体和P个临时子群体，其中μ是正态分布的中心，Σ是正态分布的协方差矩阵，则子群体中正态分布中心的坐标记为子群体的得分；

(36)执行异化操作，寻找临时子群体得分高于优胜子群体的编号，得分高的临时子群体替换优胜子群体；

(37)当满足迭代停止条件时，输出当前迭代获得的最佳个体及得分，根据编码规则，解析获得到的最优个体，产生BP神经网络的权值和阈值，否则，返回步骤(35)；

(38)用步骤(37)得出的权值和阈值作为重新训练的初始权值和阈值训练BP神经网络模型。