[发明专利]基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型

权利要求书

1.基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型，其特征在于，包括以下步骤：

(1)获取气象参数数据，空气污染数据和日太阳总辐射数据，采用互信息理论选取最佳输入变量；

(2)对上述输入变量建立估算模型，比较估算误差大小，确定最优的输入变量；

(3)在选取最优输入变量集合的基础上，建立基于深度信念网络DBN的太阳辐射估算模型；

(4)对深度信念网络模型进一步分析，采取麻雀搜索算法对深度信念网络参数进行优化，建立基于麻雀搜索算法-深度信念网络模型；具体为：

设n只麻雀的位置表示为以下矩阵X：

式中，d代表着待优化问题的维度；然后，通过以下向量表示对应的适应度值：

式中，f指的是适应度值。

2.根据权利要求1所述的基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型，其特征在于，所述步骤(1)包括以下步骤：

(1.1)计算互信息值：

(1.2)随机变量X、Y间的互信息I(X,Y)定义为：

式中，x∈X，y∈Y,p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；

(1.3)根据步骤(1.1)得到的结果运用最大相关最小冗余算法选取输入变量；

最大相关测度指标为：

式中，S是特征x的集合，c是分类目标，x_i是第i个特征，I(x_i；c)是特征x_i和类c间的互信息；D反映输入变量与输出目标之间的相关性；

最小冗余测度指标为：

式中，S是特征x的集合，x_j是第j个特征，I(x_i；x_j)是特征x_i和特征x_j间的互信息；R反映输入变量间的冗余性；

最大相关最小冗余mRMR算法标准：

式中，S是特征x的集合，c是分类目标，I(x_i；c)是特征x_i和类c间的互信息，I(x_i；x_j)是特征x_i和特征x_j间的互信息；

如果使用增量搜索方法，转化成优化问题：

式中，S_m-1是已选择特征x_i的集合，X-S_m-1是剩下的特征空间，I(x_j；c)是剩下的特征x_j和类c间的互信息，I(x_j,x_i)是特征x_j和特征x_i间的互信息。

3.根据权利要求1所述的基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型，其特征在于，步骤(2)所述的估算误差通过以下，公式实现：

式中，v为测试样本中数据样本的个数，y_u和分别为第u个测试点辐射的真实值和预测值。

4.根据权利要求1所述的基于麻雀搜索算法-深度信念网络的日太阳辐射估计算法，其特征在于，所述的步骤(4)中，在麻雀搜索算法中，每次迭代期间，发现者按照下式进行位置更新：

式中，t表示当前迭代次数，j＝1,2,3,....,d；item_max指的是迭代次数最多的常数；X_i,j代表着第i个体在第j维中的位置；代表着第t次迭代时的位置，代表着第t+1次迭代时的位置；α∈(0，1]是一个随机数；R₂，R₂∈[0,1]和ST，ST∈[0.5,1]各自代表着警报值和安全阈值；Q是一个随机数，服从正态分布；L代表一个1×d的矩阵，里面每个元素均是1。