[发明专利]基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法

摘要

本发明公开了一种基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法，属于水环境预测技术领域。本发明将改进的深度置信网络方法与多因素时间序列分析法相结合，构建一种多因素时序─随机深度置信网络模型，然后采用MT─RDBN模型去离散化、RCRBM的学习算法和MT─RDBN模型参数微调。本发明在建立模型时采用了时间序列中的自回归模型和多因素回归模型，考虑了影响因素因此MT─DBN模型能够通过当前时刻和历史时刻的叶绿素浓度和影响因素数据对未来时刻的表征因素进行预测，减少了样本使用量，提高了预测精度。

主权项

1.基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法，其特征在于：包括以下步骤，步骤一、建立MT─RDBN模型；将叶绿素作为反应蓝藻水华现象的表征因素将因素PH值、氨氮和水温作为反应水华现象的影响因素，建立未来时刻的表征因素与当前时刻和历史时刻的表征因素和影响因素的时序关系，输入层负责接收历史时刻和当前时刻的叶绿素浓度和影响因素的值，并在输入层建立了输入数据之间的自回归模型和多因素回归模型；隐藏层负责提取输入层数据的特征，输出层则表示未来叶绿素的浓度，最终建立多因素时序─随机深度置信网络模型，简写为MT─RDBN模型；步骤二、MT─RDBN模型去离散化；对S型函数去离散化并添加高斯随机序列后再通过对比散度算法进行正向计算和反向计算，使其能够更好地处理连续的时序数据；步骤三、RCRBM的学习算法；包括RCRBM的权重学习算法、RCRBM的输入层偏置算法和RCRBM的隐藏层偏置算法；步骤四、MT─RDBN模型参数微调；采用BP神经网络反向传播算法时需要对多因素时序─随机深度置信网络模型中所有连接产生的参数进行全局微调。