[发明专利]一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法

摘要

本发明涉及一种基于自组织深度信念网络和相关向量机的淡水环境的水华预测方法，本发明包括以下几个步骤：1.将叶绿素a的浓度作为描述藻类水华形成的表征指标，把与叶绿素a浓度相关的风速、风向、湿度、蓝绿藻、pH值、前一时刻的叶绿素a、溶解氧、氨氮、和水体温度这9个影响因素作为预测模型的输入参数，并进行数据的预处理。2.采用自组织深度信念网络对输入样本数据进行训练，从而完成自组织网络的结构自动调整和原始数据特征的降维和提取。3.将提取的数据特征送入到相关向量机中实现藻类水华的预测。本发明解决了传统深度信念网络在水华预测时预测精度欠佳，结构冗余，容易过拟合的问题，同时使网络在精准预测的前提下实现了结构的更加紧凑。

主权项

1.一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法，其特征在于，包括以下几个步骤：(1)将叶绿素a的浓度作为描述藻类水华形成的表征指标，进而把与叶绿素a浓度相关的风速，风向，湿度，蓝绿藻，pH值，前一时刻的叶绿素a,溶解氧，氨氮，和水体温度这9个影响因素确定为模型的输入，并完成输入数据的预处理；(2)将处理过的样本数据送入到自组织深度信念网络中进行训练，自组织深度信念网络在样本训练过程中通过自动的改变隐含层神经元的数量而实现结构的自动调整和确定，深度信念网络隐含层层层数为两层，深度信念网络结构调整的依据依赖于隐含层神经元的尖峰强度值以及隐含层神经元的互信息值，如果某个隐含层神经元的尖峰强度值大于等于0.7时，则该隐含神经元将被分裂为两个新的神经元，而如果尖峰强度值小于0.7时，该隐含神经元则会被修剪掉；同时如果两个隐含层神经元之间的互信息值大于3.25时，则将这两个神经元合并为一个神经元；(3)调整好结构的自组织深度信念网络对输入样本数据提取完特征后，将提取的特征输入到相关向量机中，借助于相关向量机对淡水环境水华进行预测。