[发明专利]基于递归时序深度置信网络的蓝藻水华预测方法

摘要

本发明公开了基于递归时序深度置信网络的蓝藻水华预测方法，属于水环境预测技术领域。首先采集水质数据进行预处理并划分为训练数据和测试数据，构建多因素输入单因素输出的RTDBN模型，在RTDBN模型上建立隐藏层2对训练数据进行再次特征提取。针对训练数据，在RTDBN模型上建立输入层与隐藏层1的参数关系，采用CRBM对输入层偏置和隐藏层1偏置进行更新；同时建立隐藏层1与隐藏层2的参数关系。然后对隐藏层1新偏置和隐藏层2的偏置进行更新，隐藏层2对隐藏层1的特征进行进一步提取，对RCRBN的权重进行更新。最后反向微调模型参数，完成RTDBN模型训练，并通过测试数据对水质的蓝藻水华进行预测。本发明减少模型的计算，防止出现过拟合的现象，提高了预测精度。

主权项

1.基于递归时序深度置信网络的蓝藻水华预测方法，其特征在于，具体步骤如下：步骤一、针对某水质，采集数据进行预处理并划分为训练数据和测试数据；步骤二、构建多因素输入单因素输出的递归时序深度置信网络RTDBN模型；步骤三、在RTDBN模型上建立隐藏层2，用于对训练数据进行再次特征提取；RTDBN模型包括：输入层，隐藏层和输出层；隐藏层包括隐藏层1和隐藏层2；输入层负责接收历史时刻和当前时刻的表征因素和影响因素的值，并建立多因素回归模型以及表征因素某时刻与其前一个时刻之间的递归关系；隐藏层1负责提取输入层数据的特征；隐藏层2负责对隐藏层1的数据进行特征再提取；输出层则表示未来时刻的藻密度；步骤四、将RTDBN模型初始化；步骤五、针对训练数据，在RTDBN模型上建立输入层与隐藏层1的参数关系，得到隐藏层1当前时刻的矩阵实值；输入层与隐藏层1的参数关系是指：隐藏层1的某时刻分别与输入层该时刻、输入层该时刻的前一个时刻以及隐藏层1的该时刻的前一时刻之间的关系；具体关系式如下：h_t‑p+1表示隐藏层1的t‑p+1时刻的矩阵；表示Sigmoid函数，W₁表示隐藏层1的t‑p+1时刻与隐藏层1的t‑p时刻连接产生的权重；r表示在添加伯努利随机项后保存连接的概率；W₂表示隐藏层1的t‑p+1时刻与输入层t‑p时刻连接产生的权重；v_t‑p表示输入层t‑p时刻表征因素的矩阵；W₃表示隐藏层1的t‑p+1时刻与输入层t‑p+1时刻连接产生的权重；d表示通过高斯随机分布生成的偏置项；其中，h_t‑p的计算公式如下：隐藏层1当前时刻的矩阵实值h_t为：步骤六、采用CRBM对输入层偏置和隐藏层1偏置进行更新，隐藏层1提取输入层的数据特征；输入层偏置更新公式如下：a_t表示更新前输入层偏置；表示更新后输入层偏置，＜·＞⁰表示数据集的数学期望，＜·＞¹表示经过一次对比散度算法后的重构值的数学期望；η表示输入层与隐藏层1之间的学习速率；表示输入层t‑p时刻第j个影响因素的浓度矩阵；ΔA_t‑p表示输入层影响因素在t‑p时刻与输入层表征因素在t时刻的连接产生的权重变化；其表达式如下：j为影响因素的个数，总数为n个；p为时刻个数，总数为m个；隐藏层1偏置更新公式如下：其中，b_t表示更新前隐藏层1偏置；b'_t表示更新后隐藏层1偏置，ΔB_t‑p表示输入层表征因素在t‑p时刻与输入层表征因素在t时刻的连接产生的权重变化，其表达式如下：步骤七、同时，建立隐藏层1与隐藏层2的参数关系；隐藏层1与隐藏层2的参数关系是指：隐藏层2当前时刻与隐藏层1当前时刻的关系；对隐藏层1所有时刻的数据进行进一步的特征提取，最终的隐藏层1当前时刻的值仍然采用对比散度算法进行计算，具体公式如下：表示隐藏层2的当前时刻真实值矩阵，W_t表示隐藏层1和隐藏层2之间的权重，表示由于增加隐藏层2而产生的隐藏层1的新偏置；h'_t表示隐藏层1的重构值矩阵；表示隐藏层2的偏置；表示隐藏层2的重构值矩阵；步骤八、对隐藏层1新偏置和隐藏层2的偏置进行更新，隐藏层2对隐藏层1的特征进行进一步提取；隐藏层1的新偏置的更新公式如下：表示更新后的隐藏层1的新偏置，η₁表示隐藏层1与隐藏层2之间的学习速率；隐藏层2的偏置的更新公式如下：表示更新后的隐藏层2的偏置，ΔC_t‑p表示隐藏层1的历史时刻与隐藏层2之间的连接产生的权重变化；ΔC_t‑p的表达式如下：步骤九、隐藏层2在完成训练数据的特征提取后，对RCRBN的权重进行更新，以完成模型的预训练；具体公式如下：表示更新前的权重矩阵；表示更新后的权重矩阵，ΔW表示经过一次训练产生的权重变化，其表达式如下：步骤十、采用BP神经网络反向微调模型参数，最终RTDBN模型完成训练，并通过测试数据对水质的蓝藻水华进行预测。