專利名稱：基于神經(jīng)網(wǎng)絡(luò)的潮水水位和時(shí)間預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信息自動(dòng)化技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的潮水水 位和時(shí)間預(yù)測(cè)方法。
背景技術(shù)：
在一些大江大河中，潮水可能每天都會(huì)發(fā)生，不熟悉其漲潮時(shí)間或潮水 習(xí)性的人很容易被潮水奪去生命。江河的漲潮周期與中國(guó)農(nóng)歷月份的周期相 近，傳統(tǒng)對(duì)潮水的預(yù)報(bào)常以此為依據(jù)，根據(jù)前一天的潮水水位和潮水到達(dá)時(shí) 間，憑借經(jīng)驗(yàn)來(lái)預(yù)測(cè)今天的潮水水位和潮水到達(dá)時(shí)刻。而潮水的情況與氣象、 河床形態(tài)等不斷變化的自然因素有關(guān)，因此，這種經(jīng)驗(yàn)式的預(yù)報(bào)往往具有較 大的誤差。如果能利用計(jì)算機(jī)的仿真能力，搭建一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行潮水的 預(yù)報(bào)，可以大大避免和減少人員的傷亡。
本發(fā)明將利用計(jì)算機(jī)的仿真計(jì)算能力，搭建一個(gè)BP神經(jīng)網(wǎng)絡(luò)，從歷史 潮水水位和歷史潮水到達(dá)時(shí)刻的數(shù)據(jù)中自動(dòng)的獲取知識(shí)，逐步地把新知識(shí)結(jié) 合到其映射函數(shù)中，從而實(shí)現(xiàn)非線性函數(shù)的逼近，能夠完成對(duì)潮水進(jìn)行準(zhǔn)確 的預(yù)報(bào)。
發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于神經(jīng)網(wǎng)絡(luò)的潮水水位和時(shí)間
該方法的具體步驟是 步驟(l).搭建BP神經(jīng)網(wǎng)絡(luò)框架，調(diào)用Matlab6. 5函數(shù)庫(kù)中的newff函數(shù)，Net二newff (PR， [131 … ]，{"i "2…A} ， BTF， BLF， PF); Net為BP神 經(jīng)網(wǎng)絡(luò)框架，PR為輸入矩陣中由最大元素和最小元素決定的一個(gè)取值范圍，
《'為第i層神經(jīng)元的個(gè)數(shù)，^為第i層的傳遞函數(shù)，""^， W'為神 經(jīng)網(wǎng)絡(luò)總層數(shù)，BTF為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，BLF為控制權(quán)值和閾值的參
數(shù)，PF為網(wǎng)絡(luò)性能函數(shù)。
步驟(2).初始化BP神經(jīng)網(wǎng)絡(luò)框架。利用隨機(jī)函數(shù)產(chǎn)生的值賦值給權(quán)值 和偏置值，然后調(diào)用init函數(shù)來(lái)初始化整個(gè)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)。
步驟(3).對(duì)歷史潮水水位數(shù)據(jù)和潮水到達(dá)時(shí)間數(shù)據(jù)進(jìn)行歸一化處理。
潮水水位數(shù)據(jù)的歸一化處理方法為利用公式— — ^咖
其中^ax為潮水水位數(shù)據(jù)中的最大值，^n為潮水水位數(shù)據(jù)中的最小值。 ^為待處理的潮水水位數(shù)據(jù)，；為潮水水位數(shù)據(jù)歸一化處理后的值。
潮水到達(dá)時(shí)間的歸一化處理方法為將格式為24小時(shí)制的時(shí)間數(shù)據(jù)的
后兩位取出，除以60，得出的結(jié)果為時(shí)間值中的分鐘部分。將時(shí)間數(shù)據(jù)的前 兩位取出，除以24，得出的結(jié)果為時(shí)間值中的小時(shí)部分
步驟(4).訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。具體方法是
a、 設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差和用來(lái)顯示的訓(xùn)練步數(shù)。
b、 利用歸一化后的潮水水位數(shù)據(jù)按歷史日期順序，將從第一個(gè)數(shù)據(jù)開 始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第一行，第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的 第一行；從第二個(gè)數(shù)據(jù)開始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第二行，相應(yīng) 的第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的第二行，以此類推。該兩矩陣均為N-3行， N為歷史數(shù)據(jù)長(zhǎng)度。
利用歸一化后的潮水到達(dá)時(shí)間數(shù)據(jù)將分為小時(shí)和分鐘兩部分，按歷史曰期順序，按照步驟b組成輸入矩陣尸'和目標(biāo)矩陣r'，因此輸入矩陣每行為6 個(gè)數(shù)據(jù)，目標(biāo)矩陣每行為2個(gè)數(shù)據(jù)。同樣，該兩矩陣均為N-3行，N為歷史 數(shù)據(jù)長(zhǎng)度。
c、利用輸入矩陣P和目標(biāo)矩陣設(shè)為T，通過(guò)調(diào)用train函數(shù)，對(duì)BP神 經(jīng)網(wǎng)絡(luò)進(jìn)行潮水水位數(shù)據(jù)訓(xùn)練直至收斂；利用輸入矩陣,和目標(biāo)矩陣設(shè)為 r，通過(guò)調(diào)用train函數(shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行潮水到達(dá)時(shí)間數(shù)據(jù)訓(xùn)練直至
收斂；
步驟(5).對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，將用于測(cè)試的歷史數(shù)據(jù)按照步驟(4) b中的輸入矩陣格式，組成用于潮水水位預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣P-^z以及用 于潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣A-to、然后直接調(diào)用Matlab工具箱 中的sim函數(shù)，對(duì)測(cè)試輸入進(jìn)行仿真。
步驟(6).反歸一化處理。對(duì)測(cè)試所得的潮水水位數(shù)據(jù)按照公式
^ =義(義腿-^n) + ^n進(jìn)行反歸一化處理，其中x'為反歸一化處理后最終
的潮水水位數(shù)據(jù)，；為仿真測(cè)試得到的潮水水位數(shù)據(jù)，^皿為潮水水位數(shù)據(jù) 中的最大值，^n為潮水水位數(shù)據(jù)中的最小值。
測(cè)試所得的潮水到達(dá)時(shí)間數(shù)據(jù)為小時(shí)部分和分鐘部分，將小時(shí)部分乘以
24所得值設(shè)為A，將分鐘部分乘以60所得值設(shè)為B，則AX100+B即為測(cè)試
所得潮水到達(dá)時(shí)間值。
本發(fā)明方法的有益效果
l.經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)具有逼近一個(gè)非線性映射函數(shù)的能力，因此 利用歷史潮水水位數(shù)據(jù)和歷史潮水到達(dá)時(shí)間數(shù)據(jù)預(yù)測(cè)得到數(shù)據(jù)精度比傳統(tǒng) 潮水預(yù)測(cè)方法得到的高。2. 可用于不同江河的潮水預(yù)測(cè)，不依賴于氣象、河床等自然因素，也不 依賴豐富的預(yù)測(cè)經(jīng)驗(yàn)，只需當(dāng)?shù)厮恼咎峁┏彼臍v史記錄數(shù)據(jù)。
3. 增加用于訓(xùn)練數(shù)據(jù)的長(zhǎng)度、輸入矩陣的維數(shù)，提高計(jì)算機(jī)的計(jì)算速度，
能提高預(yù)測(cè)精度。
具體實(shí)施例方式
步驟(l).搭建BP神經(jīng)網(wǎng)絡(luò)框架，調(diào)用Matlab6. 5函數(shù)庫(kù)中的newff函
數(shù)，
Net二newff (threshold, [6，2]， ， tansig， ，， logsig， ，trainlm) Threshold為由0到1之間的一個(gè)取值范圍；[6， 2]表示輸入層有6個(gè)
神經(jīng)元，輸出層有2個(gè)神經(jīng)元；tansig為輸入層傳遞函數(shù)；logsig為輸出
層傳遞函數(shù)；trainlm為基于1-m算法的訓(xùn)練函數(shù)。 步驟(2).初始化BP神經(jīng)網(wǎng)絡(luò)框架，
調(diào)用rands函數(shù)產(chǎn)生一個(gè)-1到1之間的隨機(jī)數(shù)，分別賦值給權(quán)值和偏置， 艮卩 net. I叩utWeights二rands 以及net. Biases二rands 。 最后調(diào)用 init (Net) ,Net為步驟(l)中創(chuàng)建的神經(jīng)網(wǎng)絡(luò)。
步驟(3).對(duì)歷史潮水水位數(shù)據(jù)和潮水到達(dá)時(shí)間數(shù)據(jù)進(jìn)行歸一化處理；
潮水水位數(shù)據(jù)的歸一化處理方法為利用公式^ ^皿—^n
其中"皿為潮水水位數(shù)據(jù)中的最大值，^n為潮水水位數(shù)據(jù)中的最小值。
x為待處理的潮水水位數(shù)據(jù)，x為潮水水位數(shù)據(jù)歸一化處理后的值。
潮水到達(dá)時(shí)間的歸一化處理方法為將格式為24小時(shí)制的時(shí)間數(shù)據(jù)的 后兩位取出，除以60，得出的結(jié)果為時(shí)間值中的分鐘部分。再將時(shí)間數(shù)據(jù)的 前兩位取出，除以24，得出的結(jié)果為時(shí)間值中的小時(shí)部分步驟(4).訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；具體方法是
a、 設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差和用來(lái)顯示的訓(xùn)練步數(shù)；
b、 利用歸一化后的潮水水位數(shù)據(jù)按歷史日期順序，將從第一個(gè)數(shù)據(jù)開 始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第一行，第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的 第一行；從第二個(gè)數(shù)據(jù)開始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第二行，相應(yīng) 的第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的第二行，以此類推。該兩矩陣均為N-3行， N為歷史數(shù)據(jù)長(zhǎng)度。
利用歸一化后的潮水到達(dá)時(shí)間數(shù)據(jù)將分為小時(shí)和分鐘兩部分，按歷史曰 期順序，按照步驟b組成輸入矩陣P'和目標(biāo)矩陣r，因此輸入矩陣每行為6 個(gè)數(shù)據(jù)，目標(biāo)矩陣每行為2個(gè)數(shù)據(jù)。同樣，該兩矩陣均為N-3行，N為歷史 數(shù)據(jù)長(zhǎng)度。
c、 利用輸入矩陣P和目標(biāo)矩陣設(shè)為T，通過(guò)調(diào)用train函數(shù)，對(duì)BP神
經(jīng)網(wǎng)絡(luò)進(jìn)行潮水水位數(shù)據(jù)訓(xùn)練直至收斂；利用輸入矩陣,和目標(biāo)矩陣設(shè)為 r ，通過(guò)調(diào)用train函數(shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行潮水到達(dá)時(shí)間數(shù)據(jù)訓(xùn)練直至
收斂；
訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，具體方法
設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)net. trainParam.印ochs^5000;訓(xùn)練目標(biāo)誤差 net. trainParam. goal二O. 0028(潮水水位預(yù)測(cè))；net. trainP腦m. goal二O. 05 (潮水到達(dá)時(shí)間預(yù)測(cè))；用來(lái)顯示的訓(xùn)練步數(shù)net. trainParam. show=50; a.將歸一化后的歷史潮水水位數(shù)據(jù)按照步驟(5)組成用于潮水水位預(yù)測(cè) 網(wǎng)絡(luò)訓(xùn)練的輸入矩陣P和目標(biāo)矩陣T;
將歸一化后的歷史潮水到達(dá)時(shí)間數(shù)據(jù)組成用于潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練的輸入矩陣P'和目標(biāo)矩陣T'
b.使用語(yǔ)句train (Net, P， T)進(jìn)行潮水水位預(yù)測(cè)網(wǎng)絡(luò)的訓(xùn)練；
使用語(yǔ)句train (Net, ，尸)進(jìn)行潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練。 步驟(5).對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，將用于測(cè)試的歷史數(shù)據(jù)按照步驟(4) b中的輸入矩陣格式，組成用于潮水水位預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣^」ew以及用
于潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣^-&"。然后直接調(diào)用Matlab工具箱
中的sim函數(shù)，對(duì)測(cè)試輸入進(jìn)行仿真。調(diào)用格式如下 潮水水位預(yù)測(cè)網(wǎng)絡(luò)的測(cè)試s/m (Net， P — 潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)的測(cè)試■ (Net， to,)。
步驟(6).對(duì)測(cè)試所得的潮水水位數(shù)據(jù)按照公式^'=""皿_^0 + ^ 進(jìn)行
反歸一化處理，其中x'為反歸一化處理后最終的潮水水位數(shù)據(jù)，；為仿真測(cè)
試得到的潮水水位數(shù)據(jù)，^皿為潮水水位數(shù)據(jù)中的最大值，^"為潮水水位數(shù)
據(jù)中的最小值。
測(cè)試所得的潮水到達(dá)時(shí)間數(shù)據(jù)為小時(shí)部分和分鐘部分，將小時(shí)部分乘以
24所得值設(shè)為A，將分鐘部分乘以60所得值設(shè)為B，則AX100+B即為測(cè)試 所得潮水到達(dá)時(shí)間值。
9
權(quán)利要求
1.基于神經(jīng)網(wǎng)絡(luò)的潮水水位和時(shí)間預(yù)測(cè)方法，其特征在于該方法包括如下步驟步驟(1).搭建BP神經(jīng)網(wǎng)絡(luò)框架，調(diào)用Matlab6.5函數(shù)庫(kù)中的newff函數(shù)，Net＝newff(PR，[s1 s2...si]，{TF1 TF2...TFi}，BTF，BLF，PF)；Net為BP神經(jīng)網(wǎng)絡(luò)框架，PR為輸入矩陣中由最大元素和最小元素決定的一個(gè)取值范圍，si為第i層神經(jīng)元的個(gè)數(shù)，TFi為第i層的傳遞函數(shù)，1≤i≤N1，N1為神經(jīng)網(wǎng)絡(luò)總層數(shù)，BTF為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，BLF為控制權(quán)值和閾值的參數(shù)，PF為網(wǎng)絡(luò)性能函數(shù)；步驟(2).初始化BP神經(jīng)網(wǎng)絡(luò)框架；利用隨機(jī)函數(shù)產(chǎn)生的值賦值給權(quán)值和偏置值，然后調(diào)用init函數(shù)來(lái)初始化整個(gè)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)；步驟(3).對(duì)歷史潮水水位數(shù)據(jù)和潮水到達(dá)時(shí)間數(shù)據(jù)進(jìn)行歸一化處理；潮水水位數(shù)據(jù)的歸一化處理方法為利用公式<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mover> <mi>x</mi> <mo>^</mo></mover><mo>=</mo><mfrac> <mrow><mi>x</mi><mo>-</mo><msub> <mi>x</mi> <mi>min</mi></msub> </mrow> <mrow><msub> <mi>x</mi> <mi>max</mi></msub><mo>-</mo><msub> <mi>x</mi> <mi>min</mi></msub> </mrow></mfrac> </mrow>]]></math> id="icf0001" file="A2009101010810002C1.tif" wi="24" he="9" top= "145" left = "127" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中xmax為潮水水位數(shù)據(jù)中的最大值，xmin為潮水水位數(shù)據(jù)中的最小值；x為待處理的潮水水位數(shù)據(jù)， id="icf0002" file="A2009101010810002C2.tif" wi="2" he="5" top= "171" left = "75" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>為潮水水位數(shù)據(jù)歸一化處理后的值；潮水到達(dá)時(shí)間的歸一化處理方法為將格式為24小時(shí)制的時(shí)間數(shù)據(jù)的后兩位取出，除以60，得出的結(jié)果為時(shí)間值中的分鐘部分；將時(shí)間數(shù)據(jù)的前兩位取出，除以24，得出的結(jié)果為時(shí)間值中的小時(shí)部分步驟(4).訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；具體方法是a、設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差和用來(lái)顯示的訓(xùn)練步數(shù)；b、利用歸一化后的潮水水位數(shù)據(jù)按歷史日期順序，將從第一個(gè)數(shù)據(jù)開始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第一行，第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的第一行；從第二個(gè)數(shù)據(jù)開始的連續(xù)三個(gè)數(shù)據(jù)組成輸入矩陣P的第二行，相應(yīng)的第四個(gè)數(shù)據(jù)組成目標(biāo)矩陣T的第二行，以此類推；該兩矩陣均為N-3行，N為歷史數(shù)據(jù)長(zhǎng)度；利用歸一化后的潮水到達(dá)時(shí)間數(shù)據(jù)將分為小時(shí)和分鐘兩部分，按歷史日期順序，按照步驟b組成輸入矩陣P′和目標(biāo)矩陣T′，因此輸入矩陣每行為6個(gè)數(shù)據(jù)，目標(biāo)矩陣每行為2個(gè)數(shù)據(jù)；同樣，該兩矩陣均為N-3行，N為歷史數(shù)據(jù)長(zhǎng)度；c、利用輸入矩陣P和目標(biāo)矩陣設(shè)為T，通過(guò)調(diào)用train函數(shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行潮水水位數(shù)據(jù)訓(xùn)練直至收斂；利用輸入矩陣P′和目標(biāo)矩陣設(shè)為T′，通過(guò)調(diào)用train函數(shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行潮水到達(dá)時(shí)間數(shù)據(jù)訓(xùn)練直至收斂；步驟(5).對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，將用于測(cè)試的歷史數(shù)據(jù)按照步驟(4)b中的輸入矩陣格式，組成用于潮水水位預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣P_test以及用于潮水到達(dá)時(shí)間預(yù)測(cè)網(wǎng)絡(luò)測(cè)試的矩陣P′_test；然后直接調(diào)用Matlab工具箱中的sim函數(shù)，對(duì)測(cè)試輸入進(jìn)行仿真；步驟(6).反歸一化處理對(duì)測(cè)試所得的潮水水位數(shù)據(jù)按照如下公式進(jìn)行反歸一化處理，得到最終的潮水水位數(shù)據(jù)x′，<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msup> <mi>x</mi> <mo>′</mo></msup><mo>=</mo><msup> <mover><mi>x</mi><mo>^</mo> </mover> <mo>′</mo></msup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>max</mi> </msub> <mo>-</mo> <msub><mi>x</mi><mi>min</mi> </msub> <mo>)</mo></mrow><mo>+</mo><msub> <mi>x</mi> <mi>min</mi></msub><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2009101010810003C1.tif" wi="41" he="8" top= "207" left = "33" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中 id="icf0004" file="A2009101010810003C2.tif" wi="2" he="6" top= "208" left = "88" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>為仿真測(cè)試得到的潮水水位數(shù)據(jù)，xmax為潮水水位數(shù)據(jù)中的最大值，xmin為潮水水位數(shù)據(jù)中的最小值；測(cè)試所得的潮水到達(dá)時(shí)間數(shù)據(jù)為小時(shí)部分和分鐘部分，將小時(shí)部分乘以24所得值設(shè)為A，將分鐘部分乘以60所得值設(shè)為B，則A×100+B即為測(cè)試所得潮水到達(dá)時(shí)間值。
全文摘要
本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的潮水水位和時(shí)間預(yù)測(cè)方法。經(jīng)驗(yàn)式的預(yù)報(bào)往往具有較大的誤差。本發(fā)明具體步驟是首先搭建BP神經(jīng)網(wǎng)絡(luò)框架；然后初始化BP神經(jīng)網(wǎng)絡(luò)框架，利用隨機(jī)函數(shù)產(chǎn)生的值賦值給權(quán)值和偏置值，調(diào)用init函數(shù)來(lái)初始化整個(gè)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)；對(duì)歷史潮水水位數(shù)據(jù)和潮水到達(dá)時(shí)間數(shù)據(jù)進(jìn)行歸一化處理；訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試；最后利用反歸一化處理后得到預(yù)測(cè)值。本發(fā)明利用歷史潮水水位數(shù)據(jù)和歷史潮水到達(dá)時(shí)間數(shù)據(jù)預(yù)測(cè)得到數(shù)據(jù)精度優(yōu)于傳統(tǒng)潮水預(yù)測(cè)方法。
文檔編號(hào)G06N3/02GK101625733SQ20091010108
公開日2010年1月13日 申請(qǐng)日期2009年8月3日 優(yōu)先權(quán)日2009年8月3日
發(fā)明者峰 吳, 張作一, 王建中, 王瑞榮, 薛安克, 鄒洪波 申請(qǐng)人:杭州電子科技大學(xué)