本發明涉及(ji)(ji)數(shu)據(ju)處理領域,尤其涉及(ji)(ji)一(yi)種鹽度(du)預測模型的構建方法及(ji)(ji)系(xi)統,以(yi)及(ji)(ji)基(ji)于(yu)所述鹽度(du)預測模型進行(xing)的鹽度(du)預測方法及(ji)(ji)系(xi)統。
背景技術:
1、咸(xian)潮(chao)(chao)入侵是潮(chao)(chao)汐河(he)口地區常見(jian)的(de)自然(ran)現(xian)(xian)象。近年(nian)來由于氣候變(bian)化(hua)和(he)人(ren)類活動(dong)的(de)影(ying)響,使(shi)得河(he)口咸(xian)潮(chao)(chao)上溯日趨嚴峻,嚴重威脅沿海城(cheng)市(shi)供水(shui)安全及(ji)河(he)口生(sheng)態系統(tong)穩定。鹽度的(de)升高(gao)不(bu)僅會對(dui)城(cheng)市(shi)用(yong)水(shui)供應、農業和(he)工(gong)業生(sheng)產(chan)造(zao)成破壞(huai),而且還使(shi)潮(chao)(chao)汐河(he)流的(de)水(shui)質(zhi)惡化(hua)和(he)生(sheng)態系統(tong)遭到(dao)破壞(huai),甚至(zhi)對(dui)于水(shui)源地濕(shi)地也存在相當大(da)的(de)影(ying)響。開展鹽水(shui)入侵的(de)研究可以實現(xian)(xian)對(dui)鹽度的(de)快速預報,有迫切且重要(yao)的(de)現(xian)(xian)實意義。
2、現有的(de)(de)鹽度(du)(du)預(yu)測(ce)模(mo)型(xing)(xing)主要分為(wei)兩種方案:一是(shi)基(ji)于鹽度(du)(du)變化動力(li)學過程建(jian)立(li)的(de)(de)水動力(li)鹽度(du)(du)數值模(mo)型(xing)(xing);二是(shi)以單一神經網絡模(mo)型(xing)(xing)為(wei)基(ji)礎,通(tong)過分析鹽度(du)(du)與其影(ying)響因素之間(jian)關系建(jian)立(li)的(de)(de)數據(ju)驅動模(mo)型(xing)(xing)。
3、對于水動力鹽(yan)度數值模型(xing),需要大量關(guan)于徑流、潮(chao)汐、風、河床地形等邊(bian)界或(huo)(huo)初(chu)始條件(jian)的詳細(xi)信息來構建模型(xing)或(huo)(huo)驗證參數,其(qi)過程機理(li)復(fu)雜,計算時(shi)間比較長,并且不能實現快(kuai)速預(yu)報。
4、對于數據驅動模型,模型的預測(ce)能(neng)力(li)與(yu)泛(fan)化能(neng)力(li)難以達到最佳(jia)狀(zhuang)態。
技術實現思路
1、本發明針對現有使(shi)用單一(yi)(yi)神經(jing)網(wang)絡(luo)進行鹽(yan)度(du)預(yu)測(ce)的技(ji)術(shu)所存在的無法(fa)(fa)確認最優超(chao)參數、無法(fa)(fa)降低噪聲干擾的問(wen)題,提供了一(yi)(yi)種基于ceemdan-iaoa-gru的鹽(yan)度(du)預(yu)測(ce)模型的構建(jian)方(fang)法(fa)(fa),以及(ji)一(yi)(yi)種基于所構建(jian)的鹽(yan)度(du)預(yu)測(ce)模型所進行的鹽(yan)度(du)預(yu)測(ce)方(fang)法(fa)(fa)。
2、ceemdan,自適應(ying)噪聲完全集成經驗模(mo)態分解(jie);
3、iaoa,improve?arithmetic?optimization?algorithm,改進的(de)算術優化方法;
4、gru,gate?recurrent?unit,門控循環單元(yuan)。
5、為了解(jie)決(jue)上述(shu)(shu)技(ji)術問題,本發明通過下述(shu)(shu)技(ji)術方案得(de)以解(jie)決(jue):
6、一種鹽度預測模型的構建方法,包(bao)括(kuo)以下步驟:
7、基于ceemdan算(suan)法(fa)對各(ge)歷史鹽度時間序列進行分解,生(sheng)成(cheng)相應(ying)的樣本數據,所述樣本數據包括殘差項和若(ruo)干個模態分量;
8、基于iaoa算法(fa)對gru網絡(luo)進行參(can)數(shu)尋優,獲得(de)相應的超(chao)參(can)數(shu)數(shu)據,并基于所(suo)述超(chao)參(can)數(shu)數(shu)據對所(suo)述gru網絡(luo)進行配置,獲得(de)鹽(yan)度預測網絡(luo);
9、基(ji)于所述樣本(ben)數據(ju)對所述鹽(yan)度預(yu)測網絡進行訓練,獲得相(xiang)應(ying)的鹽(yan)度預(yu)測模型。
10、作(zuo)為一種可實施方式:
11、基于(yu)(yu)所述歷(li)史鹽度時(shi)(shi)間(jian)序列進(jin)行若(ruo)干次經(jing)驗(yan)模態(tai)分(fen)解,每個分(fen)解階段獲得一相應(ying)的模態(tai)分(fen)量(liang),完成分(fen)解時(shi)(shi),基于(yu)(yu)所述歷(li)史鹽度時(shi)(shi)間(jian)序列和各模態(tai)分(fen)量(liang)計算獲得相應(ying)的殘(can)差(cha)項;
12、分解過程包(bao)括以下步驟:
13、獲取(qu)當(dang)前(qian)分解階(jie)段(duan)的原(yuan)始(shi)信(xin)號,初始(shi)階(jie)段(duan)所對應的原(yuan)始(shi)信(xin)號為(wei)所述歷(li)史鹽(yan)度時(shi)間序(xu)列;
14、對所述原始(shi)信號添加若干種高斯白(bai)噪聲,獲得(de)若干個預處理(li)序列;
15、對各預處理序列進行經驗模態分(fen)解(jie),將分(fen)解(jie)所得的(de)分(fen)量(liang)的(de)均值(zhi)作為(wei)當前分(fen)解(jie)階(jie)段的(de)模態分(fen)量(liang);
16、將所(suo)述(shu)原始信(xin)號和所(suo)述(shu)模態(tai)分(fen)量(liang)做差(cha)獲得相應(ying)的殘(can)差(cha)序列(lie),并(bing)將所(suo)述(shu)殘(can)差(cha)序列(lie)作為下一分(fen)解階段所(suo)對應(ying)的原始信(xin)號。
17、作為一(yi)種可實施方(fang)式:
18、第(di)m個模態分量cm(t)的計(ji)算(suan)公式(shi)如下:
19、
20、其中:
21、m>1,m表示當前分解階段為第m個分解階段;
22、n表示n種高斯白噪(zao)聲;
23、e1(·)表示對(dui)相應信號進行經驗模態分(fen)解所得(de)第1個模態分(fen)量;
24、em-1(·)表示對相(xiang)應信號進行經驗模態(tai)分解所(suo)得(de)第m-1個(ge)模態(tai)分量;
25、rm-1(t)表示上一分(fen)解階段(duan)所(suo)得(de)的殘差(cha)序列,當(dang)前分(fen)解階段(duan)所(suo)對應(ying)的原始信號(hao);
26、εm-1(t)表(biao)示當前分解階(jie)段向(xiang)原始信號(hao)rm-1(t)添加高斯白(bai)噪聲所對應的幅度值系數;
27、δn(t)表示所添加的(de)第(di)n種(zhong)高斯白噪聲。
28、作為一種(zhong)可(ke)實施方式:
29、超(chao)參(can)數(shu)(shu)數(shu)(shu)據包括學習率、批(pi)次大小、迭代次數(shu)(shu)、隱含層神經元個(ge)數(shu)(shu)和全連接層神經元個(ge)數(shu)(shu);
30、基于所述樣(yang)本數據初始化種群(qun)參數后(hou)進行迭(die)代計算,獲(huo)得相應的(de)全局最優位(wei)置,獲(huo)得相應的(de)超參數數據;
31、迭(die)代過程包括以(yi)下(xia)步驟:
32、基于當前迭(die)代(dai)次數(shu)和最大(da)迭(die)代(dai)次數(shu),數(shu)學優化加速(su)器的(de)最大(da)值和最小值,計算(suan)獲(huo)得自適應系數(shu);
33、當第一隨機(ji)數大于所述自(zi)適應系(xi)數時,進入勘探(tan)階段,基于乘法算(suan)子和除法算(suan)子計(ji)算(suan)獲得(de)相應的(de)第一位置(zhi)數據;
34、當第一隨機(ji)數(shu)小于(yu)等于(yu)所述自適應(ying)系數(shu)時(shi),進(jin)入開發階段,基(ji)于(yu)加(jia)法算(suan)子和減法算(suan)子計算(suan)獲得相(xiang)應(ying)的第一位(wei)置數(shu)據;
35、計算所(suo)述第一位置(zhi)數據的(de)適應度值,基于所(suo)得適應度值更新全局最優(you)位置(zhi);
36、對全局最優位置(zhi)進行自適應t分布(bu)變異,獲得第二位置(zhi)數據;
37、計算所述第二位(wei)置數據的適應度值,基于(yu)所得(de)適應度值更(geng)新全局最優位(wei)置。
38、作(zuo)為一種(zhong)可實施(shi)方式:
39、所(suo)述自適應系數cmoa的計算公式為:
40、
41、其中:
42、c_iter表示當前迭代次數(shu);
43、m_iter表(biao)示(shi)最大迭代次數;
44、max表示數學優化加速器(qi)的最大(da)值(zhi);
45、min表示(shi)數學優化加速器的最小值。
46、作為一種可實(shi)施方式,對全(quan)局最優位(wei)置進行自適應t分布(bu)變異(yi),獲得第(di)二位(wei)置數據的計算公式為:
47、
48、其中:
49、為第二位(wei)置(zhi)數據(ju),其表示自適(shi)應(ying)t分布(bu)變異擾動后最優解在第j維的位(wei)置(zhi);
50、為變異擾動前最優解在(zai)第j維的位置;
51、當前(qian)迭代次數(shu)c_iter作為自(zi)適應(ying)t分布(bu)的(de)自(zi)由度參數(shu)。
52、作(zuo)為(wei)一(yi)種可(ke)實施方(fang)式:
53、勘(kan)探階段基(ji)于乘法(fa)算(suan)子和除法(fa)算(suan)子計算(suan)第一位置數據的公(gong)式(shi)為:
54、
55、其中:
56、xi,j(c_iter+1)為第一(yi)位置(zhi)數據,其表(biao)示(shi)下次迭(die)代過程中第i個解(jie)在第j維的位置(zhi);
57、r2為第(di)二隨機(ji)數,其(qi)服從[0,1]均勻分(fen)布(bu);
58、best(xj)表示(shi)當(dang)前最佳解在(zai)第(di)j維的(de)位置(zhi);
59、mop表示數(shu)(shu)學優化(hua)器(qi)系數(shu)(shu);
60、ε表(biao)示(shi)最小(xiao)常(chang)數,用(yong)于(yu)防止分母(mu)為0;
61、ubj表示(shi)第i維上最優值的上界值;
62、lbj表示(shi)第i維(wei)上最優值(zhi)的下(xia)界值(zhi);
63、μ為控制參數;
64、開發(fa)階段基于加法算(suan)子(zi)和減法算(suan)子(zi)計(ji)算(suan)第(di)二位置數據(ju)的公式為:
65、
66、其中:
67、r3為第(di)三(san)隨機數,其服從[0,1]均勻分布(bu);
68、μ為隨機參數。
69、一(yi)種鹽(yan)度預測模型的構建系(xi)統,包括:
70、分(fen)(fen)解(jie)模塊(kuai),用于基于ceemdan算法對各(ge)歷史鹽度時(shi)間序列進行分(fen)(fen)解(jie),生成相應的樣本數據,所(suo)述樣本數據包括殘差項和若(ruo)干個模態分(fen)(fen)量;
71、優化(hua)模(mo)塊,用于(yu)基(ji)于(yu)iaoa算法對gru網絡(luo)進行參(can)(can)數(shu)尋優,獲(huo)得(de)相(xiang)應的超(chao)參(can)(can)數(shu)數(shu)據(ju),并基(ji)于(yu)所述(shu)超(chao)參(can)(can)數(shu)數(shu)據(ju)對所述(shu)gru網絡(luo)進行配(pei)置(zhi),獲(huo)得(de)鹽度預(yu)測網絡(luo);
72、訓練模塊(kuai),用于基(ji)于所述樣本數據對所述鹽度預測(ce)網絡進行訓練,獲得(de)相應的鹽度預測(ce)模型。
73、一種鹽度預測方法(fa),包括以下步(bu)驟:
74、基于ceemdan算法對目標鹽度時間(jian)序列進行分(fen)解,生(sheng)成相應的待(dai)處理數(shu)據(ju),所述待(dai)處理數(shu)據(ju)包括殘(can)差項和若(ruo)干(gan)個模態分(fen)量;
75、對所述待處(chu)理(li)數(shu)據進行歸一化處(chu)理(li),獲得輸入數(shu)據;
76、將(jiang)所(suo)(suo)述(shu)(shu)輸(shu)入數據輸(shu)入鹽(yan)(yan)(yan)度(du)預測模型,由所(suo)(suo)述(shu)(shu)鹽(yan)(yan)(yan)度(du)預測模型輸(shu)出(chu)相應的輸(shu)出(chu)數據,所(suo)(suo)述(shu)(shu)鹽(yan)(yan)(yan)度(du)預測模型為(wei)上述(shu)(shu)任意一(yi)項方法(fa)所(suo)(suo)構建的鹽(yan)(yan)(yan)度(du)預測模型;
77、對所(suo)(suo)述輸出數(shu)(shu)據(ju)進行反歸一化處理,獲得相應的(de)預(yu)測數(shu)(shu)據(ju),所(suo)(suo)述預(yu)測數(shu)(shu)據(ju)包括與(yu)所(suo)(suo)述殘(can)差(cha)項相對應的(de)殘(can)差(cha)預(yu)測項,還(huan)包括與(yu)各模態分(fen)量一一對應的(de)分(fen)量預(yu)測值;
78、將所(suo)述殘差預測(ce)(ce)項(xiang)和各分(fen)量預測(ce)(ce)項(xiang)進(jin)行疊加處理,獲得相應的鹽(yan)度(du)預測(ce)(ce)序列。
79、一種鹽度預測系(xi)統(tong),包括(kuo):
80、分(fen)(fen)(fen)解單元,用于(yu)基于(yu)ceemdan算法對目標鹽度時間(jian)序列進行(xing)分(fen)(fen)(fen)解,生成相(xiang)應(ying)的待處理數(shu)據(ju),所述待處理數(shu)據(ju)包括殘差項和若干(gan)個模態(tai)分(fen)(fen)(fen)量;
81、歸(gui)一化(hua)單(dan)元,用于對所述待處(chu)理數據進行歸(gui)一化(hua)處(chu)理,獲得輸入(ru)數據;
82、預(yu)(yu)測(ce)單(dan)元,用于(yu)將所述(shu)(shu)輸(shu)(shu)(shu)入(ru)數據(ju)(ju)輸(shu)(shu)(shu)入(ru)鹽度預(yu)(yu)測(ce)模(mo)型(xing),由所述(shu)(shu)鹽度預(yu)(yu)測(ce)模(mo)型(xing)輸(shu)(shu)(shu)出相應的(de)輸(shu)(shu)(shu)出數據(ju)(ju),所述(shu)(shu)鹽度預(yu)(yu)測(ce)模(mo)型(xing)為如上述(shu)(shu)任意一項方法(fa)所構(gou)建的(de)鹽度預(yu)(yu)測(ce)模(mo)型(xing);
83、反歸一(yi)化單元,用于(yu)對(dui)(dui)所(suo)述輸出數據進行(xing)反歸一(yi)化處理,獲(huo)得相應的預(yu)測(ce)數據,所(suo)述預(yu)測(ce)數據包括與所(suo)述殘差(cha)項相對(dui)(dui)應的殘差(cha)預(yu)測(ce)項,還包括與各(ge)模態分量(liang)一(yi)一(yi)對(dui)(dui)應的分量(liang)預(yu)測(ce)值;
84、疊加(jia)單元,用于將所述殘(can)差預測項和各(ge)分量(liang)預測項進行疊加(jia)處(chu)理,獲得相(xiang)應的(de)鹽度預測序列(lie)。
85、本發明由于采用了以上技術方案,具有顯著的技術效果(guo):
86、本(ben)發明運用ceemdan算法,可(ke)有效(xiao)降低數據(ju)中的(de)(de)噪聲干擾,提高預(yu)(yu)測(ce)精(jing)度;同時利用iaoa計算出gru模型的(de)(de)最優超參數組合(he)(he),可(ke)以有效(xiao)避免(mian)過擬合(he)(he),提高所構建的(de)(de)鹽度預(yu)(yu)測(ce)模型的(de)(de)泛化(hua)能力。