一种用于冷源致灾物灾害预测的深度学习改进算法

摘要

本发明公开了一种用于冷源致灾物灾害预测的深度学习改进算法，该算法包括：对影响冷源致灾物灾害关联因素进行统计分类，运用数据归一化函数将多源异构数据进行归一化处理，获得分组样本数据；建立深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；预估冷源致灾物灾害等级。本发明通过采用深度学习的改进算法，有效提高了网络学习效率，同时降低了预测的误差收敛率，很好地解决了非线性、时变性和不确定性并存的海洋致灾物灾害预测问题。

说明书

技术领域

本发明属于海洋灾害预警技术领域，具体涉及一种用于冷源致灾物灾害预测的深度学习改进算法。

背景技术

近年来，随着海洋环境变化，大量垃圾、水母、鱼类、海藻、海草等随潮汐、风浪至滨海核电厂冷源取水口，严重时将导致核电厂机组降功率运行甚至停堆。为减小海洋异物对滨海核电厂的安全运行造成的威胁，滨海核电厂取水口周边海域灾害预测已成为核电厂冷源安全亟待解决的问题。

发明内容

本发明的目的在于提供一种用于冷源致灾物灾害预测的深度学习改进算法，根据多源采集数据可以准确地预测出潜在影响滨海核电厂致灾海灾害等级，更好地满足了滨海核电厂取水口潜在风险的早期预测。

本发明的技术方案是这样实现的：

一种用于冷源致灾物灾害预测的深度学习改进算法，包括以下步骤：

1）收集已发生冷源致灾物灾害历史样本数据，历史样本数据包括发生致灾物灾害的具体时间，以及每次发生灾害时一段时间内对应的多源异构关联因子数据，对样本数据进行归类汇总；

2）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；

3）构建深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；

4）通过将待预测区域某段时期的多源异构关联因子数据代入确定的网络模型，获得灾害显著水平值V，根据不同V值所在区间进行对应的预警等级划分。

进一步的技术方案是，所述样本数据主要包括致灾物灾害关联因素（季节、温度、风速、风向、波高、洋流、台风到达时间）。

进一步的技术方案是，所述数据归一化处理函数为：

其中，x

进一步的技术方案是，所述深度信念网络包括以下步骤：

1）根据节点选取经验公式来确定隐含层神经元的个数，隐含节点数估计公式为：

其中，num为隐含层神经元个数，k为样本输入特征维数，l为样本输出特征维数，c是在[0，10]区间的整数；

2）在步骤1）的基础上，采用显示层和隐含层均服从伯努利分布的RBM能量函数为：

其中：

3）根据RBM结构性质可知，对于给定的可见单元和各个隐含层单元的激活状态之间是相互独立的，第j个隐含层单元和第i个可见单元激活状态的条件概率分别为：

其中

4）采用对比散度算法逐层求解步骤3）的对数似然函数的负梯度来获得每层RBM的θ最优解，即L(θ)对各个参数的偏导数，则其参数更新规则:

其中：L(θ)是训练样本的似然函数，ε是学习率；

5）根据步骤4）为加速梯度沿着尺寸下降学习，并提高误差精度，引入动量改进算法，其新的更新规则为：

其中τ=1，2，……为迭代次数；α为动量参数且0≤α<1；Δθ={Δw

6）循环步骤5），进行下一组样本数据的训练，直至所有样本数据训练完成为止。

本发明的有益效果在于：

1、利用样本数据，通过深度信念网络迭代训练，搭建海洋灾害预测模型，提高滨海核电厂取水口海洋灾害预测精度。

2、改进算法通过添加动量项后使本次参数值修改的方向不完全由当前样本似然函数梯度方向决定，而是由前期累计梯度方向共同决定，两者梯度方向相同时加速训练过程，方向相反时降低单个样本对网络引起的震荡，提高系统稳定性。

3、改进算法在梯度计算之前施加动量校正因子，提高了动量误差收敛率，其精度由1/k提高至1/k2。

4、通过对滨海核电厂取水口海洋致灾物灾害显著水平值V的预估，发布对应等级的灾害级别，获得直观的灾害威胁程度。

5、本发明可应用于各种海洋地理环境，根据各滨海核电厂不同的监测样本数据得到该厂址相应的网络映射结构，网络适应性强。

附图说明

图1为本发明的网络流程图；

图2为传统算法与改进算法网络误差对比曲线。

具体实施方式

为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。

参见图1至图2，本发明提供的一种用于冷源致灾物灾害预测的深度学习改进算法，主要包括以下步骤：

1）根据已知海洋灾害样本数据，对影响滨海核电厂海洋致灾物的因素进行权重分析，构建滨海核电厂海洋致灾物灾害预测模型；

2）收集已有滨海核电厂海洋灾害样本数据，对样本数据进行归类汇总，如表1所示；

表1 样本数据汇总

4）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；

具体的，将表1中n组样本数据运用数据归一化函数批量处理，所述数据归一化处理函数为：

其中，x

表2部分样本数据归一化统计表

5）构建4层网络结构的深度信念改进算法网络，将多组样本数据进行数据的反复迭代训练，得到滨海核电厂海洋致灾物灾害预测模型，该模型利用已有的多组样本数据预测灾害显著水平值V，当0

6）采用传统网络和改进网络模型训练，对比两种方法，其中改进算法可以获得更高的预测精度，如图2所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。