基于多变量信息及径向基函数网络的垃圾产生量预测方法技术
Prediction method of garbage production based on multivariate information and radial basis function network
Multivariate information and RBF network prediction method based on the amount of waste generated, which comprises the following steps: 1) to refuse production factors; 2) to determine the amount of waste generated by multi variable factors based on radial basis function network; 3) a preliminary prediction based on the amount of waste generated; 4) error correction prediction of the amount of garbage generated reverse.
【技术实现步骤摘要】
基于多变量信息及径向基函数网络的垃圾产生量预测方法
本专利技术涉及垃圾产生量预测方法。
技术介绍
近年我国经济迅猛发展，人们的生活消费水平也随之大大提高，不过人们日常生活垃圾量伴随着人们生活消费水平的提高呈现逐渐递增的趋势，甚至出现了“垃圾围城”的现象。对垃圾产生量的有效预测能够帮助环卫部门制定合理的环卫决策，因此，对垃圾产生量的预测具有现实意义。垃圾产生量影响因素的确定会直接影响垃圾产生量预测结果，所以影响因素的确定是非常关键的。通常可以通过分析相关性进行变量选择。多变量信息基于信息熵理论，既能描述线性关系，又能描述变量间的非线性关系，且其能够同时衡量相关性和冗余性。常见的预测方法有多元线性回归分析法、灰色系统模型、组合预测法等，这些方法由于没考虑相关因素的变动对预测模型的影响，导致预测精度不太高。多元线性回归分析方法容易出现多重共线性导致预测失真。神经网络预测方法具有良好的非线性映射能力及自适应、自学习和良好的泛化能力。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种基于多变量信息及径向基函数网络的有效的垃圾产生量预测算法，既考虑影响因素与垃圾产生量之...
【技术保护点】
基于多变量信息及径向基函数网络的垃圾产生量预测方法，包括以下步骤：1)、拟定垃圾产生量影响因素；2)、基于多变量信息确定垃圾产生量影响因素；过程如下：(2.1)输入训练数据集训练数据集U＝D(F,C),其中F表示所有的输入变量，C表示类变量；(2.2)初始化选择特征集S＝φ，S为选择特征集，φ为空集；(2.3)确定首个特征变量；计算所有输入变量与类变量的互信息I(fi；C)，fi∈F，选择使互信息I(fi；C)达到最大值的输入变量fi，将该输入变量加入到特征集中S＝S+{fi}，并从输入集剔除F＝F‑{fi}；(2.4)遍历F中的所有元素，计算该元素fi与特征集S及类变量C...
【技术特征摘要】
1.基于多变量信息及径向基函数网络的垃圾产生量预测方法，包括以下步骤：1)、拟定垃圾产生量影响因素；2)、基于多变量信息确定垃圾产生量影响因素；过程如下：(2.1)输入训练数据集训练数据集U＝D(F,C),其中F表示所有的输入变量，C表示类变量；(2.2)初始化选择特征集S＝φ，S为选择特征集，φ为空集；(2.3)确定首个特征变量；计算所有输入变量与类变量的互信息I(fi；C)，fi∈F，选择使互信息I(fi；C)达到最大值的输入变量fi，将该输入变量加入到特征集中S＝S+{fi}，并从输入集剔除F＝F-{fi}；(2.4)遍历F中的所有元素，计算该元素fi与特征集S及类变量C间的多变量信息I(fi；S；C)，满足maxI(fi；S；C)＞βI(S；C)，β是用户自定义量，则选择该fi，S＝S+{fi}，F＝F-{fi}；(2.5)循环步骤(2.4)直至不存在元素fi；(2.6)输出选择特征集S；3)、基于径向基函数网络初步预测垃圾产生量；过程如下：(3.1)样本输入；(3.2)采用最小-最大变化进行数据预处理；(3.3)初始化径向基函数网络隐藏层节点个数K；(3.4)采用K-means++聚类确定网络聚类中心点；(3.5)确定径向基函数扩展常数及初始化...
【专利技术属性】
技术研发人员：秦绪佳，徐菲，郑红波，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。