一种基于二次分解与回声状态网络的中长期径流预测方法技术

本发明专利技术公开了一种基于二次分解与回声状态网络（ESN）的中长期径流预测方法，属于径流预测技术领域。该方法包括：步骤一：获取径流序列

【技术实现步骤摘要】
一种基于二次分解与回声状态网络的中长期径流预测方法
本专利技术涉及一种基于二次分解与回声状态网络(ESN)的中长期径流预测方法，属于径流预测

技术介绍
目前径流预测方法使用较为广泛的是主要以人工神经网络为代表的人工智能方法，但传统的递归神经网络具有记忆渐消的缺点。因此，具有良好短期记忆功能、简单训练算法以及容易确定网络结构的ESN获得越来越多研究人员的关注。然而，径流序列的复杂性影响了ESN模型的参数率定及学习效率，单一模型不能充分挖掘并学习径流序列中所包含的全部信息，预测精度提升空间有限，从而出现了“分解-预测-重构”模式的组合预测方法，通过将径流序列分解成若干子序列的方式，简化原始径流序列。但这种模式仍有一定缺陷，分解出的最高频分量包含了原始径流序列的主要特征，具有波动强烈且振动幅值大的特点，序列仍较为复杂，导致最高频分量的预测精度不足，进而对整个径流序列预测效果产生较大的影响。因此，寻求新的组合模式来减小最高频分量预测误差，以期提高整体预测精度，已成为水文预报领域的热点问题。专利技术内容本专利技术本文档来自技高网...

【技术保护点】
1.一种基于二次分解与回声状态网络的中长期径流预测方法，其特征在于：包括以下步骤：/n步骤一：获取径流序列x(t)，根据径流序列的数据情况，将其分为训练样本和测试样本；/n步骤二：利用CEEMDAN将径流序列分解为若干IMF分量和一个Res；/n步骤三：使用VMD方法对频率最高的IMF分量进行二次分解，得到若干Mode；/n步骤四：将两次分解出的子序列分别输入ESN进行预测；/n步骤五：将各子序列的预测结果重构，得到最终径流序列预测值。/n

【技术特征摘要】
1.一种基于二次分解与回声状态网络的中长期径流预测方法，其特征在于：包括以下步骤：
步骤一：获取径流序列x(t)，根据径流序列的数据情况，将其分为训练样本和测试样本；
步骤二：利用CEEMDAN将径流序列分解为若干IMF分量和一个Res；
步骤三：使用VMD方法对频率最高的IMF分量进行二次分解，得到若干Mode；
步骤四：将两次分解出的子序列分别输入ESN进行预测；
步骤五：将各子序列的预测结果重构，得到最终径流序列预测值。


2.根据权利要求1所述的基于二次分解与回声状态网络的中长期径流预测方法，其特征在于：步骤二所述利用CEEMDAN将径流序列分解为若干IMF分量和一个Res，具体包括以下步骤：
(1)对原始径流序列x(t)添加服从标准正态分布的白噪声序列：
xm(t)＝x(t)+ε0σm(t)m＝1,2,…,M
式中，xm(t)为加入白噪声后的序列；ε0为适用于xm(t)的信噪比；M为集总次数，即实现M次经验模态分解EMD；σm(t)为服从标准正态分布的白噪声；
(2)对时间序列xm(t)进行M次EMD分解，并计算总体平均值，将其定义为原始信号的第一个IMF分量，即：



式中，cm为EMD分解得到的第m个IMF分量；c1为第一个IMF分量；
(3)计算一阶残差r1(t)：
r1(t)＝x(t)-c1(t)
(4)对一阶残差添加白噪声后再次进行EMD分解，求取平均值得到第二个IMF分量c2(t)：



式中，ε1为适用于r1(t)的信噪比；E1(·)为EMD算法产生第1个IMF分量的算子；
(5)对后面的每个阶段，k＝2,3,…,K得到的第k个余量信号rk(t)与第(3)步相同，再重复第(4)步计算第k+1个IMF分量，即：
rk(t)＝rk-1(t)-ck(t)



式中，εk为适用于rk(t)的信噪比；Ek(·)为EMD算法产生第k+1个IMF分量的算子；
(6)直至残差不能再分解，从而求得最终残差R(t)：



(7)则原始序列x(t)的表达式为：



式中，K代表在给定精度下原始序列分解出的IMF分量总个数。


3.根据权利要求1所述的基于二次分解与回声状态网络的中长期径流预测方法，其特征在于：步骤三所述使用VMD方法对频率最高的IMF分量进行二次分解，得到若干Mode，具体包括以下步骤：
(1)采用中心频率观察法确定VMD分解出的变分模态Mode的个数r，令r＝1,2,…,R，采用VMD对IMF中的最高频分量进行二次分解，若当r＝R+1时，VMD分解出的Mode中...

【专利技术属性】
技术研发人员：赵雪花，桑宇婷，吕晗芳，祝雪萍，蔡文君，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14