一种基于改进神经网络的环境噪声预测方法及系统技术方案

本发明专利技术涉及数据挖掘技术领域，具体涉及一种基于改进神经网络的环境噪声预测方法及系统，本发明专利技术首先抽取出环境噪声数据，划分出训练数据集和测试数据集，随机生成种群，基于启发式因子得到当前排斥因子，将当前排斥因子融合到正弦余弦操作中生成新个体，并适应性地更新排斥因子，本发明专利技术应用改进神经网络来预测环境噪声，利用基于排斥机制的正弦余弦算法来优化设计预测环境噪声的神经网络模型的参数，通过利用适应性的排斥因子促使得种群中的个体远离较差个体，能够增强算法的搜索效率，从而提升预测环境噪声神经网络模型的精度，本发明专利技术训练得到的环境噪声预测模型能够提高环境噪声的预测精度。声的预测精度。声的预测精度。

【技术实现步骤摘要】
一种基于改进神经网络的环境噪声预测方法及系统


[0001]本专利技术涉及数据挖掘
，具体涉及一种基于改进神经网络的环境噪声预测方法及系统。

技术介绍

[0002]随着生活水平的提高，人们越来越重视生活环境的舒适性。环境噪声是影响生活环境舒适性的一个重要因素。为了更好地监测环境噪声，许多城市都在各个地方安装了环境噪声监测设备。利用环境噪声监测设备可以较方便、实时地采集各个地方的环境噪声数据。随着环境噪声数据的积累，研究人员尝试利用数据挖掘技术对所积累的环境噪声数据进行分析，实现从多个层面上掌握城市中各个区域的环境噪声污染状况。
[0003]环境噪声的预测是环境噪声数据分析的一项重要技术。为了实现环境噪声的预测，研究人员需要分析一个区域中的历史环境噪声数据，从而把握该区域内环境噪声的变化规律，然后根据得到的规律预测出该区域在未来时刻的环境噪声污染情况。神经网络是一种模拟人脑处理信息的人工智能方法，它在许多工程预测的应用中取得了一定的效果。然而，传统神经网络应用于环境噪声的预测时容易出现陷入局部最优，预测精度不足的缺点。

技术实现思路

[0004]本专利技术目的在于提供一种基于改进神经网络的环境噪声预测方法及系统，以在一定程度上克服了传统神经网络应用于环境噪声的预测时容易出现陷入局部最优，预测精度不足的缺点，从而提高环境噪声的预测精度。
[0005]为了实现上述目的，本专利技术提供以下技术方案：
[0006]第一方面，本专利技术实施例提供了一种基于改进神经网络的环境噪声预测方法，所述方法包括以下步骤：
[0007]步骤1，获取环境噪声数据集；
[0008]步骤2，输入种群大小NSize和最大搜索代数MaxG；
[0009]步骤3，确定用于预测环境噪声的神经网络模型，设置所述神经网络模型的优化设计参数的数量ND；
[0010]步骤4，设置当前搜索代数t＝0；
[0011]步骤5，随机生成种群NPop＝{NA1,NA2,...,NA
ni
,...,NA
NSize
}，其中，NA
ni
表示种群中的第ni个个体，个体下标ni＝1,2,...,NSize；个体NA
ni
存储有所述神经网络模型中的ND个优化设计参数；
[0012]步骤6，基于环境噪声数据集计算种群NPop中每个个体的适应值，将种群NPop中适应值最小的个体记为最优个体BNA，将种群NPop中适应值最大的个体记为最差个体WNA；
[0013]步骤7，设置排斥因子EF
ni
，其中，EF
ni
＝rand(0,1)，rand表示随机实数产生函数；
[0014]步骤8，根据公式(1)计算启发式因子IF：
[0015][0016]其中，sin表示正弦函数；cos表示余弦函数；π表示圆周率；kc表示衰减中心；
[0017]步骤9，根据公式(2)计算当前排斥因子CF
ni
：
[0018][0019]其中，pcr为[0,1]之间的随机实数；RW为[0,0.5]之间的随机实数；
[0020]步骤10，随机产生一个[0,1]之间的实数pes；
[0021]步骤11，如果pes小于0.5，则转到步骤12，否则转到步骤13；
[0022]步骤12，根据公式(3)执行基于排斥机制的正弦操作产生新个体NU
ni
后，转到步骤14；
[0023]NU
ni
＝NA
ni
+NK1
×
sin(NK2)
×
|NK3
×
BNA
‑
NA
ni
|
‑
CF
ni
×
(WNA
‑
NA
ni
)
ꢀꢀꢀ
(3)；
[0024]其中，NK2为[0,2
×
π]之间的随机实数；NK3为[0,2]之间的随机实数；
[0025]步骤13，根据公式(4)执行基于排斥机制的余弦操作产生新个体NU
ni
后，转到步骤14；
[0026]NU
ni
＝NA
ni
+NK1
×
cos(NK2)
×
|NK3
×
BNA
‑
NA
ni
|
‑
CF
ni
×
(WNA
‑
NA
ni
)
ꢀꢀꢀ
(4)；
[0027]步骤14，基于环境噪声数据集计算新个体NU
ni
的适应值；
[0028]步骤15，确定新个体NU
ni
的适应值是否小于个体NA
ni
的适应值，若是，则在种群中利用新个体NU
ni
替换个体NA
ni
；否则在种群中保持个体NA
ni
不变；
[0029]步骤16，按照公式(5)更新排斥因子EF
ni
：
[0030][0031]步骤17，从步骤15得到的种群中找出适应值最小的个体，并以此更新最优个体BNA，从步骤15得到的种群中找出适应值最大的个体，并以此更新最差个体WNA；
[0032]步骤18，设置当前搜索代数t＝t+1；
[0033]步骤19，如果当前搜索代数t大于MaxG，则转到步骤20，否则转到步骤8；
[0034]步骤20，从最优个体BNA中提取出所述神经网络模型的ND个优化设计参数，利用得到的ND个优化设计参数构建环境噪声预测模型；
[0035]步骤21，利用所述环境噪声预测模型进行环境噪声的预测。
[0036]进一步，所述环境噪声数据集通过以下方式确定：
[0037]步骤101，从环境监测系统中抽取出环境噪声数据；
[0038]步骤102，对抽取出的环境噪声数据进行预处理，得到环境噪声数据集。
[0039]进一步，所述用于预测环境噪声的神经网络模型为三层感知机神经网络。
[0040]进一步，所述适应值的计算方法为：
[0041]对于种群中的第ni个个体NA
ni
，从个体NA
ni
中提取出其存储的神经网络模型的ND
个优化设计参数，利用得到的ND个优化设计参数构建个体NA
ni
的神经网络模型NModel
ni
，计算个体NA
ni
的神经网络模型NModel
ni
在环境噪声数据集上的均方误差NER
ni
，将个体NA
ni
的适应值设置为NER
ni
；其中，所述个体NA
ni
的神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进神经网络的环境噪声预测方法，其特征在于，所述方法包括以下步骤：步骤1，获取环境噪声数据集；步骤2，输入种群大小NSize和最大搜索代数MaxG；步骤3，确定用于预测环境噪声的神经网络模型，设置所述神经网络模型的优化设计参数的数量ND；步骤4，设置当前搜索代数t＝0；步骤5，随机生成种群NPop＝{NA1,NA2,...,NA
ni
,...,NA
NSize
}，其中，NA
ni
表示种群中的第ni个个体，个体下标ni＝1,2,...,NSize；个体NA
ni
存储有所述神经网络模型中的ND个优化设计参数；步骤6，基于环境噪声数据集计算种群NPop中每个个体的适应值，将种群NPop中适应值最小的个体记为最优个体BNA，将种群NPop中适应值最大的个体记为最差个体WNA；步骤7，设置排斥因子EF
ni
，其中，EF
ni
＝rand(0,1)，rand表示随机实数产生函数；步骤8，根据公式(1)计算启发式因子IF：其中，sin表示正弦函数；cos表示余弦函数；π表示圆周率；kc表示衰减中心；步骤9，根据公式(2)计算当前排斥因子CF
ni
：其中，pcr为[0,1]之间的随机实数；RW为[0,0.5]之间的随机实数；步骤10，随机产生一个[0,1]之间的实数pes；步骤11，如果pes小于0.5，则转到步骤12，否则转到步骤13；步骤12，根据公式(3)执行基于排斥机制的正弦操作产生新个体NU
ni
后，转到步骤14；NU
ni
＝NA
ni
+NK1
×
sin(NK2)
×
|NK3
×
BNA
‑
NA
ni
|
‑
CF
ni
×
(WNA
‑
NA
ni
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；其中，NK2为[0,2
×
π]之间的随机实数；NK3为[0,2]之间的随机实数；步骤13，根据公式(4)执行基于排斥机制的余弦操作产生新个体NU
ni
后，转到步骤14；NU
ni
＝NA
ni
+NK1
×
cos(NK2)
×
|NK3
×
BNA
‑
NA
ni
|
‑
CF
ni
×
(WNA
‑
NA
ni
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；步骤14，基于环境噪声数据集计...

【专利技术属性】
技术研发人员：谭力江，黄文俊，郭肇禄，喻骏，
申请(专利权)人：广东奥博信息产业股份有限公司，
类型：发明
国别省市：