一种融合稀疏神经网络和量子核函数的径流预测方法技术

本发明专利技术涉及一种融合稀疏神经网络和量子核函数的径流预测方法，其步骤为：收集流域出口水文站逐日流量数据作为预报变量，同时收集预报变量影响因子数据，并划分训练集和测试集。基于稀疏神经网络，采用神经元归因方法进行特征选择。构建基于量子核函数的径流预测模型，并在训练集上进行模型训练及参数优化。在测试集上采用融合稀疏神经网络和量子核函数的径流预测模型进行流域出口水文站的径流预测，并选取评价指标评估其径流预测效果。本发明专利技术方法能够高效选择特征，显著减少内存和计算成本。并基于量子计算提供的潜在加速实现快速精准的径流预测，同时量化预测不确定性，基于贝叶斯方法优化参数，避免了梯度下降优化算法的繁琐性和高计算成本。

【技术实现步骤摘要】

本专利技术涉及水文预报领域，特别是涉及一种融合稀疏神经网络和量子核函数的径流预测方法。

技术介绍

1、获得准确的径流预测结果以及未来径流的可能出现范围，对于水资源管理和利用、水旱灾害防御、水利工程调度以及水生态环境保护等方面具有重要意义。

2、目前用于径流预测的模型主要分为机理模型和数据驱动模型，在采用两类模型进行径流预测时，筛选对于径流存在影响的特征会直接关系到径流的预测精度，合适的特征选择可以减少计算、内存以及由此产生的各项成本，并提高可解释性，降低数据收集成本，增强模型泛化能力。传统的特征选择方法如过滤法、包装法和嵌入法等，过滤法易选择不相关特征，包装法计算成本高昂，嵌入法将特征选择集成到学习过程中，因此能够选择相关特征，同时具有成本效益，各种技术被用来执行嵌入式特征选择，包括互信息、svm分类器和神经网络。基于神经网络的特征选择近年来在监督和无监督设置中都引起了极大的关注。这些方法利用了神经网络在捕获非线性依赖关系和在大型数据集上表现良好的优势。但是，许多现有的基于神经网络的特征选择方法存在过度参数化的问题，导致计算成本高昂，特别是对于本文档来自技高网...

【技术保护点】

1.一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤S1中流域出口水文站控制的上游流域雨量站、水文站的预报影响因子数据主要包括降雨、蒸发、日最高气温、日最低气温、日平均气温和上游水文站流量。

3.根据权利要求1所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤S2中，基于稀疏神经网络的动态稀疏训练策略是在训练过程中优化网络的稀疏连接性而无需使用密集的网络矩阵，动态稀疏训练策略首先初始化一个完整的神经网络，随后对其进行随机的稀疏化，...

【技术特征摘要】

1.一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤s1中流域出口水文站控制的上游流域雨量站、水文站的预报影响因子数据主要包括降雨、蒸发、日最高气温、日最低气温、日平均气温和上游水文站流量。

3.根据权利要求1所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤s2中，基于稀疏神经网络的动态稀疏训练策略是在训练过程中优化网络的稀疏连接性而无需使用密集的网络矩阵，动态稀疏训练策略首先初始化一个完整的神经网络，随后对其进行随机的稀疏化，即创建一个随机的拓扑网络结构，并在训练过程中，通过去除低重要性的神经元连接来保持网络的稀疏性，同时优化网络的权重。

4.根据权利要求3所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤s2中，采用神经元归因方法进行特征选择时，需要基于输出神经元的归因来计算输入神经元的重要性，其中，第一层的每个输入神经元即对应每个输入神经元的重要性分数如式1所示：

5.根据权利要求1所述的一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，步骤s3中构建融合量子核函数的量子增强径流预测模型时，采用的模型是高斯过程回归预测模型，其通过对数据进行回归分析，来建立服从高斯过程先验信息的非参数模型，假设一个含有n对相互独立观测数据的学习样本，是由n个输入向量组成的输入集，是由n个相对应的一维输出组...

【专利技术属性】
技术研发人员：李港，彭宁彦，郑勇，鄢笑宇，李艳红，温天福，张静文，刘鑫，刘章君，
申请(专利权)人：江西省水利科学院江西省大坝安全管理中心，江西省水资源管理中心，
类型：发明
国别省市：