基于深度学习的萤火虫算法研究及在中长期径流预报中的应用

资料来自用户(Benedikt)上传,若本站收录的文献无意侵犯了您的著作版权,请点击版权申明
导师姓名
赵嘉  陈云翔
学科专业
动力工程
文献出处
南昌工程学院   2019年
关键词
径流预报论文  支持向量回归论文  萤火虫算法论文  广义中心粒子论文  深度学习论文
论文摘要

径流是受太阳活动、大气环流、下垫面变化和降雨等诸多因素影响的一个随机变量,且各因素对径流的作用关系难以建立严谨的数学模型,因此径流预报是一个受多因素影响的非线性复杂问题。随着机器学习技术的发展,支持向量回归被广泛应用于径流预报领域,取得了有效的预报结果。支持向量回归的性能依赖于惩罚系数、不敏感损失系数和核参数的选择。传统方法对参数选择效率低,且主观性和随机性大,导致支持向量回归的性能不佳。为提高支持向量回归的性能,借助萤火虫算法进行参数动态寻优,建立了基于萤火虫算法的支持向量回归预报模型。萤火虫算法是一种群智能算法,因其优化模型简单、参数少和实现容易等优势,被广泛应用于众多工程领域。但是,该算法本身存在易陷入局部最优、过早收敛及寻优精度不高等缺陷。本论文以萤火虫算法为研究对象,以径流预测为应用背景,使用深度学习策略对算法进行优化,并将改进的萤火虫算法应用于中长期径流预测。取得的主要研究成果如下:(1)对深度学习方式进行改进,提出了最优粒子引导的单维深度学习萤火虫算法。为使最优粒子获取更多搜索机会,在种群每代进化过程中,算法为最优粒子分配一定的评估资源,进行固定次数单维深度学习,搜寻优秀的解,其它萤火虫依然保持标准的更新方式。12个基准测试函数的实验结果表明该算法优化性能得到了较好的提升。(2)对深度学习对象进行改进,提出了广义中心粒子引导的萤火虫算法。为加强种群间的信息交流,算法引入广义中心粒子概念,构造一个与所有粒子都相关的广义中心粒子。当所有的萤火虫完成标准的搜索任务之后,再由广义中心粒子引导种群进一步探索,以提高种群的收敛速度和搜索精度。12个基准测试函数和CEC2015复杂测试函数的实验结果表明该算法综合优化性能优于其它6种新近萤火虫算法。(3)融合上述的深度学习方式和深度学习对象,提出了深度学习萤火虫算法。为加强广义中心粒子的引导能力,首先采用随机模型取代全吸引模型进行种群进化,然后选择广义中心粒子作为深度学习对象,对其进行固定次数的单维深度学习,最后利用经单维深度学习的广义中心粒子引导种群进化。12个基准测试函数的实验表明,深度学习萤火虫算法优化性能得到了显著的提升。以陕西府谷县黄甫川水文站年径流量为研究对象,以实际径流值和预报径流值的均方误差的最小值为目标函数,建立基于支持向量回归的径流预报模型,将各种改进萤火虫算法用于支持向量回归核参数动态优化选择。实验结果表明,基于深度学习的支持向量回归模型取得了最佳的预报结果。

论文目录
关闭目录

摘要

Abstract

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 径流预报方法

1.2.2 萤火虫算法

1.3 本文主要内容

第2章 相关理论基础

2.1 支持向量回归

2.2 标准萤火虫算法

2.2.1 标准萤火虫算法原理

2.2.2 算法流程

2.3 本章小结

第3章 最优粒子引导的单维深度学习萤火虫算法

3.1 最优粒子引导的单维深度学习萤火虫算法

3.1.1 最优粒子单维深度学习

3.1.2 算法流程

3.2 实验仿真

3.2.1 基准函数测试

3.2.2 比较算法

3.2.3 实验参数设置

3.2.4 实验结果与分析

3.3 本章小结

第4章 广义中心粒子引导的萤火虫算法

4.1 广义中心粒子引导的萤火虫算法

4.1.1 广义中心粒子

4.1.2 广义中心粒子引导策略

4.1.3 算法流程

4.1.4 实验结果与分析

4.2 本章小结

第5章 深度学习萤火虫算法

5.1 深度学习萤火虫算法

5.1.1 随机吸引模型

5.1.2 广义中心粒子单维深度学习

5.1.3 算法流程

5.2 实验仿真

5.2.1 实验参数设置

5.2.2 深度学习次数分析

5.2.3 实验结果与分析

5.2.4 策略分析

5.3 本章小结

第6章 基于萤火虫算法和支持向量回归的中长期径流预报

6.1 SVR径流预报模型的构建

6.1.1 SVR核函数的选择

6.1.2 萤火虫算法与SVR预报模型的融合

6.2 SVR径流预报模型的应用

6.2.1 数据来源及预报因子的确定

6.2.2 训练和测试样本的选择

6.2.3 数据的归一化

6.2.4 预报模型的构建和训练

6.2.5 预报模型的应用

6.2.6 实验结果与分析

6.3 本章小结

第7章 总结与展望

7.1 总结

7.2 展望

参考文献

致谢

在学期间学术论文与研究成果

1 科研论文

2 研究项目

3 实用新型专利

4 获奖

在线阅读全文下载
在线阅读全文下载