[发明专利]一种改进的FOA-BPNN脱贫时间预测方法

摘要

本发明公开了一种改进的FOA‑BPNN脱贫时间预测方法，首先将贫困户脱贫时间预测转换为数学问题，构建BPNN预测模型；然后利用改进的果蝇优化算法，结合BP神经网络，构建改进的FOA‑BPNN时间预测模型，实现对贫困户的脱贫时间预测。本发明在果蝇算法中引入种群密度和变速因子，提高果蝇优化算法跳出局部最优解的能力；将改进后的果蝇优化算法与BP神经网络结合，以BP神经网络的训练误差作为果蝇优化算法的适应度值，利用果蝇优化算法寻找BP神经网络最优的初始参数组合，进而提升预测模型的准确率。

主权项

1.一种改进的FOA-BPNN脱贫时间预测方法，其特征在于，包括以下步骤：/n步骤1：将贫困户脱贫时间预测转换为数学问题，构建BPNN预测模型；将原始数据进行分割，一部分作为训练预测模型用到的训练集，另一部分作为检测模型效果的测试集；/n步骤2：利用改进的果蝇优化算法，结合BP神经网络，构建改进的FOA-BPNN时间预测模型，实现对贫困户的脱贫时间预测；/n步骤1的具体实现过程是：通过对入库贫困户基本信息进行整理，提取贫困户的贫困户类型信息、致贫原因信息、子女数信息、是否有学生在读信息、耕地面积信息、技能程度信息以及享受的政策信息作为BPNN预测模型的输入X，记为X＝{x₁,x₂,x₃,x₄,...,x₇}；通过抽取贫困户的入库日期以及脱贫日期，得到贫困户从入库到脱贫所用的脱贫年限Y，记为Y＝{y₁,y₂,y₃,...,y_m}，将其作为BPNN预测模型输出，从而完成BPNN预测模型的构建；其中，y_i表示第i户的脱贫年限，m表示贫困户总数；/n步骤2的具体实现包括以下子步骤：/n步骤2.1：输入已脱贫贫困户的信息数据，对数据表中的冗余项、缺失项进行删除填充操作，将贫困户的贫困户类型信息、致贫原因信息、以及享受的政策信息进行one-hot编码；/n步骤2.2：确定BP神经网络的输入层、隐藏层以及输出层节点数；/n确定BP神经网络的输入层Input_layer和隐藏层Hidden_layer、隐藏层和输出层Output_layer的连接权重以及隐层和输出层的阈值；每一个果蝇个体的维度为D：/nD＝N_inN_h+N_hN_o+N_hN_o；/n其中N_in、N_h、N_o分别表示输入层、隐藏层、输出层的结点数；/n步骤2.3：初始化BP神经网络权值和阈值；所述权值和阈值是利用函数生成的正太分布随机值；/n步骤2.4：执行改进的果蝇优化算法；/n具体实现包括以下子步骤：/n步骤2.4.1：初始化果蝇优化算法基本参数；/n定义果蝇种群规模为Size，种群迭代寻优的最大迭代次数为Maxg，g表示当前迭代步数，(X_axis,Y_axis)为果蝇种群的初始位置，R₀为初始搜索步长；/n步骤2.4.2：给定果蝇个体搜寻食物的随机方向和距离，根据果蝇群体的初始位置随机生成果蝇个体i的位置坐标(x_i,y_i)，通过种群密度ρ与变速因子α动态改变搜索步长R的值；/n /n其中，rand()为随机数；/n步骤2.4.3：计算果蝇个体当前位置距离坐标原点的距离dist(i)，取其倒数S_i作为气味浓度的判定值；/n /n /n步骤2.4.4：将步骤2.4.3中的气味浓度判定值S_i代入到适应度函数即气味浓度Function(S)中计算果蝇个体i的气味浓度Smell_i；/nSmell_i＝Function(S_i)；/n步骤2.4.5：找出果蝇群体中气味浓度最高(bestSmell)的个体，记录该个体的位置坐标(x_bestIndex,y_bestIndex)以及气味浓度信息；/n[bestSmell bestIndex]＝max(Smell_i)；/n其中，bestIndex表示气味浓度最高个体的编号；/n步骤2.4.6：比较气味浓度是否高于上一代最高浓度；若是则执行2.4.7，否则回转执行步骤2.4.2；/n步骤2.4.7：更新果蝇种群的初始位置坐标(X_axis,Y_axis)，保留当前最高的气味浓度值；/nX_axis＝x_bestIndex/nY_axis＝y_bestIndex；/nSmellbest＝bestSmell＝Smell_bestIndex；/n步骤2.4.8：判断迭代次数是否达到最大值，若是则算法结束，否则回转执行步骤2.4.2；/n步骤2.5：将改进果蝇优化算法选择的参数作为BP神经网络最优初始权重和阈值；/n步骤2.6：将更新后的权重和阈值代入为BP神经网络进行训练，计算BP神经网络总损失，即计算L2型正则化损失与交叉熵损失的和；/n步骤2.10：更新BP神经网络的权值和阈值；/n通过反向传播及优化算法调整神经网络中参数的取值；/n步骤2.11：判断是否达到训练次数的上限；/n若是，则实现对贫困户的脱贫时间预测；/n若否，则回转执行步骤2.6；/n步骤2.4.2中，在果蝇算法中引入种群密度和变速因子，即在果蝇种群的搜索阶段，引入变速因子α和种群密度ρ，则果蝇个体探索步长和方向R为：/nR＝R₀-αR₀+ρR₀；/n变速因子α，用于描述相邻迭代搜寻最优值变化而引起搜索间隔的变化程度；/n /n其中，bestSmellⁿ为第n次迭代最优气味浓度；当前迭代最优值高于前次时α＞0，此时降低搜索步长提高局部寻优能力；当α＜0时，则应该增大搜索步长，扩大搜索范围；/n种群密度ρ：/n /n其中，n是迭代次数，Size是种群规模(x_i,y_i)是第i次迭代后当前最优个体的坐标。/n