[发明专利]一种改进的FOA-BPNN脱贫时间预测方法有效
申请号: | 201810767158.X | 申请日: | 2018-07-13 |
公开(公告)号: | CN108564235B | 公开(公告)日: | 2019-11-26 |
发明(设计)人: | 朱容波;张静静;孟博;王德军;王俊 | 申请(专利权)人: | 中南民族大学 |
主分类号: | G06Q10/04 | 分类号: | G06Q10/04;G06N3/00;G06N3/08 |
代理公司: | 42102 湖北武汉永嘉专利代理有限公司 | 代理人: | 胡建平;刘琰<国际申请>=<国际公布>= |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
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。 | ||
搜索关键词: | 果蝇 时间预测 优化算法 改进 预测模型 构建 变速 初始参数 数学问题 适应度 最优解 准确率 算法 种群 跳出 引入 转换 | ||
【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,...,ym},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,yi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=NinNh+NhNo+NhNo;/n其中Nin、Nh、No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(xi,yi),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Si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Si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Smelli;/nSmelli=Function(Si);/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(xbestIndex,ybestIndex)以及气味浓度信息;/n[bestSmell bestIndex]=max(Smelli);/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=xbestIndex/nY_axis=ybestIndex;/nSmellbest=bestSmell=SmellbestIndex;/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(xi,yi)是第i次迭代后当前最优个体的坐标。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南民族大学,未经中南民族大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810767158.X/,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算;推算;计数
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政;管理
G06Q10-02 .预定,例如用于门票、服务或事件的
G06Q10-04 .预测或优化,例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理,例如组织、规划、调度或分配时间、人员或机器资源;企业规划;组织模型
G06Q10-08 .物流,例如仓储、装货、配送或运输;存货或库存管理,例如订货、采购或平衡订单
G06Q10-10 .办公自动化,例如电子邮件或群件的计算机辅助管理
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政;管理
G06Q10-02 .预定,例如用于门票、服务或事件的
G06Q10-04 .预测或优化,例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理,例如组织、规划、调度或分配时间、人员或机器资源;企业规划;组织模型
G06Q10-08 .物流,例如仓储、装货、配送或运输;存货或库存管理,例如订货、采购或平衡订单
G06Q10-10 .办公自动化,例如电子邮件或群件的计算机辅助管理