【技術實現步驟摘要】
本專利技術涉及用于算法領域，具體為一種基于wso-elm網絡模型的冰期流速預測方法。
技術介紹
1、我國北緯30度以北大部分河流均會出現流凌和冰封，北方河流水文站流量測驗冬季受冰情影響嚴重。采用傳統的流速-面積法，通過接觸方式監測冰期點流速和水位，再結合水位和河道斷面情況計算部分流量，累加推求斷面流量的方式觀測效率低下；而且存在流冰期接觸式監測設備容易損壞、穩封期人工觀測工作量大、風險性高等問題，無法滿足水文監測“全覆蓋、全天候、全過程、全量程、全自動”的高質量發展要求。因此，迫切需要研究新的監測技術方法和成套裝置，為實現水文現代化流量監測奠定基礎。
2、研發冰期非接觸式測流技術和裝備，兼顧全天候作業要求，替代人工操作，實現全自動監測。目前國內側掃雷達測流系統，依據布拉格散射和多普勒原理測量河流表面流速，結合水位、斷面數據（深度分布）推算斷面流量，已在廣西梧州站、瀾滄江允景洪水文站等取得較為理想的效果，實現了南方河流全天候、全自動、連續性的流速監測，且設備安裝于岸邊，方便日常維護，是應用前景較好的一項在線測流技術。側掃雷達應用到冰期流量監測在國內外尚屬首創，需要定制化研制雷達設備，并重點對冰期流速監測的準確性、雷達監測流速與斷面平均流速關系模型建立與率定分析等開展研究。
3、實現冰期流量自動監測，還需運用水文學、水動力學方法，解決側掃雷達測得冰期流速后反演斷面分段流速的難題。雷達設備通過發射對應頻段的電磁波，探測冰面和水面交界處的電磁散射特征，通過對回波信號進行處理，實現冰下河流表面流速的測量。由于冰面存
4、綜合而言，目前存在著的技術缺陷主要可以歸納為：傳統冰期河流測量存在難點，側掃雷達測量冰期河流特征存在著諸多問題，并且冰期河流測量數據樣本容量少、數據建模復雜、優化求解困難。
技術實現思路
1、本專利技術提供了一種基于wso-elm網絡模型的冰期流速預測方法，用以解決：針對傳統冰期河流測量的難點，以及側掃雷達測量冰期河流特征存在的諸多問題，并結合冰期河流測量數據樣本容量少、數據建模復雜、優化求解困難等難點的問題。
2、本專利技術提供如下技術方案：一種基于wso-elm網絡模型的冰期流速預測方法，包括以下步驟：基于wso-elm網絡模型采用大白鯊優化算法wso，采用基于有限的歷史觀測數據和側掃雷達觀測信號的對應特征，構建動態elm網絡模型，采用大白鯊優化算法wso對模型參數進行優化求解，構建滿足側掃雷達觀測冰期河流的wso-elm網絡優化模型，并結合側掃雷達實時觀測信號特征對冰期河流特征進行測量。
3、較佳的，包括以下步驟：
4、s1、初始化網絡參數；
5、s2、構建elm網絡；
6、s3、構建目標函數；
7、s4、求解參數設置；
8、s5、初始化種群個體；
9、s6、初始種群適應度評估；
10、s7、設置大白鯊算法計算的相關參數；
11、s7、迭代尋找全局最優值。
12、較佳的，所述s1在初始化網絡參數時，將elm的網絡訓練模型采用前向單隱層結構，初始化網絡參數；其中，含網絡隱層的節點數；為網絡輸出層的節點數。在本專利技術中，為側掃雷達輸出信號的特征參數，包括中心多普勒頻移，多普勒展寬、峰值功率、信號最大幅值、信號幅度均值、幅度序列方差6個參數；隱層的取值范圍為，共個取值，輸出為冰期河流測量不同距離單元得到的分段流速和平均流速。
13、較佳的，所述s3在構建目標函數時，設有個不同樣本，，其中
14、；
15、構建elm網絡模型數學模型如下：
16、；
17、式中，表示連接網絡輸入層節點與第i個隱層節點的輸入權值向量；表示連接第i個隱層節點與網絡輸出層節點的輸出權值向量；表示網絡輸出值第i個樣本通過elm網絡后的輸出；
18、elm網絡的目標模型函數e表示為：
19、；
20、式中，為包含了網絡輸入權值及隱層節點閾值，為目標函數的待估計參數，通過wso算法尋求最優的s，β，使得網絡輸出值與對應實際值誤差最小，得到，得到elm網絡的最優參數估計值。
21、較佳的，所述s4在求解參數設置時，設置求解所需要的參數，主要包括如下參數：初始化白鯊群體個體數目n、最大迭代次數m、求解參數個數搜索空間維度d、目標解空間范圍下界lb、目標解空間范圍上界ub；
22、將求解參數包括所有輸入層到隱層的權值，和所有的閾值，以及所有隱層到輸出層的權值；其中，所有權值的取值范圍為0~1；所有閾值的權值范圍為-5~5。
23、較佳的，所述s5在初始化種群個體時，采用均勻分布隨機數初始化每個白鯊個體的初始位置w_pos和初始速度v_pos，將每個個體的位置和速度依次初始化為、行列的均勻分布隨機數矩陣，其中個體位置的取值范圍滿足前述目標解空間范圍下界lb、目標解空間范圍上界ub的約束，初始速度采用、行列的全零值矩陣進行初始化。
24、較佳的，所述s6在初始種群適應度評估時，編寫適應度計算函數，評估函數根據問題的優化目標來確定，將目標函數作為適應度計算函數，其目標函數值越小，適應度越好，將各初始種群依次帶入目標函數，計算輸出的目標適應度；根據計算得到的適應度，通過排序函數對各種群的適應度大小進行排序，選擇適應度最大的種群、目標函數最小值，記為fmin0，將當前迭代次數最優適應值對應的個體存入中，全局最優適應值對應的個體保存在全局最優值gbest中。
25、較佳的，所述s6和s7中包括以下步驟：
26、鯊魚運動的最大頻率fmax=0.75；鯊魚運動的最最小頻率fmin=0.07；計算常數；；pmin=0.5；pmax=1.5；=6.250；=100；=0.0005。
27、迭代尋找全局最優值：假設當前為第k次迭代，則更新鯊魚群體的移動速度，按照下列計算公式跟新鯊魚移動的速度：
28、；
29、其中，為服從0-1均勻分布的隨機數，為服從0-3均勻分布的隨機數；
30、更新鯊魚群體的位置：按照下列計算公式更新鯊魚群體的位置，
31、；
32、如果，更新公式如下：
33、；
34、其中，是服從0-1均勻分布的隨機數；
35、生成新種群后，對新種群的個體位置范圍進行約束，取值范圍滿足前述目標解空間范圍下界lb、目標解空間范圍上界ub的約束，若超出此范圍，則采用隨機生成新種群的方法進行替換其中異常的個體；
36、對鯊魚種群個體選擇性優化：計算選擇個體判斷因子，
37、；
38、如果，則對選中的種群個體進行優化更新；
39、；
4本文檔來自技高網...
【技術保護點】
1.一種基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：包括以下步驟：基于WSO-ELM網絡模型采用大白鯊優化算法WSO，采用基于有限的歷史觀測數據和側掃雷達觀測信號的對應特征，構建動態ELM網絡模型，采用大白鯊優化算法WSO對模型參數進行優化求解，構建滿足側掃雷達觀測冰期河流的WSO-ELM網絡優化模型，并結合側掃雷達實時觀測信號特征對冰期河流特征進行測量。
2.根據權利要求1所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：包括以下步驟：
3.根據權利要求2所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：所述S1在初始化網絡參數時，將ELM的網絡訓練模型采用前向單隱層結構，初始化網絡參數；其中，含網絡隱層的節點數；為網絡輸出層的節點數，在本專利技術中，為側掃雷達輸出信號的特征參數，包括中心多普勒頻移，多普勒展寬、峰值功率、信號最大幅值、信號幅度均值、幅度序列方差6個參數；隱層的取值范圍為，共個取值，輸出為冰期河流測量不同距離單元得到的分段流速和平均流速。
4.根據權利要求3所述的基于WSO-ELM網絡
5.根據權利要求4所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：所述S4在求解參數設置時，設置求解所需要的參數，主要包括如下參數：初始化白鯊群體個體數目N、最大迭代次數M、求解參數個數搜索空間維度D、目標解空間范圍下界LB、目標解空間范圍上界UB；
6.根據權利要求5所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：所述S5在初始化種群個體時，采用均勻分布隨機數初始化每個白鯊個體的初始位置W_pos和初始速度V_pos，將每個個體的位置和速度依次初始化為、行列的均勻分布隨機數矩陣，其中個體位置的取值范圍滿足前述目標解空間范圍下界LB、目標解空間范圍上界UB的約束，初始速度采用、行列的全零值矩陣進行初始化。
7.根據權利要求6所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：所述S6在初始種群適應度評估時，編寫適應度計算函數，評估函數根據問題的優化目標來確定，將目標函數作為適應度計算函數，其目標函數值越小，適應度越好，將各初始種群依次帶入目標函數，計算輸出的目標適應度；根據計算得到的適應度，通過排序函數對各種群的適應度大小進行排序，選擇適應度最大的種群、目標函數最小值，記為fmin0，將當前迭代次數最優適應值對應的個體存入中，全局最優適應值對應的個體保存在全局最優值gbest中。
8.根據權利要求7所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：所述S6和S7中包括以下步驟：
9.根據權利要求8所述的基于WSO-ELM網絡模型的冰期流速預測方法，其特征在于：還包括：判斷迭代次數是否大于初始設定的最大迭代次數M，如果大于則輸出最優解gbest以及對應的最優目標函數值fmin0；更新網絡重構參數，重新構造ELM網絡，重復運算過程；當所有網絡重構參數計算完畢后，輸出適應度最好的最優解gbest，得到適應于該河流測量的最優ELM網絡構建參數，以及對應權值和閾值；采用上述最優權值構建ELM網絡，對側掃雷達實時測量得到的雷達信號進行信號處理，提取不同距離門中心多普勒頻移，多普勒展寬、峰值功率、信號最大幅值、信號幅度均值、幅度序列方差的實時特征數據，并送入構建好的最優ELM網絡模型，得到當前冰期河流的修正測量值。
...【技術特征摘要】
1.一種基于wso-elm網絡模型的冰期流速預測方法，其特征在于：包括以下步驟：基于wso-elm網絡模型采用大白鯊優化算法wso，采用基于有限的歷史觀測數據和側掃雷達觀測信號的對應特征，構建動態elm網絡模型，采用大白鯊優化算法wso對模型參數進行優化求解，構建滿足側掃雷達觀測冰期河流的wso-elm網絡優化模型，并結合側掃雷達實時觀測信號特征對冰期河流特征進行測量。
2.根據權利要求1所述的基于wso-elm網絡模型的冰期流速預測方法，其特征在于：包括以下步驟：
3.根據權利要求2所述的基于wso-elm網絡模型的冰期流速預測方法，其特征在于：所述s1在初始化網絡參數時，將elm的網絡訓練模型采用前向單隱層結構，初始化網絡參數；其中，含網絡隱層的節點數；為網絡輸出層的節點數，在本發明中，為側掃雷達輸出信號的特征參數，包括中心多普勒頻移，多普勒展寬、峰值功率、信號最大幅值、信號幅度均值、幅度序列方差6個參數；隱層的取值范圍為，共個取值，輸出為冰期河流測量不同距離單元得到的分段流速和平均流速。
4.根據權利要求3所述的基于wso-elm網絡模型的冰期流速預測方法，其特征在于：所述s3在構建目標函數時，設有個不同樣本，，其中；
5.根據權利要求4所述的基于wso-elm網絡模型的冰期流速預測方法，其特征在于：所述s4在求解參數設置時，設置求解所需要的參數，主要包括如下參數：初始化白鯊群體個體數目n、最大迭代次數m、求解參數個數搜索空間維度d、目標解空間范圍下界lb、目標解空間范圍上界ub；
6.根據權利要求5所述的基于wso-elm網絡模型的冰期流速預測方法，其特征在于：所述s5在初始化種群個體時，采用均勻分布隨機數初始化每個白鯊個...
【專利技術屬性】
技術研發人員：曾仲毅，尹光，林思夏，張越，李忱，
申請(專利權)人：南京微麥科斯電子科技有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。