一種基于gra-brlmbp算法的森林火災預測方法
【專利摘要】本發明公開了一種基于GRA-BRLMBP算法的森林火災預測方法，該方法使用灰色關聯分析法篩選出森林火災預測的主要影響因子；使用GRA-BRLMBP算法對森林火災進行預測；本發明使用貝葉斯正則化L-M算法取代梯度下降算法進行迭代，提高了網絡收斂速度和泛化能力。
【專利說明】—種基于GRA-BRLMBP算法的森林火災預測方法
【技術領域】
[0001]本發明涉及一種基于GRA-BRLMBP算法的森林火災預測方法，特別涉及一種智能計算與森林火災預測方法，屬于計算機應用與林火預測領域。
【背景技術】
[0002]森林火災是指失去控制的森林燃燒。尤其在北方森林、亞熱帶森林和熱帶雨林等世界三大主要的生物群區，森林火災都是其主要的自然災害之一。由于森林火災是一種突發性強、破壞性大、處置救助較為困難的自然災害，對于生物多樣性保護和生態系統可持續性問題有巨大影響，而且會對人類生存與生活帶來極大危害，所以森林防火工作已成為世界防災減災工作的重要組成部分。
[0003]我國在《國民經濟和社會發展第十二個五年規劃綱要》中明確提出健全防災減災體系，增強抵御自然災害能力。預防森林火災的發生，減少其所造成的損失，對于保護森林資源，維護區域生態平衡，保障區域經濟、社會持續穩定發展具有十分重要的意義，所以建立健全一種可以長期穩定的森林火災預警機制就顯得尤為重要。
[0004]目前，森林火險預測方法，雖然有某些智能技術，也取得了一定的進展，但在實際應用中還存在著許多諸如預測周期短、影響因子較多難以選擇、收斂速度慢、準確率低等難題。為了更好的對森林火災進行預測，利用灰色關聯分析法對影響林火的特征因子處理，得出森林火災特征參數。然后對傳統BP神經網絡進行改進研究，使用貝葉斯正則化L-M算法取代梯度下降算法進行迭代，大幅提高了網絡收斂速度和泛化能力，提出GRA-BRLMBP算法。
【發明內容】
[0005]本發明的目的是提供一種基于GRA-BRLMBP算法的森林火災預測方法，
[0006]該方法基于GRA-BRLMBP優化算法，克服通常方法對初始值敏感容易陷入局部極值的弱點；極大地提高了收斂速度；大幅提高了泛化能力；減少了影響因子維數，降低了算法的計算復雜性；森林火災預測方法的結構和參數可以根據具體的訓練過程來調整，實現了森林火災預測的智能化。
[0007]本發明是通過以下技術方案實現的:
[0008](I)對森林林火監測數據進行分析，利用灰色關聯分析法對影響林火的特征因子處理,得出七個森林火災特征參數；
[0009](2)然后對傳統BP神經網絡進行改進研究，使用L-M算法取代梯度下降算法進行迭代，這種方法可以提高網絡的分類能力，避免結果陷入局部最優。
[0010]傳統BP算法在處理分類問題時，使用梯度下降算法進行迭代，收斂速度較慢通常需要幾千步迭代甚至更多。GRA-BRLMBP算法對傳統BP算法進行改進，采用L-M算法替代梯度下降算法進行迭代，由于L-M算法利用近似的二階導數信息，比梯度法快得多，尤其當輸入維數較低時，L-M優化算法表現出較高的性能，所以可以大幅提高網絡收斂速度。L-M算法雖然使得收斂速度有了較大的提高，但是其泛化能力還是較差。泛化能力是衡量神經網絡結構性能好壞的重要標志，一個過度訓練的神經網絡會對訓練樣本集達到較高的匹配效果，但是對于一個新的輸入樣本矢量卻可能會產生與目標矢量差別較大的輸出，即神經網絡不具有或具有較差的推廣能力在訓練樣本集大小一定的情況下，網絡的推廣能力與網絡的規模直接相關如果神經網絡的規模遠遠小于樣本集的大小，則發生過度訓練的機會就很小但是對于特定的問題，確定合適的網絡規模往往是一件十分困難的事情。貝葉斯正則化方法是通過修正神經網絡的訓練性能函數來提高其推廣能力的，可以大幅提高了網絡的泛化能力。
[0011](3)將七個主要影響因子作為網絡輸入參數，對數據進行了預處理，包括異常值處理和歸一化。在所有的數據中，以均值代替異常值處理后，進而對其進行歸一化處理。以消除量綱對其的影響。選取一些數據作為訓練集，另外的數據作為測試集。確定網絡各層節點數，進行仿真訓練，從而建立了森林火災預測仿真模型。
[0012]本發明的有益效果:
[0013]本發明使用貝葉斯正則化L-M算法取代梯度下降算法進行迭代，提高了網絡收斂速度和泛化能力。
【專利附圖】
【附圖說明】
[0014]圖1為本發明的流程示意圖。
[0015]圖2為本發明的訓練曲線圖。
【具體實施方式】
[0016]請參閱圖1所示，本發明包括以下步驟:
[0017](I)、采用灰色關聯分析對影響因子進行優選；
[0018](2)、確定網絡的訓練集和測試集，如圖2所示；
[0019](3)、初始化網絡，計算網絡隱層的輸出；
[0020](4)、輸出節點的輸出；
[0021](5)、計算誤差以及誤差平方和函數，令Y = η ;
[0022](6)、計算α與β，性能函數，如達到目標誤差則停止，否則繼續；
[0023](7)、進一步用L-M算法減小性能函數的迭代；
[0024](8)、計算新的Y，α，β和性能函數，如達到目標誤差或達到最大訓練次數則停止，否則轉第(6)步驟。
[0025]本發明使用灰色關聯分析法篩選出森林火災預測的主要影響因子；使用GRA-BRLMBP算法對森林火災進行預測。
[0026]本發明使用貝葉斯正則化L-M算法取代梯度下降算法進行迭代，提高了網絡收斂速度和泛化能力。
【權利要求】
1.一種基于GRA-BRLMBP算法的森林火災預測方法，該方法包括以下步驟: (1)、采用灰色關聯分析對影響因子進行優選； (2)、確定網絡的訓練集和測試集； (3)、初始化網絡，計算網絡隱層的輸出； (4)、輸出節點的輸出； (5)、計算誤差以及誤差平方和函數，令Y=n; (6)、計算α與β，性能函數，如達到目標誤差則停止，否則繼續； (7)、進一步用L-M算法減小性能函數的迭代； (8)、計算新的Y，α，β和性能函數，如達到目標誤差或達到最大訓練次數則停止，否則轉第(6)步驟。
2.根據權利要求1所述的一種基于GRA-BRLMBP算法的森林火災預測方法，其特征在于: (1)使用灰色關聯分析法篩選出森林火災預測的主要影響因子； (2)使用GRA-BRLMBP算法對森林火災進行預測。
3.根據權利要求1所述的一種基于GRA-BRLMBP算法的森林火災預測方法，其特征在于:使用貝葉斯正則化L-M算法進行迭代。
【文檔編號】G06N3/02GK103646284SQ201310751215
【公開日】2014年3月19日 申請日期:2013年12月27日 優先權日:2013年12月27日
【發明者】劉銘, 王軼, 董小剛, 何禹德 申請人:長春工業大學