一种基于改进神经网络的环境噪声预测方法及系统与流程

1.本发明涉及数据挖掘技术领域，具体涉及一种基于改进神经网络的环境噪声预测方法及系统。


背景技术：

2.随着生活水平的提高，人们越来越重视生活环境的舒适性。环境噪声是影响生活环境舒适性的一个重要因素。为了更好地监测环境噪声，许多城市都在各个地方安装了环境噪声监测设备。利用环境噪声监测设备可以较方便、实时地采集各个地方的环境噪声数据。随着环境噪声数据的积累，研究人员尝试利用数据挖掘技术对所积累的环境噪声数据进行分析，实现从多个层面上掌握城市中各个区域的环境噪声污染状况。
3.环境噪声的预测是环境噪声数据分析的一项重要技术。为了实现环境噪声的预测，研究人员需要分析一个区域中的历史环境噪声数据，从而把握该区域内环境噪声的变化规律，然后根据得到的规律预测出该区域在未来时刻的环境噪声污染情况。神经网络是一种模拟人脑处理信息的人工智能方法，它在许多工程预测的应用中取得了一定的效果。然而，传统神经网络应用于环境噪声的预测时容易出现陷入局部最优，预测精度不足的缺点。


技术实现要素：

4.本发明目的在于提供一种基于改进神经网络的环境噪声预测方法及系统，以在一定程度上克服了传统神经网络应用于环境噪声的预测时容易出现陷入局部最优，预测精度不足的缺点，从而提高环境噪声的预测精度。
5.为了实现上述目的，本发明提供以下技术方案：
6.第一方面，本发明实施例提供了一种基于改进神经网络的环境噪声预测方法，所述方法包括以下步骤：
7.步骤1，获取环境噪声数据集；
8.步骤2，输入种群大小nsize和最大搜索代数maxg；
9.步骤3，确定用于预测环境噪声的神经网络模型，设置所述神经网络模型的优化设计参数的数量nd；
10.步骤4，设置当前搜索代数t＝0；
11.步骤5，随机生成种群npop＝{na1,na2,...,na
ni
,...,na
nsize
}，其中，na
ni
表示种群中的第ni个个体，个体下标ni＝1,2,...,nsize；个体na
ni
存储有所述神经网络模型中的nd个优化设计参数；
12.步骤6，基于环境噪声数据集计算种群npop中每个个体的适应值，将种群npop中适应值最小的个体记为最优个体bna，将种群npop中适应值最大的个体记为最差个体wna；
13.步骤7，设置排斥因子ef
ni
，其中，ef
ni
＝rand(0,1)，rand表示随机实数产生函数；
14.步骤8，根据公式(1)计算启发式因子if：
[0015][0016]
其中，sin表示正弦函数；cos表示余弦函数；π表示圆周率；kc表示衰减中心；
[0017]
步骤9，根据公式(2)计算当前排斥因子cf
ni
：
[0018][0019]
其中，pcr为[0,1]之间的随机实数；rw为[0,0.5]之间的随机实数；
[0020]
步骤10，随机产生一个[0,1]之间的实数pes；
[0021]
步骤11，如果pes小于0.5，则转到步骤12，否则转到步骤13；
[0022]
步骤12，根据公式(3)执行基于排斥机制的正弦操作产生新个体nu
ni
后，转到步骤14；
[0023]
nu
ni
＝na
ni
+nk1
×
sin(nk2)
×
|nk3
×
bna-na
ni
|-cf
ni
×
(wna-na
ni
)
ꢀꢀꢀ
(3)；
[0024]
其中，nk2为[0,2
×
π]之间的随机实数；nk3为[0,2]之间的随机实数；
[0025]
步骤13，根据公式(4)执行基于排斥机制的余弦操作产生新个体nu
ni
后，转到步骤14；
[0026]
nu
ni
＝na
ni
+nk1
×
cos(nk2)
×
|nk3
×
bna-na
ni
|-cf
ni
×
(wna-na
ni
)
ꢀꢀꢀ
(4)；
[0027]
步骤14，基于环境噪声数据集计算新个体nu
ni
的适应值；
[0028]
步骤15，确定新个体nu
ni
的适应值是否小于个体na
ni
的适应值，若是，则在种群中利用新个体nu
ni
替换个体na
ni
；否则在种群中保持个体na
ni
不变；
[0029]
步骤16，按照公式(5)更新排斥因子ef
ni
：
[0030][0031]
步骤17，从步骤15得到的种群中找出适应值最小的个体，并以此更新最优个体bna，从步骤15得到的种群中找出适应值最大的个体，并以此更新最差个体wna；
[0032]
步骤18，设置当前搜索代数t＝t+1；
[0033]
步骤19，如果当前搜索代数t大于maxg，则转到步骤20，否则转到步骤8；
[0034]
步骤20，从最优个体bna中提取出所述神经网络模型的nd个优化设计参数，利用得到的nd个优化设计参数构建环境噪声预测模型；
[0035]
步骤21，利用所述环境噪声预测模型进行环境噪声的预测。
[0036]
进一步，所述环境噪声数据集通过以下方式确定：
[0037]
步骤101，从环境监测系统中抽取出环境噪声数据；
[0038]
步骤102，对抽取出的环境噪声数据进行预处理，得到环境噪声数据集。
[0039]
进一步，所述用于预测环境噪声的神经网络模型为三层感知机神经网络。
[0040]
进一步，所述适应值的计算方法为：
[0041]
对于种群中的第ni个个体na
ni
，从个体na
ni
中提取出其存储的神经网络模型的nd
个优化设计参数，利用得到的nd个优化设计参数构建个体na
ni
的神经网络模型nmodel
ni
，计算个体na
ni
的神经网络模型nmodel
ni
在环境噪声数据集上的均方误差ner
ni
，将个体na
ni
的适应值设置为ner
ni
；其中，所述个体na
ni
的神经网络模型nmodel
ni
的输入变量为当前时刻之前的第一时间段中各个小时内的等效声级；所述个体na
ni
的神经网络模型nmodel
ni
的输出变量为当前时刻之后的第二时间段中各个小时内的等效声级。
[0042]
第二方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于改进神经网络的环境噪声预测程序，所述基于改进神经网络的环境噪声预测程序被处理器执行时实现如第一方面所述的基于改进神经网络的环境噪声预测方法的步骤。
[0043]
第三方面，本发明实施例还提供了一种基于改进神经网络的环境噪声预测系统，所述系统包括：
[0044]
至少一个处理器；
[0045]
至少一个存储器，用于存储至少一个程序；
[0046]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现第一方面所述的基于改进神经网络的环境噪声预测方法。
[0047]
本发明的有益效果是：本发明公开一种基于改进神经网络的环境噪声预测方法及系统，本发明利用基于排斥机制的正弦余弦算法来优化设计预测环境噪声的神经网络模型的参数。在基于排斥机制的正弦余弦算法中，设计了适应性的排斥因子，并将排斥因子融合到正弦余弦操作中，使得种群中的个体能够适应性地远离较差个体，增强算法的搜索效率，从而提升预测环境噪声神经网络模型的精度。本发明训练得到的环境噪声预测模型能够提高环境噪声的预测精度。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1是本发明实施例中启发式因子随搜索代数变化的示意图。
具体实施方式
[0050]
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0051]
本发明实施例提供一种基于改进神经网络的环境噪声预测方法，所述方法包括以下步骤：
[0052]
步骤1，获取环境噪声数据集；
[0053]
其中，所述环境噪声数据集通过以下方式确定：
[0054]
步骤101，从环境监测系统中抽取出环境噪声数据；其中，所述环境噪声数据包括每小时内的等效声级；
[0055]
步骤102，对抽取出的环境噪声数据进行预处理，得到环境噪声数据集。
[0056]
步骤2，输入种群大小nsize＝100和最大搜索代数maxg＝2000；
[0057]
步骤3，确定用于预测环境噪声的神经网络模型，设置所述神经网络模型的优化设计参数的数量nd；
[0058]
在一实施例中，设置用于预测环境噪声的神经网络模型为10-15-1结构的三层感知机神经网络，设置神经网络模型的优化设计参数的数量nd＝181；
[0059]
步骤4，设置当前搜索代数t＝0；
[0060]
步骤5，随机生成种群npop＝{na1,na2,...,na
ni
,...,na
nsize
}，其中，na
ni
表示种群中的第ni个个体，个体下标ni＝1,2,...,nsize；个体na
ni
存储有所述神经网络模型中的nd个优化设计参数；即种群npop中的每个个体均存储了所述神经网络模型中的nd个优化设计参数；
[0061]
步骤6，基于环境噪声数据集计算种群npop中每个个体的适应值；从种群npop中找出适应值最小的个体，并记为最优个体bna，从种群npop中找出适应值最大的个体，并记为最差个体wna；
[0062]
在一个优选的实施例中，所述适应值的计算方法为：
[0063]
对于种群中的第ni个个体na
ni
，从个体na
ni
中提取出其存储的神经网络模型的nd个优化设计参数，利用得到的nd个优化设计参数构建个体na
ni
的神经网络模型nmodel
ni
，计算个体na
ni
的神经网络模型nmodel
ni
在环境噪声数据集上的均方误差ner
ni
，将个体na
ni
的适应值设置为ner
ni
；其中，所述个体na
ni
的神经网络模型nmodel
ni
的输入变量为当前时刻之前的第一时间段中各个小时内的等效声级；所述个体na
ni
的神经网络模型nmodel
ni
的输出变量为当前时刻之后的第二时间段中各个小时内的等效声级。
[0064]
在一实施例中，将所述个体na
ni
的神经网络模型nmodel
ni
的输入变量设置为当前时刻的前10个小时中各个小时内的等效声级；将所述个体na
ni
的神经网络模型nmodel
ni
的输出变量设置为当前时刻之后的1小时内的等效声级；
[0065]
步骤7，设置排斥因子ef
ni
，其中，ef
ni
＝rand(0,1)，rand表示随机实数产生函数；即，ef
ni
为(0,1)中随机产生的实数；
[0066]
步骤8，根据公式(1)计算得到启发式因子if：
[0067][0068]
其中，sin表示正弦函数；cos表示余弦函数；π表示圆周率；kc表示衰减中心；启发式因子if的一次计算结果如图1所示；
[0069]
步骤9，根据公式(2)计算当前排斥因子cf
ni
：
[0070][0071]
其中，pcr为[0,1]之间的随机实数；rw为[0,0.5]之间的随机实数；
[0072]
步骤10，随机产生一个[0,1]之间的实数pes；
[0073]
步骤11，如果pes小于0.5，则转到步骤12，否则转到步骤13；
[0074]
步骤12，根据公式(3)执行基于排斥机制的正弦操作产生新个体nu
ni
后，转到步骤
programmable-gate-array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于改进神经网络的环境噪声预测系统的控制中心，利用各种接口和线路连接整个基于改进神经网络的环境噪声预测系统可运行装置的各个部分。
[0096]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于改进神经网络的环境噪声预测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart-media-card，smc)，安全数字(secure-digital，sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0097]
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。