买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：水利部交通运输部国家能源局南京水利科学研究院

摘要：本发明公开了一种基于非负矩阵分解和机器学习的流域径流预报方法，包括：采集流域历史水文数据，并计算所述历史水文数据之间的相关性，通过计算结果筛选输入数据集；对输入数据集进行非负矩阵分解，提取历史水文数据的特征因子集合，获得聚类矩阵；将聚类矩阵作为机器学习模型的输入数据，输出对应径流预测结果。本发明通过非负矩阵分解提取历史水文数据的特征因子并完成聚类，有效减少噪声数据，降低数据维度，增强了机器学习模型的预测能力和稳定性。

主权项：1.一种基于非负矩阵分解和机器学习的流域径流预报方法，其特征在于，包括：采集流域历史水文数据，并计算所述历史水文数据之间的相关性，通过计算结果筛选输入数据集；对所述输入数据集进行非负矩阵分解，提取历史水文数据的特征因子集合，获得聚类矩阵；提取历史水文数据的特征因子集合W’的具体操作过程包括：1将历史水文数据随机生成一个非负矩阵W和一个非负矩阵H，使得历史水文数据矩阵近似等于两个非负矩阵W和H的乘积，用公式表示如下： 式中，X为输入的历史水文数据矩阵，其大小为m*n，W表示样本的特征矩阵，其大小为m*k；H表示特征的权重矩阵，其大小为k*n，m为样本数，n为特征数，k为聚类中心的数量；2通过X与W×H之间的差异来更新W和H，直到X与W×H之间误差函数满足收敛条件为止；对矩阵W和H进行更新主要分为两个过程，第一个过程为更新H，固定W，通过最小化误差函数来更新H；第二个过程为更新W，固定H，通过最小化误差函数来更新H；上述两个过程都采用梯度下降法最小化误差函数来更新；重复上述两个过程，直到误差函数满足收敛条件为止；误差函数公式为：E＝||X-WH||2；矩阵更新公式为： 式中，Hu表示H矩阵通过公式更新后得到的矩阵；Wu表示W矩阵通过公式更新后得到的矩阵，E为误差函数，‖.‖为Frobenius范数，α为学习率；3根据更新后的Hu、Wu矩阵，将每个样本分配到其对应的最大值所在的列所代表的聚类中，构成聚类矩阵，即特征因子集合W’；将所述聚类矩阵作为机器学习模型的输入数据，输出对应径流预测结果；输出所述对应径流预测结果，包括：根据经验给定合理的模型参数范围和训练期与验证期，通过机器学习模型对每一组参数进行径流预测，最终模型自动率定输出验证期精度最优的一组参数和径流预测结果；计算所述径流预测结果的方法为： 其中，QF表示预测的径流量，f表示激活函数，xj表示输入的第j个特征值，ωj表示第j个特征对应的权重，b表示偏置项，k为聚类中心的数量。

全文数据：

权利要求：

百度查询： 水利部交通运输部国家能源局南京水利科学研究院 一种基于非负矩阵分解和机器学习的流域径流预报方法