一种模糊自适应PSO-ELM声品质预测模型的建立方法与流程

一种模糊自适应pso
‑
elm声品质预测模型的建立方法
技术领域
1.本发明涉及声品质预测模型技术领域，特别是一种模糊自适应pso
‑
elm声品质预测模型的建立方法。


背景技术：

2.随着各类噪声控制技术的应用，车内噪声的声压级得到一定的改善。但研究表明，声压级并不能完全反映人对噪声的主观感受，有时声压级高的声音反而比声压级低的声音听起来更加悦耳，比如80db的音乐比70db的发动机噪声更令人舒适，也更不容易使人产生烦躁疲劳的心理反应。基于这种现象，研究学者综合人耳听觉特征以及人类心理学提出了声品质的概念。
3.现有的声品质评价是以人对声音的主观感受作为评判标准，需借助心理声学的研究方法，组织评审团进行主观听音试验获得噪声的声品质主观评价结果。但是，主观评价试验存在一致性差、可重复性低的缺点，为获得可靠且具有统计学意义的结果往往需耗费大量的成本，但其结果最为直观。而声品质客观参量可以通过声信号的频率声压等参数计算得到。因此如何高效预测声品质的主观参量显得极为重要。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的模糊自适应pso
‑
elm声品质预测模型的建立方法中存在的问题，提出了本发明。
6.因此，本发明所要解决的问题在于如何提供一种模糊自适应pso
‑
elm声品质预测模型的建立方法。
7.为解决上述技术问题，本发明提供如下技术方案：一种模糊自适应pso
‑
elm声品质预测模型的建立方法，其包括，通过elm神经网络构建单独的elm预测模型；通过模糊控制和pso算法构建模糊自适应pso
‑
elm预测模型。
8.作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：构建单独的elm预测模型包括如下步骤，通过声信号检测设备采集声信号，包括训练集、测试集和验证集三部分，并对收集的信号进行处理、计算，得到所采集声信号的声品质客观参量，通过组织评审团对采集到的声信号进行主观评价，得到所采集声信号的主观参量；将训练集的声品质客观参量生成输入矩阵x，训练集主观参量生成输出矩阵t，输入层权重矩阵w以及隐含层阈值矩阵b随机生成。
9.作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：利用输入矩阵x、输出矩阵t、输入层权重矩阵w以及隐含层阈值矩阵b得到隐含层输出矩阵h；
[0010][0011]
式中h为sigmoid函数；
[0012]
利用hβ＝t，求解输出层权重矩阵β；
[0013][0014]
通过elm神经网络完成对elm模型基本结构的构建。
[0015]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：构建模糊自适应pso
‑
elm预测模型包括如下步骤，
[0016]
pso算法初始根据种群规模n随机生成n组粒子，每组粒子均构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，将训练集数据输入，每组生成一个elm预测模型；
[0017]
将测试集数据代入生成的elm预测模型，求解出声品质主观参量烦恼度预测值，并与测试集中的烦恼度进行比较，取两者均方根值作为适应度值返回pso算法；
[0018]
pso算法中取出均方根误差最小的那组粒子作为个体极值，并和群体极值进行比较，若更小则用这一组粒子替换群体极值；
[0019]
pso算法根据适应度值及其变化率生成新的惯性因子w，根据公式进行粒子更新，产生n组规模相同的新粒子，重复上述步骤；
[0020]
当迭代达到迭代次数上限，迭代停止，取群体极值的一组粒子构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，同时配合训练集数据生成最终的elm预测模型，此模型为模糊自适应pso
‑
elm预测模型。
[0021]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：将验证集数据代入模糊自适应pso
‑
elm预测模型，求解出声品质主观参量烦恼度预测值，并与验证集中的烦恼度进行比较，取两者均方根值评价预测模型效果优劣。
[0022]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：声品质客观参量包括响度、粗糙度、波动度、尖锐度、音调度、语义清晰度、a声压级。
[0023]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：采用粒子群优化算法，对极限学习机的输入层权重矩阵w以及阈值矩阵b进行优化，将极限学习机的输入层权重矩阵w以及阈值矩阵b作为粒子群优化算法的粒子，将测试集代入得到的误差均方根值作为适应度函数，进行全局寻优。
[0024]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：在pso算法根据群体极值适应度值及其变化率生成新的惯性因子w步骤中，将群体极值适应度值及其变化作为输入变量，通过模糊控制方法更新惯性因子w。
[0025]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：在将采集到的声信号进行数据输入前，先进行归一化处理。
[0026]
作为本发明所述模糊自适应pso
‑
elm声品质预测模型的建立方法的一种优选方案，其中：声信号数据的归一化处理方式如下：
[0027]
利用下式，将声品质客观参量转化到[0，1]上，
[0028]
x＝(x
i
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀ
(3)
[0029]
式中x
i
为某声品质客观参量值，x
max
为该客观参量对应最大值，x
min
为该客观参量对应最小值。
[0030]
本发明有益效果为具有elm极限学习机神经网络回归预测的功能，可以根据声品质客观参量预测声品质主观参量，具有较高的准确率；具有pso粒子群算法群体寻优功能，可以自动寻找最优的极限学习机参数，从而提高模型预测的准确性；具有模糊控制自适应调节粒子群算法惯性因子的功能，可以有效提高算法收敛速度、提升算法效率。
附图说明
[0031]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：
[0032]
图1为模糊自适应pso
‑
elm声品质预测模型的建立方法的elm神经网络原理图。
[0033]
图2为模糊自适应pso
‑
elm声品质预测模型的建立方法的elm神经网络预测模型构建过程图。
[0034]
图3为模糊自适应pso
‑
elm声品质预测模型的建立方法的粒子群优化算法流程图。
[0035]
图4为模糊自适应pso
‑
elm声品质预测模型的建立方法的模糊控制流程图。
[0036]
图5为模糊自适应pso
‑
elm声品质预测模型的建立方法的三角形隶属度函数作为群体极值适应度值图。
[0037]
图6为模糊自适应pso
‑
elm声品质预测模型的建立方法的群体极值适应度值的变化delta的隶属度函数图。
[0038]
图7为模糊自适应pso
‑
elm声品质预测模型的建立方法的控制规则图像。
[0039]
图8为模糊自适应pso
‑
elm声品质预测模型的建立方法的模糊自适应pso算法流程图。
[0040]
图9为模糊自适应pso
‑
elm声品质预测模型的建立方法的elm预测模型的构建图。
[0041]
图10为模糊自适应pso
‑
elm声品质预测模型的建立方法的pso
‑
elm预测模型构建过程图。
[0042]
图11为模糊自适应pso
‑
elm声品质预测模型的建立方法的模糊自适应pso
‑
elm预测模型构建图。
具体实施方式
[0043]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0044]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的
情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0045]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0046]
实施例1
[0047]
参照图1～11，为本发明第一个实施例，该实施例提供了一种模糊自适应pso
‑
elm声品质预测模型的建立方法，模糊自适应pso
‑
elm声品质预测模型的建立方法包括如下步骤：
[0048]
s1，通过elm神经网络构建单独的elm预测模型；
[0049]
s2，通过模糊控制和pso算法构建模糊自适应pso
‑
elm预测模型；
[0050]
极限学习机(elm)是一种典型的单隐含层前馈神经网络，由输入层、隐含层、输出层三部分组成。极限学习机可以随机产生初始的输入权重矩阵w和隐含层阈值矩阵b，只需设定好隐含层神经元的个数，并通过求解方程组的方式，求得输出权重矩阵，从而构建出完整的elm神经网络模型，如图1。
[0051]
输入矩阵x：
[0052][0053]
式中x
i
为输入样本。
[0054]
输入权重矩阵w：
[0055][0056]
式中w
i
为第i个隐含层神经元与输入层的权值。
[0057]
隐含层阈值矩阵b：
[0058][0059]
式中b
i
为第i个神经元的阈值。
[0060]
已知输出矩阵t：
[0061]
t＝[t
1 t
q
ꢀ…ꢀ
t
q
]'
q
×
m
[0062]
其中t
j
为第j个输出层神经元的输出：
[0063][0064]
式中h(x)为激活函数,由输入矩阵x、输入权重矩阵w、隐含层阈值矩阵b，可以计算得到隐含层输出矩阵h：
[0065][0066]
输出权重矩阵β：
[0067][0068]
式中β
i
为第i个神经元与输出层的权值。
[0069]
elm神经网络随机产生输入权重矩阵w、隐含层阈值矩阵b，输入矩阵x、已知输出矩阵t作为已知的训练集输入条件，且elm可以无误差逼近训练集，因此可以倒推得到输出权重矩阵β：
[0070]
hβ＝t
[0071][0072]
式中c为惩罚系数，最终也可以得到elm的输出函数表达式：
[0073][0074]
至此完成elm神经网络的构建。
[0075]
在利用elm神经网络预测过程中，待求输出矩阵y：
[0076][0077]
式中y
i
为待求的输出样本。由输入矩阵x、输入权重矩阵w、隐含层阈值矩阵b，可以
计算得到隐含层输出矩阵h，进而求解得到待求输出矩阵y：
[0078]
hβ＝y
[0079]
而粒子群算法(pso)是智能计算领域中，除了蚁群算法、鱼群算法之外的一种群体智能优化算法，其灵感来自于对鸟类捕食问题的研究。
[0080]
粒子群算法首先在可行解中随机生成一群粒子，每个粒子都代表优化问题潜在的最优解，并且用位置、速度和适应度值三项指标来描述单个粒子的特征。
[0081]
粒子在解空间中不断更新自己的位置和速度，进而实现在解空间中的运动。通过追踪个体极值pbest和群体极值gbest更新个体位置(个体极值pbest指单个粒子所历经的所有位置中计算得到适应度值最优的位置，群体极值gbest是指种群中所有粒子搜索到适应度最优的位置)，粒子每更新一次位置就计算一次适应度值，并且通过比较新粒子适应度值和个体极值、群体极值的大小，更新个体极值和群体极值的大小及位置。粒子位置更新、速度更新公式如下：
[0082][0083][0084]
粒子群优化算法流程图如图3所示。
[0085]
模糊控制是一种非线性控制方法，是指利用模糊数学的基本思想和理论的控制方法。对于复杂的系统往往由于变量太多，很难准确的描述系统的动态特性，模糊控制就是一个很好的解决办法。
[0086]
模糊控制包括定义变量、模糊化处理、建立规则表、逻辑推理及输出反模糊化五个部分，本发明所构建的模糊控制流程如图4所示。
[0087]
在模糊控制中选择将群体极值gbest适应度值和群体极值gbest适应度值的变化delta作为模糊控制器的第一个和第二个输入量，群体极值gbest适应度值的论域为[0，0.015]，群体极值gbest适应度值的变化delta的论域为[0，0.009]。模糊控制器的输出经反模糊化后的模糊控制输出得到粒子群优化算法的惯性因子w。变量模糊化处理将作为输入量的群体极值gbest适应度值和群体极值gbest适应度值的变化delta分别作模糊化处理。将群体极值gbest适应度值取三个模糊子集。输入群体极值gbest适应度值的模糊子集的各范围分别选取为：i
11
(正小ps)为[
‑
0.075，0，0.0075]，i
12
(正中pm)为[0，0.0075，0.015]，i
13
(正大pb)为[0.0075，0.015，0.0225]。同理，群体极值gbest适应度值的变化delta对应的模糊子集的各范围分别选取为：i
21
(正小ps)为[
‑
0.0045，0，0.0045]，i
22
(正中pm)为[0.003，0.0045，0.006]，i
23
(正大pb)为[0.006，0.0075，0.009]。而输出的惯性因子w的四个模糊子集对应的输出定义在[0.2，0.8]，分别为：o
11
(正大pb)为[0.8，0.65，0.5]、o
12
(正中pm)为[0.65，0.5，0.35]、o
13
(正小ps)为[0.5，0.35，0.2]，即可得到相应的惯性因子w。随后确定逻辑判断规则，选用三角形隶属度函数作为群体极值gbest适应度值和群体极值gbest适应度值的变化delta的隶属度函数，其图像分别如图5、6所示。
[0088]
在步骤s1中，构建单独的elm预测模型包括如下步骤，
[0089]
s11：通过声信号检测设备采集声信号，包括训练集、测试集和验证集三部分，并对收集的信号进行处理、计算，得到所采集声信号的声品质客观参量，通过组织评审团对采集到的声信号进行主观评价，得到所采集声信号的主观参量；
[0090]
s12：将采集到的声信号进行数据输入声品质预测模型前的预处理，即归一化处理
[0091]
s13：将训练集的声品质客观参量生成输入矩阵x，训练集主观参量生成输出矩阵t，输入层权重矩阵w以及隐含层阈值矩阵b随机生成，采用粒子群优化算法，对极限学习机的输入层权重矩阵w以及阈值矩阵b进行优化。将极限学习机的输入层权重矩阵w以及阈值矩阵b作为粒子群优化算法的粒子，将误差均方根值作为适应度函数，进行全局寻优。
[0092]
s14：利用输入矩阵x、输出矩阵t、输入层权重矩阵w以及隐含层阈值矩阵b得到隐含层输出矩阵h；
[0093][0094]
式中h为sigmoid函数；
[0095]
利用hβ＝t，求解输出层权重矩阵β；
[0096][0097]
通过elm神经网络完成对elm模型基本结构的构建。
[0098]
在s11步骤中，声品质客观参量包括响度、粗糙度、波动度、尖锐度、音调度、语义清晰度、a声压级；其中，
[0099]
(1)响度
[0100]
响度是人耳对声音总体响亮程度的心理声学指标，单位为宋(sone)，定义频率为1000hz、声压级40db纯音的响度为1sone。而一个声音的响度级定义为与1000hz纯音等响的声压级，响度级用l
n
表示，其单位为方(phon)。
[0101]
国际标准iso532中规定了响度的计算方法，包括stevens和zwicker两种方法，iso532b zwicker方法因为在扩散声场、自由声场下都适用，所以在汽车声品质的研究中一般都选用这种方法对响度进行计算。其过程如下：
[0102]ⅰ.确定外耳和中耳传递函数；
[0103]ⅱ.用听觉滤波器进行过滤得到每个临界频带的激励级e；
[0104]ⅲ.根据所求得的激励级计算每个临界频带的特征响度n'：
[0105][0106]
式中，e
tq
为听阈下的激励，e0为参考声压所对应的激励；
[0107]ⅳ.对特征响度n'在bark域下进行积分，得到总体响度n：
[0108][0109]
(2)波动度
[0110]
当两个频率不同幅值不同的声信号叠加在一起时会产生调制效应，波动度描述的
是当调制频率为0.5到20hz时，人对缓慢调制声音的主观感受，是反映声音响亮程度起伏的物理量，单位为vacil，定义对60db的1khz纯音进行频率4hz、幅值100％调制后的波动度为1vacil。采用zwicker计算模型：
[0111][0112]
式中，f
mod
为调制频率；δl
e
为掩蔽深度，其与声音的变化量呈正相关。
[0113]
(3)粗糙度
[0114]
粗糙度是描述当调制频率为20到300hz时，人对快速调制声音的主观感受，是反映声音嘈杂、刺耳等感受的心理学指标，单位为asper。定义对60db的1khz纯音进行频率70hz、幅值100％调制后的粗糙度为1asper。采用aures粗糙度计算模型：
[0115][0116]
式中f
mod
为调制频率；δl
e
为掩蔽深度，其与声音的变化量呈正相关，掩蔽深度δl
e
的增加会导致粗糙度的增加。
[0117]
(4)尖锐度
[0118]
尖锐度是描述声音中高频成分的心理声学指标，单位为acum。定义在中心频率为1000hz的150hz带宽内，60db的窄带噪声定义为1acum。计算方法采用zwicker尖锐度计算模型：
[0119][0120]
式中k为加权系数，一般取0.11；n为总体响度；n'(z)为z号bark域的特征响度；g(z)为不同bark域内的权重系数函数：
[0121][0122]
(5)音调度
[0123]
音调度又称音调度又称纯音度，描述的是声音中纯音的凸现程度，反映人听到的纯音或者小于一个临界频带带宽内的声音，单位为tu。定义60db的1khz纯音为1tu。一般采用terhardt和aures提出的方法对音调度进行计算：
[0124][0125]
式中，w1(δz
i
)是第i个单频分量域临界频带的差异；w2(f
i
)为频率与第i个单频分量的关系；w3(δl
i
)是第i个单频分量的声级盈余效应。
[0126]
(6)语义清晰度
[0127]
语言清晰度是描述在噪声环境下说话清晰程度的指标，用百分数来表示。研究表
明，当噪声比说话声音高12db时，说话声音完全听不见，即ai＝0％，此时可确定一个上限噪声值ul(f)；当噪声比上限噪声值低30db时，说话声音完全听得清楚，即ai＝100％，此时可确定一个下限噪声值ll(f)。于是，便有以下公式：
[0128]
ul(f)＝h(f) 12
[0129]
ll(f)＝ul(f)
‑
30
[0130]
式中，h(f)为说话声音的声压级。
[0131]
由于人们日常说话的声音频率基本在200～6000hz范围内，所以引入计权系数w(f)对不同频率进行计权，在中频段w(f)值最大。将计权系数与噪声一起使用，可计算出语言清晰度ai，计算公式为：
[0132]
ai＝∑w(f)d(f)/30
[0133][0134]
在步骤s12中，声信号数据的归一化处理方式如下：
[0135]
利用下式，将声品质客观参量转化到[0,1]上，
[0136]
x＝(x
i
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀ
(3)
[0137]
式中x
i
为某声品质客观参量值，x
max
为该客观参量对应最大值，x
min
为该客观参量对应最小值。
[0138]
在步骤s2中，构建模糊自适应pso
‑
elm预测模型包括如下步骤，
[0139]
s21：pso算法初始根据种群规模n随机生成n组粒子，每组粒子均构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，将训练集数据输入，每组生成一个elm预测模型；
[0140]
s22：将测试集数据代入生成的elm预测模型，求解出声品质主观参量烦恼度预测值，并与测试集中的烦恼度进行比较，取两者均方根值作为适应度值返回pso算法；
[0141]
s23：pso算法中取出均方根误差最小的那组粒子作为个体极值，并和群体极值进行比较，若更小则用这一组粒子替换群体极值；
[0142]
s24：pso算法根据适应度值及其变化率生成新的惯性因子w，根据公式进行粒子更新，产生n组规模相同的新粒子，重复上述步骤；
[0143]
s25：当迭代达到迭代次数上限，迭代停止，取群体极值的一组粒子构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，同时配合训练集数据生成最终的elm预测模型，此模型为模糊自适应pso
‑
elm预测模型；
[0144]
s26：将验证集数据代入模糊自适应pso
‑
elm预测模型，求解出声品质主观参量烦恼度预测值，并与验证集中的烦恼度进行比较，取两者均方根值评价预测模型效果优劣。
[0145]
进一步的，在pso算法根据适应度值及其变化率生成新的惯性因子w步骤中，将适应度值及其变化率作为输入变量，通过模糊控制方法更新惯性因子w。
[0146]
实施例2
[0147]
参照图1～11，为本发明第二个实施例，该实施例基于上一个实施例。
[0148]
通过声信号检测设备采集声信号数据如表1所示：
[0149]
表1采集的数据集
[0150]
[0151]
[0152][0153]
选择第1
‑
30组数据样本作为训练集，第31
‑
35组样本作为测试集，第36
‑
40组样本作为验证集。
[0154]
输入矩阵x：
[0155][0156]
式中x
i
为输入样本。
[0157]
代入训练集样本的客观参量作为输入样本,第一行数据为(x
11
)
‑
(x
n1
)，第一列数据为(x
11
)
‑
(x
1q
)，以此类推最后一行数据为(x
1q
)
‑
(x
nq
)，最后一列数据为(x
n1
)
‑
(x
nq
)。
[0158]
表2训练集样本数据
[0159][0160]
(2)输入权重矩阵w：
[0161][0162]
式中w
i
为第i个隐含层神经元与输入层的权值。初始化过程中随机生成，作为已知参数进行计算。
[0163]
(3)隐含层阈值矩阵b：
[0164][0165]
式中b
i
为第i个神经元的阈值。初始化过程中随机生成，作为已知参数进行计算。
[0166]
(4)已知输出矩阵t：
[0167]
t＝[t
1 t2ꢀ…ꢀ
t
q
]'
q
×
m
[0168]
其中t
j
为第j个输出层神经元的输出：
[0169][0170]
式中h(x)为激活函数，将训练集样本的主观参量作为已知输出矩阵,第一列数据为(t1)
‑
(t
q
)。
[0171]
表3主观烦恼度
[0172]
[0173][0174]
(5)利用输入矩阵x、输入层权值矩阵w、隐含层阈值矩阵b，可计算得到隐含层输出矩阵h：
[0175][0176]
(6)输出权重矩阵β：
[0177][0178]
式中β
i
为第i个神经元与输出层的权值。
[0179]
elm神经网络随机产生输入权重矩阵w、隐含层阈值矩阵b，输入矩阵x、隐含层输出矩阵h、已知输出矩阵t作为已知的训练集输入条件，且elm可以无误差逼近训练集，因此可
以倒推得到输出权重矩阵β：
[0180]
hβ＝t
[0181][0182]
至此，完成elm预测模型的构建，如图9。
[0183]
粒子群算法搜索空间维度d，采用以下公式计算：
[0184]
d＝i*h h
[0185]
式中i为输入样本神经元个数i＝7；h为隐含层神经元个数，h＝7；
[0186]
粒子群初始化设定如下：t
max
为100次；学习因子c1和c2均取1.4；粒子最大速度v
max
和最小速度v
min
分别为1和
‑
1；粒子最大位置x
max
和最小位置x
min
分别为1和
‑
1。
[0187]
适应度函数选择训练集样本反代得到预测输出值与训练集样本的实际输出值样本的均方根值作为计算依据：
[0188][0189]
式中n为训练样本量；m为输出样本神经元个数；y
k
为测试集的预测输出值；c
k
为测试集实际输出值，pso
‑
elm预测模型如图10所示。
[0190]
根据经验以及变化规律设计模糊知识库即模糊规则：当群体极值gbest适应度值越大和群体极值gbest适应度值的变化delta越大时，惯性因子w越大；当群体极值gbest适应度值越小和群体极值gbest适应度值的变化delta越小时，惯性因子w越小。使群体极值gbest适应度值随迭代次数迅速收敛且不易陷入局部最小值的思路设计了一种模糊控制规则，如表4所示。模糊控制规则表对应的图像如图7所示：
[0191]
表4模糊控制规则表
[0192][0193][0194]
设t为采样的周期，n为采样的点数，模糊控制器的输入分别用gbest(nt)、delta(nt)表示，输出则用w(nt)表示，将它们进行模糊化处理后可以分别得到s(nt)、v(nt)以及f(nt)，那么可以将控制规则表示下列形式：
[0195]
r(nt)＝s(nt)v(nt)f(nt)
[0196]
根据逻辑判断规则(ts推理)、模糊控制规则以及输出各模糊子集对应大小，就可以实现反模糊化。简单的pso算法虽然也可以实现群体寻优的目的，但是收敛速度慢，需要很多次迭代才能实现收敛，计算效率较低。所以本文在pso算法的基础上，增加的模糊自适
应控制，实现惯性因子w在迭代过程中自适应变化，以求达到更优的计算效果，模糊自适应pso算法流程图如图8所示，模糊自适应pso
‑
elm预测模型如图11所示。
[0197]
构建完成的elm预测模型的预测过程如下：
[0198]
(1)输入矩阵x：
[0199][0200]
式中x
i
为输入样本。
[0201]
代入验证集样本的客观参量作为输入样本,第一行数据为(x
11
)
‑
(x
n1
)，第一列数据为(x
11
)
‑
(x
1q
)，以此类推最后一行数据为(x
1q
)
‑
(x
nq
)，最后一列数据为(x
n1
)
‑
(x
nq
)：
[0202]
表5验证集数据
[0203][0204]
(6)由已知条件：输入权重矩阵w、隐含层阈值矩阵b，输入矩阵x、隐含层输出矩阵h,可以得到输出矩阵y：
[0205]
y＝[y
1 y2ꢀ…ꢀ
y5]'5×1[0206]
y＝hβ
[0207]
表6输出矩阵数据
[0208][0209]
至此完成预测。
[0210]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。