[發明專利]殘缺數據深度學習神經網絡方法、裝置、計算機設備及存儲介質

有效

• 申請號: 201711205193.4
• 申請日: 2017-11-27
• 公開（公告）號: CN108197706B
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G16H50/20
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本發明涉及一種殘缺數據深度學習神經網絡方法、裝置、計算機設備及存儲介質，方法包括：獲取預先訓練好的深度學習神經網絡；從待預測數據中獲取輸入數據；根據所述輸入數據和所述預先訓練好的深度學習神經網絡的輸入變量確定至少一個缺少數據的輸入變量；將對所述缺少數據的輸入變量進行賦值獲得的數據，與從所述待預測數據中獲取的輸入數據進行組合，生成多組完整輸入數據；將所述多組完整輸入數據輸入到所述預先訓練好的深度學習神經網絡中，計算得到多組輸出數據。通過這種方式，能夠在輸入數據缺少數據的情況，仍然能夠通過神經網絡輸出預測的輸出變量，為研究工作提供數據支持，減少了輸入數據檢測和采集的成本。

技術領域

本發明涉及機器學習領域，特別是涉及一種殘缺數據深度學習神經網絡方法、裝置、計算機設備及存儲介質。

背景技術

人工神經網絡(Artificial Neural Networks，簡寫為ANNs)也簡稱為神經網絡(NNs)或稱作連接模型(Connection Model)，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為“神經網絡”或類神經網絡。

傳統技術中，神經網絡包括用于深度學習的深度神經網絡都是通過輸入數據和輸出數據對神經網絡進行訓練，然后在使用階段將輸入數據輸入已經訓練好的神經網絡，從而得到輸出數據。但是，在實際使用過程中，輸入數據往往都不完整，因此傳統技術的神經網絡無法根據不完整的輸入數據得到輸出數據。

發明內容

基于此，有必要針對上述輸入數據不完整無法獲取輸出數據的技術問題，提供一種殘缺數據深度學習神經網絡方法。

一種深度學習神經網絡方法，包括：

獲取預先訓練好的深度學習神經網絡；

從待預測數據中獲取輸入數據；

根據所述輸入數據和所述預先訓練好的深度學習神經網絡的輸入變量確定至少一個缺少數據的輸入變量；

將對所述缺少數據的輸入變量進行賦值獲得的數據，與從所述待預測數據中獲取的輸入數據進行組合，生成多組完整輸入數據；

將所述多組完整輸入數據輸入到所述預先訓練好的深度學習神經網絡中，計算得到多組輸出數據。

在其中一個實施例中，將對所述缺少數據的輸入變量進行賦值獲得的數據，與從所述待預測數據中獲取的輸入數據進行組合，生成多組完整輸入數據，包括：

從輸入變量范圍知識庫中檢索出缺少數據輸入變量對應的預設取值范圍；其中，輸入變量范圍知識庫預先存有所有輸入變量對應的預設取值范圍；或從所有訓練輸入數據中的每一訓練輸入數據中獲取缺少數據輸入變量的值，統計獲取到的缺少數據輸入變量的最大值和最小值，將從最小值到最大值之間的值范圍作為缺少數據輸入變量的預設取值范圍；或提示并接受用戶輸入缺少數據輸入變量的預設取值范圍；

對缺少數據輸入變量在對應的預設取值范圍內隨機地生成預定數量個值對缺少數據的輸入變量進行預定數量次賦值；

其中，預定數量由用戶輸入或預先設置。

在其中一個實施例中，所述將對所述缺少數據的輸入變量進行賦值獲得的數據，與從所述待預測數據中獲取的輸入數據進行組合，生成多組完整輸入數據，包括：

從樣本數據庫中隨機選取預定數量個訓練輸入數據，然后提取這預定數量個訓練輸入數據中該輸入變量對應的數據對缺少數據輸入變量進行預定數量次賦值；

其中，預定數量由用戶輸入或將小于或等于樣本數據庫中輸入數據的數量的P％作為預定數量，P小于或等于100，樣本數據庫中的輸入數據都是完整的輸入數據。