[發明專利]一種計算機應用神經網絡預測方法及系統

在審

• 申請號: 201810742073.6
• 申請日: 2018-07-09
• 公開（公告）號: CN108985455A
• 公開（公告）日: 2018-12-11
• 發明（設計）人: 肖朝暉;王艷;洪雄;張紅;盛莉
• 申請（專利權）人: 肖朝暉
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 包曉靜

本發明屬于網絡預測技術領域，公開了一種計算機應用神經網絡預測方法及系統，所述計算機應用神經網絡預測系統包括：數據接收模塊、建模模塊、跟蹤模塊、分層模塊、神經網絡學習模塊、網絡健康評價模塊。本發明通過神經網絡學習模塊提出了采用倒數法使對分母中變量的偏導求解變成普通變量的偏導求解的方法，減少了系統的運算量，從而提高了系統的效率；最后利用訓練好的模糊神經網絡對測試數據進行識別預測，與傳統模糊神經網絡相比識別率有顯著提高；同時通過網絡健康評價模塊能夠及時將指標更新及健康狀況評價結果專家意見反饋引入到評價方法中，進行自我修正；評價結果準確。

技術領域

本發明屬于網絡預測技術領域，尤其涉及一種計算機應用神經網絡預測方法及系統。

背景技術

神經網絡(Artificial Neural Network，即ANN)，是20世紀80年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數(activation function)。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。然而，現有神經網絡學習算法存在著固有缺陷，如學習周期長、學習率和步長不能改變等問題，以至于不能很好地對那些維數大且模糊度較高的數據進行識別；同時現有神經網絡數據海量，網絡指標體系復雜，不能夠靈活應對評價體系及指標的變化、不能夠及時反饋專家意見等問題。

綜上所述，現有技術存在的問題是：

(1)現有神經網絡學習算法存在著固有缺陷，如學習周期長、學習率和步長不能改變等問題，以至于不能很好地對那些維數大且模糊度較高的數據進行識別；同時現有神經網絡數據海量，網絡指標體系復雜，不能夠靈活應對評價體系及指標的變化、不能夠及時反饋專家意見等問題。

(2)現有神經網絡學習算法的模糊度較高的數據處理效率低。

發明內容

針對現有技術存在的問題，本發明提供了一種計算機應用神經網絡預測方法及系統。

本發明是這樣實現的，一種計算機應用神經網絡預測方法，所述計算機應用神經網絡預測方法包括以下步驟：

步驟一，采用效率模型的數據接收模塊接收計算機應用數據；

所述效率模型為：

時間t_n中處理數據包數：

t_n＝T_E-T_B；

其中，T_B為數據包分析處理前系統時間；T_E為數據包分析處理后系統時間；t_n表示處理第n個數據包的時間；數據處理效率V，接收數據D；

步驟二，通過建模模塊采用模糊數學神經網絡的方法建模；

步驟三，預估數據的處理速度，通過跟蹤模塊對建模的數據進行跟蹤；

所述數據的處理速度C點在X軸、Y軸和Z軸的數據速度大小分別為v_cx、v_cy、v_cz則：

v_cx＝v_upcx+v_ecx