[發(fā)明專利]一種小樣本數(shù)據(jù)預測方法及裝置

在審

• 申請?zhí)枺?/td>: 201910303757.0
• 申請日: 2019-04-16
• 公開（公告）號: CN110188875A
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計）人: 孫龍清;羅冰;劉婷;陳帥華;劉巖
• 申請（專利權(quán)）人: 中國農(nóng)業(yè)大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王慶龍;苗曉靜

本發(fā)明實施例提供一種小樣本數(shù)據(jù)預測方法及裝置，該方法包括將待預測樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)預測模型，輸出待預測樣本數(shù)據(jù)對應(yīng)的預測值；其中，所述神經(jīng)網(wǎng)絡(luò)預測模型是根據(jù)雙立方插值后的樣本數(shù)據(jù)進行訓練后得到的。本發(fā)明實施例通過采用雙立方插值的方法對小樣本據(jù)進行插值處理，使得插值后的數(shù)據(jù)集完全包含原始訓練集數(shù)據(jù)，并且插值數(shù)據(jù)更加符合訓練集數(shù)據(jù)的規(guī)律，實現(xiàn)對訓練集數(shù)據(jù)的有效擴充。本發(fā)明實施例將雙立方插值后的樣本數(shù)據(jù)進行訓練后得到神經(jīng)網(wǎng)絡(luò)預測模型，提高神經(jīng)網(wǎng)絡(luò)預測模型的泛化能力，避免過擬合現(xiàn)象的發(fā)生。將待預測樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)預測模型，輸出待預測樣本數(shù)據(jù)對應(yīng)的預測值，實現(xiàn)對數(shù)據(jù)更精確的預測。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)預測方法領(lǐng)域，尤其涉及一種小樣本數(shù)據(jù)預測方法及裝置。

背景技術(shù)

反向傳播神經(jīng)網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學理論證明三層的神經(jīng)網(wǎng)絡(luò)就能夠以任意精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內(nèi)部機制復雜的問題，即反向傳播神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射能力。神經(jīng)網(wǎng)絡(luò)在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應(yīng)的將學習內(nèi)容記憶于網(wǎng)絡(luò)的權(quán)值中。即反向傳播神經(jīng)網(wǎng)絡(luò)具有高度自學習和自適應(yīng)的能力。所謂泛化能力是指反向傳播神經(jīng)網(wǎng)絡(luò)具有將學習成果應(yīng)用于新知識的能力。反向傳播神經(jīng)網(wǎng)絡(luò)具有一定的容錯能力，在其局部的或者部分的神經(jīng)元受到破壞后對全局的訓練結(jié)果不會造成很大的影響，也就是說即使裝置在受到局部損傷時還是可以正常工作的。這些優(yōu)點使得反向傳播神經(jīng)網(wǎng)絡(luò)廣泛被設(shè)計成分類和預測模型。

反向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用在小樣本中進行預測時，存在嚴重的過擬合現(xiàn)象。即網(wǎng)絡(luò)的訓練能力很強，幾乎能記住所有的訓練數(shù)據(jù)，這導致網(wǎng)絡(luò)，預測能力非常低，即出現(xiàn)所謂“過擬合”現(xiàn)象。此外，反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元參數(shù)的選擇至今尚無統(tǒng)一而完整的理論指導，只能由經(jīng)驗選定。但是網(wǎng)絡(luò)結(jié)構(gòu)選擇過大，訓練中效率不高，可能出現(xiàn)過擬合現(xiàn)象，造成網(wǎng)絡(luò)性能低，容錯性下降，若選擇過小，則又會造成網(wǎng)絡(luò)可能不收斂。

因此，如何提升小樣本數(shù)據(jù)在模型預測過程中的訓練能力和泛化能力，如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)，確定網(wǎng)絡(luò)中的各種超參數(shù)，成為亟待解決的問題。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種小樣本數(shù)據(jù)預測方法及裝置，用以解決現(xiàn)有小樣本數(shù)據(jù)訓練數(shù)據(jù)較少，使得小樣本數(shù)據(jù)訓練得到的神經(jīng)網(wǎng)絡(luò)出現(xiàn)“過擬合”現(xiàn)象，預測能力較低的缺陷，實現(xiàn)對數(shù)據(jù)更精確的預測。

第一方面，本發(fā)明實施例提供一種小樣本數(shù)據(jù)預測方法，包括：

將待預測樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)預測模型，輸出待預測樣本數(shù)據(jù)對應(yīng)的預測值；

其中，所述神經(jīng)網(wǎng)絡(luò)預測模型是根據(jù)雙立方插值后的樣本數(shù)據(jù)進行訓練后得到的。

第二方面，本發(fā)明實施例提供一種小樣本數(shù)據(jù)預測裝置，包括：

模型建立模塊，用于根據(jù)雙立方插值后的樣本數(shù)據(jù)進行訓練，獲得神經(jīng)網(wǎng)絡(luò)預測模型。

模型預測模塊，用于將待預測樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)預測模型，輸出待預測樣本數(shù)據(jù)對應(yīng)的預測值。

第三方面，本發(fā)明實施例提供一種電子設(shè)備，包括：

至少一個處理器、至少一個存儲器、通信接口和總線；其中，

所述處理器、存儲器、通信接口通過所述總線完成相互間的通信；

所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，處理器調(diào)用所述程序指令能夠執(zhí)行第一方面的各種可能的實現(xiàn)方式中任一種可能的實現(xiàn)方式所提供的小樣本數(shù)據(jù)預測方法。

第四方面，本發(fā)明實施例提供一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令使所述計算機執(zhí)行第一方面的各種可能的實現(xiàn)方式中任一種可能的實現(xiàn)方式所提供的小樣本數(shù)據(jù)預測方法。