[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)模型輸入?yún)⒘拷稻S方法及計(jì)算機(jī)可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010903848.0
• 申請日: 2020-09-01
• 公開（公告）號: CN112132259A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計(jì)）人: 張彩云;丁文祥;李雪丁;張友權(quán);李星;鄭祥靖;郭民權(quán);丁萍;陳金瑞;朱本璐;任在常
• 申請（專利權(quán)）人: 廈門大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 福州市博深專利事務(wù)所(普通合伙) 35214
• 代理人: 顏麗蓉

1.一種神經(jīng)網(wǎng)絡(luò)模型輸入變量降維方法，其特征在于，包括：

獲取樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括正樣本數(shù)據(jù)和負(fù)樣本數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)由多個(gè)變量數(shù)據(jù)構(gòu)成；

根據(jù)預(yù)設(shè)的比例，將所述樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

隨機(jī)產(chǎn)生預(yù)設(shè)數(shù)量的初始串結(jié)構(gòu)數(shù)據(jù)，得到初始的種群，所述初始串結(jié)構(gòu)數(shù)據(jù)中的每個(gè)位分別與樣本數(shù)據(jù)中的各變量一一對應(yīng)，且每個(gè)位的取值為第一字符或第二字符；

分別計(jì)算最新的種群中各串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分，并分別將各串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分作為各串結(jié)構(gòu)數(shù)據(jù)的適應(yīng)度；

判斷最新的種群中是否存在適應(yīng)度大于或等于預(yù)設(shè)目標(biāo)值的串結(jié)構(gòu)數(shù)據(jù)；

若是，則將適應(yīng)度大于或等于預(yù)設(shè)目標(biāo)值的串結(jié)構(gòu)數(shù)據(jù)中取值為第一字符的位對應(yīng)的變量作為最終建模變量；

若否，則根據(jù)遺傳算法，生成新的串結(jié)構(gòu)數(shù)據(jù)，得到新的種群；

繼續(xù)執(zhí)行所述分別計(jì)算最新的種群中各串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分，并分別將各串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分作為各串結(jié)構(gòu)數(shù)據(jù)的適應(yīng)度的步驟。

2.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型輸入變量降維方法，其特征在于，所述獲取樣本數(shù)據(jù)之后，進(jìn)一步包括：

分別對所述樣本數(shù)據(jù)中的各變量數(shù)據(jù)進(jìn)行歸一化處理。

3.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)模型輸入變量降維方法，其特征在于，所述分別計(jì)算最新的種群中各串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分具體為：

根據(jù)一串結(jié)構(gòu)數(shù)據(jù)中取值為第一字符的位對應(yīng)的變量，確定建模變量；

構(gòu)建所述一串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的人工神經(jīng)網(wǎng)絡(luò)，所述人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元的個(gè)數(shù)與所述建模變量的個(gè)數(shù)一致，輸出層神經(jīng)元的個(gè)數(shù)為2；

根據(jù)所述訓(xùn)練數(shù)據(jù)中的建模變量，對所述人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

將所述測試數(shù)據(jù)中的建模變量輸入訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)，得到預(yù)報(bào)結(jié)果，所述預(yù)報(bào)結(jié)果為正樣本結(jié)果或負(fù)樣本結(jié)果；

分別統(tǒng)計(jì)所述測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為正樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量和負(fù)樣本數(shù)據(jù)的數(shù)量，以及預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量和負(fù)樣本數(shù)據(jù)的數(shù)量，得到所述一串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果參數(shù)；

根據(jù)所述預(yù)報(bào)結(jié)果參數(shù)以及測試數(shù)據(jù)的總數(shù)量，計(jì)算所述一串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的Heidke技巧評分。

4.根據(jù)權(quán)利要求3所述的神經(jīng)網(wǎng)絡(luò)模型輸入變量降維方法，其特征在于，所述預(yù)報(bào)結(jié)果參數(shù)包括第一值、第二值、第三值和第四值，所述第一值表示測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為正樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量，所述第二值表示測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量，所述第三值表示測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為正樣本結(jié)果的負(fù)樣本數(shù)據(jù)的數(shù)量，所述第四值表示測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果的負(fù)樣本數(shù)據(jù)的數(shù)量；

所述分別統(tǒng)計(jì)所述測試數(shù)據(jù)中預(yù)報(bào)結(jié)果為正樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量和負(fù)樣本數(shù)據(jù)的數(shù)量，以及預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果的正樣本數(shù)據(jù)的數(shù)量和負(fù)樣本數(shù)據(jù)的數(shù)量，得到所述一串結(jié)構(gòu)數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果參數(shù)具體為：

若測試數(shù)據(jù)中的一正樣本數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果為正樣本結(jié)果，則令第一值加一，所述第一值的初始值為0；

若測試數(shù)據(jù)中的一正樣本數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果，則令第二值加一，所述第二值的初始值為0；

若測試數(shù)據(jù)中的一負(fù)樣本數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果為正樣本結(jié)果，則令第三值加一，所述第三值的初始值為0；

若測試數(shù)據(jù)中的一負(fù)樣本數(shù)據(jù)對應(yīng)的預(yù)報(bào)結(jié)果為負(fù)樣本結(jié)果，則令第四值加一，所述第四值的初始值為0。