[發(fā)明專利]神經(jīng)網(wǎng)絡模型輸入?yún)⒘拷稻S方法及計算機可讀存儲介質(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（設計）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
• 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所(普通合伙) 35214
• 代理人: 顏麗蓉

本發(fā)明公開了一種神經(jīng)網(wǎng)絡模型輸入?yún)⒘拷稻S方法及計算機可讀存儲介質(zhì)，方法包括：獲取樣本數(shù)據(jù)；根據(jù)預設的比例，將樣本數(shù)據(jù)劃分為訓練數(shù)據(jù)和測試數(shù)據(jù)；隨機產(chǎn)生預設數(shù)量的初始串結(jié)構(gòu)數(shù)據(jù)，得到初始的種群，初始串結(jié)構(gòu)數(shù)據(jù)中的每個位分別與樣本數(shù)據(jù)中的各變量一一對應，且每個位的取值為第一字符或第二字符；分別計算最新的種群中各串結(jié)構(gòu)數(shù)據(jù)對應的Heidke技巧評分，并作為各串結(jié)構(gòu)數(shù)據(jù)的適應度；若存在適應度大于或等于預設目標值的串結(jié)構(gòu)數(shù)據(jù)，則將該串結(jié)構(gòu)數(shù)據(jù)中取值為第一字符的位對應的變量作為最終建模變量；若不存在，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)計算適應度。本發(fā)明可提高神經(jīng)網(wǎng)絡模型的精度和效率。

技術(shù)領域

本發(fā)明涉及神經(jīng)網(wǎng)絡技術(shù)領域，尤其涉及一種神經(jīng)網(wǎng)絡模型輸入?yún)⒘拷稻S方法及計算機可讀存儲介質(zhì)。

背景技術(shù)

在用統(tǒng)計分析方法研究多變量的課題時，變量個數(shù)太多就會增加課題的復雜性。人們自然希望變量個數(shù)較少而得到的信息較多。在很多情形，變量之間是有一定的相關(guān)關(guān)系的，當兩個變量之間有一定相關(guān)關(guān)系時，可以解釋為這兩個變量反映此課題的信息有一定的重疊。例如，在研究赤潮預測模型時可能需要收集氣象數(shù)據(jù)、水文數(shù)據(jù)、水質(zhì)數(shù)據(jù)、營養(yǎng)鹽數(shù)據(jù)和潮汐數(shù)據(jù)等，可能會包含幾十個參量，其中部分變量之間存在著一定的相關(guān)關(guān)系，變量所反應的赤潮信息存在著一定的重復。對收集的變量進行一定的分析，尋找影響課題主要的參量，在不影響模型結(jié)果的基礎上，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而且這些新變量在反映課題的信息方面盡可能保持原有的信息，方便找到影響課題的關(guān)鍵因子。

另外，在現(xiàn)實生活中，實際很難用線性模型進行描述。神經(jīng)網(wǎng)絡的出現(xiàn)大大降低了模型建立的難度和工作量。只需將神經(jīng)網(wǎng)絡看成是一個黑箱子，根據(jù)輸入與輸出數(shù)據(jù)，神經(jīng)網(wǎng)絡依據(jù)相關(guān)的學習規(guī)則，便可以建立相應的數(shù)學模型。但是，當模型的輸入?yún)⒘亢芏唷⑤斎雲(yún)⒘恐g不是相互獨立時，利用神經(jīng)網(wǎng)絡容易出現(xiàn)過擬合現(xiàn)象，從而導致所建立的模型精度低、建模時間長等問題。因此，在建立模型之前，有必要對輸入自變量進行優(yōu)化選擇，將冗余的一些自變量去掉，選擇最能反映輸入與輸出關(guān)系的自變量參與建模。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：提供一種神經(jīng)網(wǎng)絡模型輸入?yún)⒘拷稻S方法及計算機可讀存儲介質(zhì)，可提高神經(jīng)網(wǎng)絡模型的精度和效率。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種神經(jīng)網(wǎng)絡模型輸入變量降維方法，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)和負樣本數(shù)據(jù)，每個樣本數(shù)據(jù)由多個變量數(shù)據(jù)構(gòu)成；

根據(jù)預設的比例，將所述樣本數(shù)據(jù)劃分為訓練數(shù)據(jù)和測試數(shù)據(jù)；

隨機產(chǎn)生預設數(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)中的每個位分別與樣本數(shù)據(jù)中的各變量一一對應，且每個位的取值為第一字符或第二字符；

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

判斷最新的種群中是否存在適應度大于或等于預設目標值的串結(jié)構(gòu)數(shù)據(jù)；

若是，則將適應度大于或等于預設目標值的串結(jié)構(gòu)數(shù)據(jù)中取值為第一字符的位對應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)行所述分別計算最新的種群中各串結(jié)構(gòu)數(shù)據(jù)對應的Heidke技巧評分，并分別將各串結(jié)構(gòu)數(shù)據(jù)對應的Heidke技巧評分作為各串結(jié)構(gòu)數(shù)據(jù)的適應度的步驟。

本發(fā)明還提出一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述程序被處理器執(zhí)行時實現(xiàn)如上所述的方法的步驟。