[發明專利]一種基于自主進化學習器的信息預測方法及系統

有效

• 申請號: 202011022909.9
• 申請日: 2020-09-25
• 公開（公告）號: CN112163068B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 馬艷;鄒立達;韓英昆;齊達立;馬雷;陳玉峰
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國家電網有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F40/284;G06N3/08;G06N3/12
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種基于自主進化學習器的信息預測方法，其特征是：包括以下步驟：

從數據源獲取文本數據，并對文本數據進行向量表示與向量提取，確定熱點詞匯，對確定的熱點詞匯標注和關聯，生成訓練數據；

構建神經網絡模型，利用訓練數據對神經網絡模型進行訓練；

進入自主進化學習過程，刪除預測不準確的詞匯，增加目標領域詞匯，并對于預測沒有貢獻的數據維度進行剪枝，更新訓練數據；

利用更新后的訓練數據對模型進行訓練，如果訓練結果未達到設定條件，則重新進入自主進化學習過程，對訓練數據進行更新，直到滿足設定條件；

基于相似領域聚類的群體交叉對遺傳算法改進，利用改進的遺傳算法生成新的神經網絡模型，再次進入自主進化學習過程，直到滿足設定條件；利用訓練好的神經網絡模型對獲取的文本數據進行預測，有任一神經網絡模型預測某一信息為熱點詞匯，則將其作為熱點詞匯，得到預測結果；

所述利用改進后的遺傳算法生成新的神經網絡模型的具體過程包括：

用W_j表示模型j的目標領域詞匯集合，通過對各個模型的W_j聚類，獲得k個聚類，每個聚類的模型編碼，作為一組編碼進行相互交叉；

設D_n，V_n，W_n為新的編碼，D_n的計算方法為D_n＝∪D_j|j∈J_c，其中J_c為通過聚類形成的一組編碼，V_n的計算方法為V_n＝V_j|s_j最優，j∈J_c，其意義為V_n與具有模型性能比指標s_j最優的模型結構相同，W_n的計算方法如下：W_n＝∪W_j|j∈J_c，產生的新編碼加入模型庫；

在模型中選取s_j前設定比例的模型執行突變，設D_j，V_j，W_j為模型j的編碼，D_j突變的方法是給D_j隨機加入若干個數據維度，V_j突變的方法是其行數隨機加1或者減1，每一行節點個數隨機增減若干；W_j不執行突變；其中，D_j是模型j訓練時選用數據的維度，V_j則是其網絡結構，W_j是其目標領域詞匯集合。

2.如權利要求1所述的一種基于自主進化學習器的信息預測方法，其特征是：對確定的熱點詞匯標注和關聯的具體過程包括：依據熱點詞匯出現的文本數據，標記該熱點詞匯所屬技術領域，并隨機配置多個數據維度的數據進行關聯。

3.如權利要求1所述的一種基于自主進化學習器的信息預測方法，其特征是：構建神經網絡模型的具體過程包括：構建多個深度神經網絡結構，利用V_j＝V_r|r∈[0，R_j-1]表示一個深度神經網絡結構，其中R_j表示模型j的層數，V_r表示第r層的節點數量，R_j與V_r在一定范圍內隨機生成，r為整數，對每個模型進行編碼，利用D_j，V_j，W_j表示模型j的編碼，其中D_j是模型j訓練時選用數據的維度，V_j則是其網絡結構，W_j是其目標領域詞匯集合。