[發明專利]一種基于機器學習的回歸分析模型選擇方法

在審

• 申請號: 202110417540.X
• 申請日: 2021-04-19
• 公開（公告）號: CN113127806A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 汪麗莉;劉燁;李偉豪;郭博研;吳炎欣;楊涵文
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

1.一種基于機器學習的回歸分析模型選擇方法，其特征是，包括有以下步驟：

S1、選擇可被使用于回歸的備選連續函數模型集合；

S2、根據選定的連續函數模型集合，使用數據增強策略生成機器訓練數據圖像；

S3、建立一個卷積神經網絡，將訓練數據圖像輸入并進行訓練；

S4、使用訓練后的卷積神經網絡對待分析數據進行分析，給出最佳回歸模型。

2.根據權利要求1所述的基于機器學習的回歸分析模型選擇方法，其特征是：所述連續函數模型集合包括有線性函數、二次函數、高階多項式函數、指數函數、反比例函數。

3.根據權利要求2所述的基于機器學習的回歸分析模型選擇方法，其特征是，根據數據增強策略生成訓練數據圖像具體為：

S21、假設待分析數據組為{X:x₁,x₂,…,x_n}和{Y:y₁,y₂,…,y_n}，根據待分析數據的區間[x₁,x_n]，由備選連續函數模型的函數關系計算區間上準確函數值集合；

S22、在準確值基礎上，加入噪聲，產生噪聲數據{Y′:y′₁,y′₂,…,y′_n}；

S23、計算噪聲數據的中心差分值，將中心差分值圖像化，建立訓練和驗證數據圖像集。

4.根據權利要求3所述的基于機器學習的回歸分析模型選擇方法，其特征是，數據增強策略對各備選函數數據的中心差分值圖像化具體為：將線性函數表達為水平直線圖像形式，將二次函數表達為傾斜直線圖像形式，將三次函數表達為曲線圖像形式。

5.根據權利要求1所述的基于機器學習的回歸分析模型選擇方法，其特征是：建立的所述卷積神經網絡依次包括有第一個卷積層、第一個池化層、第二個卷積層、第二個池化層，以及三個全連接層；第三個全連接層根據輸入圖像數據的模型數量N設定為N種分類輸出。