CN111723909A - 模糊神经网络模型的优化方法及*** - Google Patents
模糊神经网络模型的优化方法及*** Download PDFInfo
- Publication number
- CN111723909A CN111723909A CN202010545619.6A CN202010545619A CN111723909A CN 111723909 A CN111723909 A CN 111723909A CN 202010545619 A CN202010545619 A CN 202010545619A CN 111723909 A CN111723909 A CN 111723909A
- Authority
- CN
- China
- Prior art keywords
- position information
- fitness value
- population
- information
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,公开了一种模糊神经网络模型的优化方法及***,所述方法包括:获取模糊神经网络模型的待优化参数,基于待优化参数生成预设灰狼种群中每个种群个体的初始位置信息,根据初始位置信息计算每个种群个体对应的第一适应度值,对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息,根据目标位置信息计算每个种群个体对应的第二适应度值,基于第一适应度值和第二适应度值对目标位置信息进行迭代处理,判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的目标位置信息输出优化后的模糊神经网络模型以减少模型训练时间,提高模型收敛精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种模糊神经网络模型的优化方法及***。
背景技术
模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域,而模糊神经网络的就是将模糊理论与神经网络进行结合的产物,它是一种多层前向网络,具有强大的自学习能力与映射能力。该网络主要有五层,输入层、模糊化层、模糊规则层、模糊决策层、输出层,其中模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值是可以使用群体智能优化算法进行优化的。在具体应用中,根据不同的实际需求,会建立不同的模糊神经网络模型,但仍可通过群体智能优化算法对模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值进行训练以提高模糊神经网络模型的模型精度,现有技术多是通过蚁群算法,粒子群算法,人工蜂群算法,鸡群算法等群体智能优化算法对所述模糊神经网络模型进行优化,较少通过灰狼算法(Grey Wolf Optimizer)对所述模糊神经网络模型进行优化,然而灰狼算法在解决目标优化问题时,与早期提出的遗传算法、粒子群算法等相比,已被证明具有更高的收敛精度与更快的收敛速度,因此,如何基于灰狼算法对所述模糊神经网络模型进行模型优化以减少模型训练时间,提高模型收敛精度成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种模糊神经网络模型的优化方法及***,旨在解决如何基于灰狼算法对所述模糊神经网络模型进行模型优化以减少模型训练时间,提高模型收敛精度的技术问题。
为实现上述目的,本发明提供了一种模糊神经网络模型的优化方法,所述方法包括以下步骤:
获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
根据所述初始位置信息计算每个种群个体对应的第一适应度值;
对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
优选地,所述获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息的步骤之前,还包括:
获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标;
对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度;
选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标;
对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息;
所述判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型的步骤之后,所述方法还包括:
将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值。
优选地,所述对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息的步骤,具体包括:
将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合;
根据预设筛选规则从所述排序集合中选取目标适应度值集合;
根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息;
将更新后的所述初始位置信息作为目标位置信息。
优选地,所述根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理的步骤,具体包括:
根据所述目标位置信息计算每个种群个体对应的第二适应度值,并将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
根据预设概率公式计算所述扰动种群个体对应的中心扰动概率;
根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
若是,则根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
优选地,所述判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型的步骤,具体包括:
根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值;
选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数;
根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件;
在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型。
此外,为实现上述目的,本发明还提出一种模糊神经网络模型的优化***,所述***包括:
信息获取模块,用于获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
适应度计算模块,用于根据所述初始位置信息计算每个种群个体对应的第一适应度值;
位置更新模块,用于对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
迭代处理模块,用于根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
模型输出模块,用于判断迭代处理后的目标位置信息是否满足预设迭代停止条件,在满足所述预设迭代停止条件时,根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
优选地,所述***还包括:
信息预测模块,用于获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标;
所述信息预测模块,还用于对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度;
所述信息预测模块,还用于选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标;
所述信息预测模块,还用于对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息;
所述信息预测模块,还用于将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值。
优选地,所述位置更新模块,还用于将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合;
所述位置更新模块,还用于根据预设筛选规则从所述排序集合中选取目标适应度值集合;
所述位置更新模块,还用于根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息;
所述位置更新模块,还用于将更新后的所述初始位置信息作为目标位置信息。
优选地,所述迭代处理模块,还用于根据所述目标位置信息计算每个种群个体对应的第二适应度值;
所述迭代处理模块,还用于将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
所述迭代处理模块,还用于根据预设概率公式计算所述扰动种群个体对应的中心扰动概率;
所述迭代处理模块,还用于根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
所述迭代处理模块,还用于在需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理时,根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
优选地,所述模型输出模块,还用于根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值;
所述模型输出模块,还用于选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数;
所述模型输出模块,还用于根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件;
所述模型输出模块,还用于在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型。
本发明通过获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息,根据所述初始位置信息计算每个种群个体对应的第一适应度值,对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息,根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理,判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型以完成对所述模糊神经网络模型的训练,通过采用改进后的灰狼算法对所述模糊神经网络模型进行训练,减少了所述模糊神经网络模型的训练时间,提高了所述模糊神经网络模型的收敛精度。
附图说明
图1为本发明模糊神经网络模型的优化方法第一实施例的流程示意图;
图2为本发明模糊神经网络模型的优化方法第二实施例的流程示意图;
图3为本发明模糊神经网络模型的优化***第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种模糊神经网络模型的优化方法,参照图1,图1为本发明模糊神经网络模型的优化方法第一实施例的流程示意图。
本实施例中,所述模糊神经网络模型的优化方法包括以下步骤:
步骤S10:获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
易于理解的是,本实施例所述的模糊神经网络模型基于模糊神经网络构建,所述模糊神经网络模型可根据不同的实际需求进行进一步细化,本实施例主要对所述模糊神经网络模型的模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值进行训练,即将模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值作为所述模糊神经网络模型的待优化参数,再通过改进后的灰狼算法对所述模糊神经网络模型的待优化参数进行迭代处理以完成对所述模糊神经网络模型进行训练,在具体实现中,可基于所述待优化参数生成灰狼种群中每个种群个体的初始位置信息,所述灰狼种群为改进后的灰狼算法中所对应的种群,其大小由所述模糊神经网络的结构决定,在具体应用中,可根据所述模糊神经网络模型的输入数据进行进一步限定,所述输入数据可为待测指标的具体指标信息,本实施例将所述待测指标的具体指标信息作为待测指标信息,所述待测指标信息可通过以下方式获得:
获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标,对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度,选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标,对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息,如在测量土壤重金属含量时,所述待测指标为土壤的重金属含量,其属性信息可为重金属含量,其类别信息可为土壤种类,然后对所述重金属含量和所述土壤种类进行相关性分析,获得所述重金属含量和所述土壤种类的关联指标,如土壤采样点的坐标、土壤采样点的海拔、土壤采样点的功能类型、土壤采样点的有机物含量、土壤采样点的微生物含量、土壤采样点的水分含量等,然后获取上述关联指标所对应的相关度,选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标,对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息。
步骤S20:根据所述初始位置信息计算每个种群个体对应的第一适应度值;
需要说明的是,在获得所述初始位置信息时,可根据所述初始位置信息计算每个种群个体对应的第一适应度值,具体可先将所述初始位置信息分别作为模糊神经网络模型中模糊化层的隶属度函数的中心点、宽度向量以及输出层的权值,再将所述待测指标信息依次输入至模糊神经网络模型的输入层、模糊化层、模糊规则层、模糊决策层、输出层进行计算,获得指标输出值,再将所述指标输出值与预设目标值之间的均方误差值作为每个种群个体对应的第一适应度值。
步骤S30:对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
在具体实现中,在对所述初始位置信息进行更新时,可先将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合,再根据预设筛选规则从所述排序集合中选取目标适应度值集合,然后根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息,再将更新后的所述初始位置信息作为目标位置信息。所述预设筛选规则可为筛选出所述排序集合中第一适应度值排序顺位前三的种群个体,然后根据排序顺位前三的种群个体所对应的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息,再将更新后的所述初始位置信息作为目标位置信息,在具体实现中,可获取位置信息更新的当前迭代次数和总迭代次数,并通过以下公式对所述初始位置信息进行更新,
xinew=(w1*x1+w2*x2+w3*x3)/(w1+w2+w3)
式中,xalpha、xbeta、xdelta分别为第一适应度值排序顺位前三的种群个体的初始位置信息,xi为待更新的种群个体的初始位置信息,fxalpha、fxbeta、fxdelta分别为第一适应度值排序顺位前三的种群个体的第一适应度值,fxi为待更新的种群个体的第一适应度值,i为当前迭代次数,imax为总迭代次数,amax为最大线性因子,c为在每次计算时随机生成的0到1之间的实数,x1、x2、x3分别为第一适应度值排序顺位前三的种群个体对待更新的种群个体的位置吸引度,w1、w2、w3分别为第一适应度值排序顺位前三的种群个体对待更新的种群个体的吸引度比值,xinew为目标位置信息。
步骤S40:根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
易于理解的是,在获得所述目标位置信息后,可根据所述目标位置信息计算每个种群个体对应的第二适应度值,具体可先将所述目标位置信息分别作为模糊神经网络模型中模糊化层的隶属度函数的中心点、宽度向量以及输出层的权值,再将所述待测指标信息依次输入至模糊神经网络模型的输入层、模糊化层、模糊规则层、模糊决策层、输出层进行计算,获得指标输出值,再将所述指标输出值与预设目标值之间的均方误差值作为每个种群个体对应的第二适应度值,再基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理。
步骤S50:判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
需要说明的是,在对所述目标位置信息进行迭代处理后,可根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值,具体可先将迭代处理后的目标位置信息分别作为模糊神经网络模型中模糊化层的隶属度函数的中心点、宽度向量以及输出层的权值,再将所述待测指标信息依次输入至模糊神经网络模型的输入层、模糊化层、模糊规则层、模糊决策层、输出层进行计算,获得指标输出值,再将所述指标输出值与预设目标值之间的均方误差值作为每个种群个体对应的第三适应度值,然后选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数,根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件,在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型,然后将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值,如上述对土壤重金属含量进行预测时,所述待测指标信息对应的预测值则为基于所述属性信息和所述类别信息生成的土壤重金属含量的预测值。
本实施例通过获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息,根据所述初始位置信息计算每个种群个体对应的第一适应度值,对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息,根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理,判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型以完成对所述模糊神经网络模型的训练,通过采用改进后的灰狼算法对所述模糊神经网络模型进行训练,减少了所述模糊神经网络模型的训练时间,提高了所述模糊神经网络模型的收敛精度。
参考图2,图2为本发明模糊神经网络模型的优化方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S40包括:
步骤S401:根据所述目标位置信息计算每个种群个体对应的第二适应度值,并将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
易于理解的是,在获得所述目标位置信息后,可根据所述目标位置信息计算每个种群个体对应的第二适应度值,具体可先将所述目标位置信息分别作为模糊神经网络模型中模糊化层的隶属度函数的中心点、宽度向量以及输出层的权值,再将所述待测指标信息依次输入至模糊神经网络模型的输入层、模糊化层、模糊规则层、模糊决策层、输出层进行计算,获得指标输出值,再将所述指标输出值与预设目标值之间的均方误差值作为每个种群个体对应的第二适应度值,然后比较每个种群个体的所述第一适应度值和所述第二适应度值的大小,并将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体。
步骤S402:根据预设概率公式计算所述扰动种群个体对应的中心扰动概率;
在具体实现中,所述扰动种群个体在进行位置信息更新后对应的适应度值降低,则可统计所述扰动种群个体的适应度值降低次数,所述适应度值降低次数初始设置为0,在适应度值连续降低时,则实时增加所述适应度值降低次数,当适应度值未出现连续降低的情况或对种群个体进行了中心位置扰动处理时,将所述适应度值降低次数重置为0,并根据所述适应度值降低次数计算中心扰动概率,其中,所述预设概率公式为,
式中,pi为扰动种群个体对应的中心扰动概率,T为扰动种群个体的适应度值降低次数。
步骤S403:根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
需要说明的是,在根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理时,可随机生成一个0到1之间的实数,若该数小于中心扰动概率,则对所述扰动种群个体的目标位置信息进行中心位置扰动处理。
步骤S404:若是,则根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
在具体实现中,在需要对所述扰动种群个体的目标位置信息进行中心位置扰动处理时,可获取所述灰狼种群中心点的位置信息,所述灰狼种群中心点的位置信息为灰狼种群中所有种群个体的位置信息的均值,以及所述扰动种群个体的目标位置信息迭代处理的当前迭代次数和总迭代次数,并根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理,其中,所述预设扰动公式为,
式中,xinew为迭代处理后的扰动种群个体的目标位置信息,xmean为灰狼种群中心点的位置信息,xi为扰动种群个体的目标位置信息,i为当前迭代次数,imax为总迭代次数,amax为最大线性因子,c为在每次计算时随机生成的0到1之间的实数。
本实施例通过根据所述目标位置信息计算每个种群个体对应的第二适应度值,并将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体,根据预设概率公式计算所述扰动种群个体对应的中心扰动概率值,根据所述中心扰动概率值判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理,若是,则根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理以便于所述模糊神经网络方便快捷得获得全局最优解,从而进一步地缩短所述模糊神经网络模型的训练时间,提高所述模型神经网络模型的决策精度。
参照图3,图3为本发明模糊神经网络模型的优化***第一实施例的结构框图。
如图3所示,本发明实施例提出的模糊神经网络模型的优化***包括:
信息获取模块10,用于获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
适应度计算模块20,用于根据所述初始位置信息计算每个种群个体对应的第一适应度值;
位置更新模块30,用于对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
迭代处理模块40,用于根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
模型输出模块50,用于判断迭代处理后的目标位置信息是否满足预设迭代停止条件,在满足所述预设迭代停止条件时,根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
本实施例通过获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息,根据所述初始位置信息计算每个种群个体对应的第一适应度值,对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息,根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理,判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型以完成对所述模糊神经网络模型的训练,通过采用改进后的灰狼算法对所述模糊神经网络模型进行训练,减少了所述模糊神经网络模型的训练时间,提高了所述模糊神经网络模型的收敛精度。
基于本发明上述模糊神经网络模型的优化***第一实施例,提出本发明模糊神经网络模型的优化***的第二实施例。
在本实施例中,所述***还包括:
信息预测模块60,用于获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标;
所述信息预测模块60,还用于对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度;
所述信息预测模块60,还用于选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标;
所述信息预测模块60,还用于对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息;
所述信息预测模块60,还用于将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值。
所述位置更新模块30,还用于将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合;
所述位置更新模块30,还用于根据预设筛选规则从所述排序集合中选取目标适应度值集合;
所述位置更新模块30,还用于根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息;
所述位置更新模块30,还用于将更新后的所述初始位置信息作为目标位置信息。
所述迭代处理模块40,还用于根据所述目标位置信息计算每个种群个体对应的第二适应度值;
所述迭代处理模块40,还用于将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
所述迭代处理模块40,还用于根据预设概率公式计算所述扰动种群个体对应的中心扰动概率值;
所述迭代处理模块40,还用于根据所述中心扰动概率值判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
所述迭代处理模块40,还用于在需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理时,根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
所述模型输出模块,还用于根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值;
所述模型输出模块50,还用于选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数;
所述模型输出模块50,还用于根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件;
所述模型输出模块50,还用于在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型。
本发明模糊神经网络模型的优化***的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种模糊神经网络模型的优化方法,其特征在于,所述方法包括以下步骤:
获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
根据所述初始位置信息计算每个种群个体对应的第一适应度值;
对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
2.如权利要求1所述的方法,其特征在于,所述获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息的步骤之前,还包括:
获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标;
对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度;
选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标;
对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息;
所述判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型的步骤之后,所述方法还包括:
将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值。
3.如权利要求1所述的方法,其特征在于,所述对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息的步骤,具体包括:
将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合;
根据预设筛选规则从所述排序集合中选取目标适应度值集合;
根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息;
将更新后的所述初始位置信息作为目标位置信息。
4.如权利要求1所述的方法,其特征在于,所述根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理的步骤,具体包括:
根据所述目标位置信息计算每个种群个体对应的第二适应度值,并将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
根据预设概率公式计算所述扰动种群个体对应的中心扰动概率;
根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
若是,则根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
5.如权利要求1所述的方法,其特征在于,所述判断迭代处理后的目标位置信息是否满足预设迭代停止条件,若满足,则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型的步骤,具体包括:
根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值;
选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数;
根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件;
在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型。
6.一种模糊神经网络模型的优化***,其特征在于,所述***包括:
信息获取模块,用于获取模糊神经网络模型的待优化参数,基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息;
适应度计算模块,用于根据所述初始位置信息计算每个种群个体对应的第一适应度值;
位置更新模块,用于对所述初始位置信息进行更新,获得更新后的初始位置信息,并将更新后的所述初始位置信息作为目标位置信息;
迭代处理模块,用于根据所述目标位置信息计算每个种群个体对应的第二适应度值,并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理;
模型输出模块,用于判断迭代处理后的目标位置信息是否满足预设迭代停止条件,在满足所述预设迭代停止条件时,根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。
7.如权利要求6所述的***,其特征在于,所述***还包括:
信息预测模块,用于获取待测指标的属性信息和类别信息,并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标;
所述信息预测模块,还用于对所述输出指标进行相关性分析,获得所述输出指标的关联指标及所述关联指标对应的相关度;
所述信息预测模块,还用于选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标;
所述信息预测模块,还用于对所述输入指标对应的指标信息进行归一化处理,获得待测指标信息;
所述信息预测模块,还用于将所述待测指标信息输入至所述优化后的模糊神经网络模型中,以获得所述待测指标信息对应的预测值。
8.如权利要求6所述的***,其特征在于,所述位置更新模块,还用于将所述第一适应度值按照从大到小的顺序进行排序,获得排序集合;
所述位置更新模块,还用于根据预设筛选规则从所述排序集合中选取目标适应度值集合;
所述位置更新模块,还用于根据所述目标适应度值集合中包含的第一适应度值对所述初始位置信息进行更新,获得更新后的初始位置信息;
所述位置更新模块,还用于将更新后的所述初始位置信息作为目标位置信息。
9.如权利要求6所述的***,其特征在于,所述迭代处理模块,还用于根据所述目标位置信息计算每个种群个体对应的第二适应度值;
所述迭代处理模块,还用于将所述第一适应度值大于所述第二适应度值的种群个体作为扰动种群个体;
所述迭代处理模块,还用于根据预设概率公式计算所述扰动种群个体对应的中心扰动概率;
所述迭代处理模块,还用于根据所述中心扰动概率判断是否需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理;
所述迭代处理模块,还用于在需要对所述扰动种群个体对应的目标位置信息进行中心位置扰动处理时,根据预设扰动公式对所述扰动种群个体的目标位置信息进行迭代处理。
10.如权利要求6所述的***,其特征在于,所述模型输出模块,还用于根据迭代处理后的目标位置信息计算每个种群个体对应的第三适应度值;
所述模型输出模块,还用于选取所述种群中第三适应度值最大的种群个体作为最优种群个体并获取当前迭代处理次数;
所述模型输出模块,还用于根据所述最优种群个体的适应度值和所述当前迭代处理次数判断是否满足预设迭代停止条件;
所述模型输出模块,还用于在所述最优种群个体的所述适应度值大于等于预设适应度值或所述当前迭代次数达到预设迭代次数时,判定迭代处理后的所述目标位置信息满足预设迭代条件,并输出优化后的模糊神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545619.6A CN111723909A (zh) | 2020-06-15 | 2020-06-15 | 模糊神经网络模型的优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545619.6A CN111723909A (zh) | 2020-06-15 | 2020-06-15 | 模糊神经网络模型的优化方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723909A true CN111723909A (zh) | 2020-09-29 |
Family
ID=72566977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010545619.6A Pending CN111723909A (zh) | 2020-06-15 | 2020-06-15 | 模糊神经网络模型的优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723909A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076698A (zh) * | 2021-04-20 | 2021-07-06 | 广西大学 | 基于车间大数据的动态多目标协同优化方法和*** |
CN113553270A (zh) * | 2021-07-28 | 2021-10-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
CN114998583A (zh) * | 2022-05-11 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像处理方法、图像处理装置、设备及存储介质 |
WO2023272987A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
CN113553270B (zh) * | 2021-07-28 | 2024-07-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
-
2020
- 2020-06-15 CN CN202010545619.6A patent/CN111723909A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076698A (zh) * | 2021-04-20 | 2021-07-06 | 广西大学 | 基于车间大数据的动态多目标协同优化方法和*** |
WO2023272987A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
CN113553270A (zh) * | 2021-07-28 | 2021-10-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
CN113553270B (zh) * | 2021-07-28 | 2024-07-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
CN114998583A (zh) * | 2022-05-11 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像处理方法、图像处理装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A return-cost-based binary firefly algorithm for feature selection | |
CN111723909A (zh) | 模糊神经网络模型的优化方法及*** | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN113257425B (zh) | 一种优化LSTM和LightGBM参数的流感预测***、存储介质和装置 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及*** | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及*** | |
Tembusai et al. | K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification | |
CN115329683B (zh) | 航空行李在线装载规划方法、装置、设备及介质 | |
KR20210039921A (ko) | 신경망 모델을 최적화하도록 구성된 심층 신경망 시스템의 동작 방법 | |
Özsoy et al. | Estimating the parameters of nonlinear regression models through particle swarm optimization | |
CN115906399A (zh) | 一种改进的小样本数据下产品关键工艺质量预测方法 | |
CN115237878A (zh) | 基于增材制造的工艺数据库构建方法及介质 | |
CN117437507A (zh) | 一种用于评价图像识别模型的偏见性评估方法 | |
CN114926701A (zh) | 一种模型训练方法、目标检测方法、以及相关设备 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及*** | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN116304518A (zh) | 用于信息推荐的异质图卷积神经网络模型构建方法及*** | |
CN115829097A (zh) | 一种基于vmd和kelm的空调超短期负荷预测方法 | |
CN115953584A (zh) | 一种具有可学习稀疏性的端到端目标检测方法及*** | |
CN113792984B (zh) | 基于云模型的防空反导指挥控制模型能力评估方法 | |
CN115083511A (zh) | 基于图表示学习与注意力的***基因调控特征提取方法 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及*** | |
CN115221955A (zh) | 基于样本差异分析的多深度神经网络参数融合***及方法 | |
CN114548297A (zh) | 基于领域自适应的数据分类方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |