CN108288093A - Bp神经网络权值确定方法、系统以及预测方法、系统 - Google Patents

Bp神经网络权值确定方法、系统以及预测方法、系统 Download PDF

Info

Publication number
CN108288093A
CN108288093A CN201810092698.2A CN201810092698A CN108288093A CN 108288093 A CN108288093 A CN 108288093A CN 201810092698 A CN201810092698 A CN 201810092698A CN 108288093 A CN108288093 A CN 108288093A
Authority
CN
China
Prior art keywords
ripples
multidimensional
fitness value
dissemination process
judging result
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
Application number
CN201810092698.2A
Other languages
English (en)
Inventor
王春枝
任紫扉
叶志伟
陈颖哲
金灿
王毅超
吴盼
周方禹
王鑫
孙爽
蔡文成
罗启星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810092698.2A priority Critical patent/CN108288093A/zh
Publication of CN108288093A publication Critical patent/CN108288093A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种BP神经网络权值确定方法、系统以及预测方法、系统。确定方法包括：获取训练样本集并获取多个神经网络权值；构建水波群并初始化；选出当前最优水波并判断适应度值是否小于适应度阈值；若否，确定最优文本特征向量；若是，进行传播处理并计算适应度值；判断水波适应度值是否增大；若是，用传播处理后的水波代替传播处理前的水波；否则保留传播处理前的水波；根据各第二判断结果更新水波群及迭代次数，并重新确定当前最优水波；判断迭代次数是否小于迭代阈值；若是则判断当前最优水波的适应度值是否达到适应度阈值；否则确定最优神经网络权值。本发明提供的方法及系统能够在保证分类的精度的前提下提高神经网络权值的可信度。

Description

BP神经网络权值确定方法、系统以及预测方法、系统
技术领域
本发明涉及计算机性能管理技术领域，特别是涉及BP神经网络权值确定方法、系统以及预测方法、系统。
背景技术
BP神经网络的神经元的权值会影响目标函数的收敛性以及它的收敛速度。这是因为BP神经网络系统研究的是非线性问题，所以，神经网络权值会直接影响误差函数是否能够收敛，收敛后是否收敛于局部最小值以及影响训练完成的时间。如果神经网络权值的初始值太大，将会使加权求和后的输入值落在激活函数的饱和区，从而导致激活函数的导数非常小，由计算权值的修正公式会导致连接权系数的调节过程几乎会停顿下来。因此，一般都希望神经网络权值在加权求和后的输出值总是接近于零，这样一来，可以保证加权求和后的输出值都不会落在激励函数的平坦区，可以根据其变化对神经网络权值进行最大的调节。
水波优化算法寻优能力强，计算复杂度低，计算速度快、能跳出局部最优的能力，利用水波优化算法和BP神经网络相结合，可以通过对BP网络的神经元权值的优化解决目标函数收敛性和收敛速度对BP神经网络的影响，提高了BP神经网络的整体性能。
发明内容
本发明的目的是提供一种BP神经网络权值确定方法、系统以及预测方法、系统，从而提高BP神经网络权值的可信度。
为实现上述目的，本发明提供了如下方案：
一种BP神经网络权值的确定方法，所述确定方法包括：
获取训练样本集，所述训练样本集包括若干训练样本；
根据各个所述训练样本的的相关度获取多个BP神经网络权值；
构建包括若干多维水波的水波群，并初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值；
计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波；
判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，则根据所述当前最优水波的位置确定所述BP神经网络权值；
若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，则对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值；
判断所述传播处理后的多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果；
若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
若所述第三判断结果表示所述迭代次数小于迭代阈值，则重新判断所述当前最优水波的适应度值是否大于或者等于适应度阈值；
若所述第三判断结果表示所述迭代次数大于或者等于迭代阈值，则根据所述当前最优水波的位置确定BP神经网络权值。
可选的，所述根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数，具体包括：
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果；
若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，则对传播处理后的多维水波进行碎浪处理，获得多个子波；
计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波；
判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果；
若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，则用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
可选的，保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波，具体包括：
将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波；
判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，则保留所述波高减1后的多维水波；
若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，则对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波，并用折射处理后的多维水波代替所述波高减1后的多维水波。
可选的，所述计算所述水波群中每个多维水波的适应度值，具体包括：根据公式计算多维水波的适应度值，其中F表示适应度值，K表示所述训练样本的数量，是所述BP神经网络的实际输出，yi是BP神经网络的期望输出。
为实现上述目的，本发明还提供了如下方案：
一种BP神经网络权值的确定系统，所述确定系统包括：
训练集获取模块，用于获取训练样本集，所述训练样本集包括若干训练样本；
BP神经网络权值获取模块，用于根据各个所述训练样本的的相关度获取多个BP神经网络权值；
水波群初始化模块，用于构建包括若干多维水波的水波群，并随机初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值；
适应度计算模块，用于计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波；
第一判断模块，用于判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
最优BP神经网络权值确定模块，用于若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，则根据所述当前最优水波的位置确定所述BP神经网络权值；
传播处理后适应度计算模块，用于若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，则对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值；
第二判断模块，用于判断所述传播处理后的多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果；
第二判断结果处理模块，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新模块，用于根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
更新后最优多维水波确定模块，用于计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
第三判断模块，用于判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
最优BP神经网络权值确定模块，还用于若所述第三判断结果表示所述迭代次数等于迭代阈值时，则根据所述当前最优水波的位置确定BP神经网络权值；
第一判断模块，还用于若所述第三判断结果表示所述迭代次数小于迭代阈值时，判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果。
可选的，所述更新模块具体包括：
保留单元，用于若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第四判断单元，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果；
第一代替单元，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
碎浪处理单元，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，则对传播处理后的多维水波进行碎浪处理，获得多个子波；
最优子波选择单元，用于计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波；
第五判断单元，用于判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果；
第二代替单元，用于若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，则用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第三代替单元，用于若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新单元，用于根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
可选的，所述保留单元具体包括：
波高减1子单元，用于将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波；
第六判断子单元，用于判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
保留子单元，用于若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，则保留所述波高减1后的多维水波；
折射子单元，用于若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，则对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波，并用折射处理后的多维水波代替所述波高减1后的多维水波。
为实现上述目的，本发明还提供了如下方案：
一种优化BP神经网络服务器的性能预测方法，所述性能预测方法包括：
获取训练样本集的BP神经网络权值，所述训练样本集的BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
根据所述BP神经网络权值训练分类器，获得训练好的分类器；
获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
将所述待测BP神经网络权值输入所述训练好的分类器，所述训练好的分类器完成对待测BP神经网络权值的分类；
根据完成测试的BP神经网络权值对服务器性能进行预测。
为实现上述目的，本发明还提供了如下方案：
一种优化BP神经网络服务器的性能预测系统，所述性能预测系统包括：
最优样本BP神经网络权值获取模块，用于获取训练样本集的最优BP神经网络权值，所述训练样本集的最优BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
训练模块，用于根据所述最优BP神经网络权值训练分类器，获得训练好的分类器；
待测BP神经网络权值获取模块，用于获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
分类模块，用于将所述待测BP神经网络权值输入数据进行训练，获得训练好的分类器；
预测模块，用于根据完成测试的BP神经网络权值对服务器性能进行预测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明首先根据训练样本集获取多个BP神经网络权值，然后使用水波算法对获取的BP神经网络权值进行优化。在优化过程中，首先对水波群中的各水波进行传播处理，然后用传播处理后适应度值增大的水波代替水波群中原来的水波，使得水波群中各水波的适应度值随着迭代次数的增加而逐渐增大，最终选出满足适应度阈值的BP神经网络权值。可见，本发明通过传播处理操作，可从优化搜索的角度出发进行进化，使BP神经网络权值一代又一代地优化，最终获得最优的BP神经网络权值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的BP神经网络权值的确定方法的流程图。
图2为本发明实施例2提供的BP神经网络权值的确定系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种BP神经网络权值确定方法、系统以及预测方法、系统，从而提高BP神经网络权值的可信度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1提供的BP神经网络权值的确定方法的流程图。如图1所示，一种BP神经网络权值的确定方法，所述确定方法包括：
步骤101：获取训练样本集，所述训练样本集包括若干训练样本。
步骤102：根据各个所述训练样本的的相关度获取多个BP神经网络权值。
步骤103：构建包括若干多维水波的水波群，并初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值。
水波特征选择规则编码以一个水波表示一条特征选择候选解，候选解集对应某个水波群，水波的维数对应特征的个数，每一维对应一个特征，对预选择得到的每一个特征都面临着两种选择，选择该特征或剔除该特征，即特征的属性只有两个，即0和1，选择该特征则水波在该维度的值为1，不选择该特征则该维度的值为0。每个水波都有一个波高h和波长λ，在初始化种群时，把h设置成一个常数hmax，即hmax表示设定的最大波高值，λ的初始值一般设置为0.5。
步骤104：计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波。
步骤105：判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，执行步骤106；
若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，执行步骤107。
步骤106：根据所述当前最优水波的位置确定所述最优BP神经网络权值。
步骤107：对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值。
假设水波群中原来的多维水波为x，对x进行传播处理后获得的多维水波为x'，最大值函数F的维度为D，传播处理就是对多维水波x的每一维上进行如公式(1)所示的操作来产生x'的每一维的数值，即通过传播处理改变x的位置，从而获得x'。
x'(d)＝x(d)+rand(-1,1)·λL(d) (1)
其中，d∈D，x(d)表示原始水波x的第d维的位置，即原始水波x的第d维的数值；x'(d)表示传播处理后的水波x'的第d维的位置，即传播处理后的水波x'的第d维的数值；，rand(-1,1)表示[-1,1]之间均匀分布的随机数，λ表示原始水波x的波长，L(d)表示搜索空间第d维的长度。如果L(d)的长度超过了设定的搜索空间第d维的长度，则将其按照公式(2)随机设置为有效范围内的一个新位置。
L(d)＝lb(d)+rand(0,1)·(ub(d)-lb(d)) (2)
其中，lb(d)表示搜索空间的第d维的下界，ub(d)表示搜索空间第d维的上界，rand(0,1)表示[0,1]之间的随机数。
所述计算所述水波群中每个多维水波的适应度值，具体包括：根据公式计算多维水波的适应度值，其中F表示适应度值，K表示所述训练样本的数量，是所述BP神经网络的实际输出，yi是BP神经网络的期望输出。
步骤108：判断所述传播处理后的各多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果。
若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，执行步骤109。
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，执行步骤110。
步骤109：用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波，并将传播处理后的多维水波的波高重置为hmax。
步骤110：保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波。
步骤111：根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
步骤112：计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
步骤113：判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
若所述第三判断结果表示所述迭代次数小于迭代阈值，则重新判断所述当前最优水波的适应度值是否大于或者等于适应度阈值；
若所述第三判断结果表示所述迭代次数大于或者等于迭代阈值，则根据所述当前最优水波的位置确定BP神经网络权值。
具体地，步骤111：根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数，具体包括：
步骤1111：若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波。
步骤1112：若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果。
若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，执行步骤1113。
若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，执行步骤1114。
步骤1113：用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波。
步骤1114：对传播处理后的多维水波进行碎浪处理，获得多个子波。
在水波理论中，水波能量的不断增加会使波峰越来越陡峭，当波峰的速度超过水波的传播速度时，这个水波就会碎裂成一系列的孤立波。本实施例在水波优化算法中，对传播处理后的水波进行碎浪操作来生成一系列的孤立波，以此来提高种群的多样性，避免陷入局部最优。
碎浪处理的具体方法为：先随机选择传播处理后的多维水波x′的k维(k表示介于1和一个预定义参数kmax之的一个随机数)，在选择的每一维上按公式(3)产生一个孤立的子波x″：
x″(d)＝x′(d)+N(0,1)·βL(d) (3)
其中，x″(d)表示碎浪处理后的x″的第d维的位置，即x″(d)表示碎浪处理后的水波x″的第d维的数值，x'(d)表示碎浪处理前的x'的第d维的位置，β是碎浪系数且β∈(0.001,0.01)，L(d)表示搜索空间第d维的长度，N(0,1)表示随机函数。
步骤1115：计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波。
步骤1116：判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果。
若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，执行步骤1117。
若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，步骤1118。
步骤1117：用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波。
步骤1118：用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波。
步骤1119：根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
其中，步骤1111：保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波，具体包括：
步骤11111：将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波，从而模拟水波在传播过程中的能量耗散；
步骤11112：判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，执行步骤11113；
若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，执行步骤11114；
步骤11113：保留所述波高减1后的多维水波，并按照公式(4)更新所述波高减1后的多维水波的波长。
其中，λ表示更新前的所述波高减1后的多维水波的波长，λ′表示更新后的所述波高减1后的多维水波的波长，α为波长衰减系数，f(x)表示更新前的所述波高减1后的多维水波的适应度值，fmax和fmin分别表示当前种群中最大的适应度值和最小的适应度值，ε表示一极小的正数以避免分母为0，可选地，ε∈(0,10-12)。
根据公式式(4)可知，适应度值越大，波长越短，相应的水波传播的范围也越小，因此，水波算法能够使适应度值较大的水波加强局部搜索从而加快寻优速度。
步骤11114：对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波x-1，并用折射处理后的多维水波代替所述波高减1后的多维水波。
水波在传播的过程中流经山底、山谷这些具有深海特征的陡峭地方时就会绕射，也就是所说的折射。在水波优化算法中只对波高为0的水波进行折射操作，以避免搜索停滞。根据公式(5)来更新水波折射后每一维的位置：
其中，x″′表示折射处理后的水波，x*表示当前最优水波，x*(d)表示当前最优水波第d维的位置，即x*(d)表示当前最优水波第d维的数值，x″′(d)表示折射处理后的水波第d维的位置，x-1(d)表示折射处理前的多维水波x-1第d维的位置，N(μ,σ)表示均值为μ、标准差为σ的高斯随机数，即参数μ对应参数σ对应折射操作后，x″′的波高仍重置为hmax，同时按公式(6)对x″′水波的波长进行更新：
其中，表示更新后的水波的波长，λ″′表示更新前的水波的波长，表示更新后的水波的适应度值，f(x″′)表示更新前的水波的适应度值。
根据第二判断结果的不同采用不同的水波算法处理各个水波后，根据所述第二判断结果、第四判断结果、第五判断结果以及第六判断结果更新所述水波群，并更新所述水波群的迭代次数。
本实施例首先使用对BP神经网络权值进行预选择，然后使用水波算法对预选择得到的BP神经网络权值进行精选。在精选过程中，首先对水波群中的各水波进行传播处理，然后用传播处理后适应度值增大的水波代替水波群中原来的水波，使得水波群中各水波的适应度值随着迭代次数的增加而逐渐增大，最终选出满足适应度阈值的BP神经网络权值。可见，本发明通过传播处理操作，可从优化搜索的角度出发进行进化，使文本特征向量一代又一代地优化，并逼进最优文本特征向量，从而在保证分类精度的前提下有效提高BP神经网络权值的可信度。
实施例2：
图2为本发明实施例2提供的BP神经网络权值的确定系统的结构框图。如图2所述，一种BP神经网络权值的确定系统，其特征在于，所述确定系统包括：
训练集获取模块201，用于获取训练样本集，所述训练样本集包括若干训练样本；
BP神经网络权值获取模块202，用于根据各个所述训练样本的的相关度获取多个BP神经网络权值；
水波群初始化模块203，用于构建包括若干多维水波的水波群，并随机初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值；
适应度计算模块204，用于计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波；
第一判断模块205，用于判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
最优BP神经网络权值确定模块206，用于若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，则根据所述当前最优水波的位置确定所述BP神经网络权值；
传播处理后适应度计算模块207，用于若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，则对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值；
第二判断模块208，用于判断所述传播处理后的多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果；
第二判断结果处理模块209，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新模块210，用于根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
更新后最优多维水波确定模块211，用于计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
第三判断模块212，用于判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
最优特征向量确定模块，还用于若所述第三判断结果表示所述迭代次数等于迭代阈值时，则根据所述当前最优水波的位置确定所述预选文本特征集的最优文本特征向量；
第一判断模块，还用于若所述第三判断结果表示所述迭代次数小于迭代阈值时，判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果。
具体地，所述更新模块210具体包括：
保留单元2101，用于若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第四判断单元2102，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果；
第一代替单元2103，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
碎浪处理单元2104，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，则对传播处理后的多维水波进行碎浪处理，获得多个子波；
最优子波选择单元2105，用于计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波；
第五判断单元2106，用于判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果；
第二代替单元2107，用于若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，则用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第三代替单元2108，用于若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新单元2109，用于根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
本实施例中，所述保留单元2101具体包括：
波高减1子单元21011，用于将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波；
第六判断子单元21012，用于判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
保留子单元21013，用于若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，则保留所述波高减1后的多维水波；
折射子单元21014，用于若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，则对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波，并用折射处理后的多维水波代替所述波高减1后的多维水波。
水波优化算法将种群中每个个体类比为一个“水波”对象，通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。每个水波都有一个波高h和波长λ，在初始化种群时，把h设置成一个常数hmax，λ一般设置为0.5。每个水波的适应度值与其到海床的垂直距离成反比，由此可知水波距离海床越近，适应度越大，其波高越高，波长越短。解决优化问题的过程中是以传播、碎浪和折射这3种操作来进行全局搜索，以此来模拟自然界中的水波在流动过程中的行为，从而获取最优BP神经网络权值。
实施例3：
一种优化BP神经网络服务器的性能预测方法，所述性能预测方法包括：
步骤31：获取训练样本集的BP神经网络权值，所述训练样本集的BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
步骤32：根据所述BP神经网络权值训练分类器，获得训练好的分类器；
步骤33：获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
步骤34：将所述待测BP神经网络权值输入所述训练好的分类器，所述训练好的分类器完成对待测BP神经网络权值的分类；
步骤35：根据完成测试的BP神经网络权值对服务器性能进行预测。
实施例4：
一种优化BP神经网络服务器的性能预测系统，所述性能预测系统包括：
最优样本BP神经网络权值获取模块41，用于获取训练样本集的最优BP神经网络权值，所述训练样本集的最优BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
训练模块42，用于根据所述最优BP神经网络权值训练分类器，获得训练好的分类器；
待测BP神经网络权值获取模块43，用于获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
分类模块44，用于将所述待测BP神经网络权值输入数据进行训练，获得训练好的分类器；
预测模块45，用于根据完成测试的BP神经网络权值对服务器性能进行预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种BP神经网络权值的确定方法，其特征在于，所述确定方法包括：
获取训练样本集，所述训练样本集包括若干训练样本；
根据各个所述训练样本的的相关度获取多个BP神经网络权值；
构建包括若干多维水波的水波群，并初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值；
计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波；
判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，则根据所述当前最优水波的位置确定所述BP神经网络权值；
若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，则对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值；
判断所述传播处理后的多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果；
若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
若所述第三判断结果表示所述迭代次数小于迭代阈值，则重新判断所述当前最优水波的适应度值是否大于或者等于适应度阈值；
若所述第三判断结果表示所述迭代次数大于或者等于迭代阈值，则根据所述当前最优水波的位置确定BP神经网络权值。
2.根据权利要求1所述的确定方法，其特征在于，所述根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数，具体包括：
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果；
若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，则对传播处理后的多维水波进行碎浪处理，获得多个子波；
计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波；
判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果；
若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，则用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
3.根据权利要求2所述的确定方法，其特征在于，保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波，具体包括：
将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波；
判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，则保留所述波高减1后的多维水波；
若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，则对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波，并用折射处理后的多维水波代替所述波高减1后的多维水波。
4.根据权利要求1所述的确定方法，其特征在于，所述计算所述水波群中每个多维水波的适应度值，具体包括：根据公式计算多维水波的适应度值，其中F表示适应度值，K表示所述训练样本的数量，是所述BP神经网络的实际输出，yi是BP神经网络的期望输出。
5.一种BP神经网络权值的确定系统，其特征在于，所述确定系统包括：
训练集获取模块，用于获取训练样本集，所述训练样本集包括若干训练样本；
BP神经网络权值获取模块，用于根据各个所述训练样本的的相关度获取多个BP神经网络权值；
水波群初始化模块，用于构建包括若干多维水波的水波群，并随机初始化各所述多维水波的位置、波高和波长，其中，每个所述多维水波的位置对应一个所述BP神经网络权值；
适应度计算模块，用于计算所述水波群中每个多维水波的适应度值，并选出适应度值最大的多维水波作为当前最优水波；
第一判断模块，用于判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果；
最优BP神经网络权值确定模块，用于若所述第一判断结果表示所述当前最优水波的适应度值大于或者等于适应度阈值，则根据所述当前最优水波的位置确定所述BP神经网络权值；
传播处理后适应度计算模块，用于若所述第一判断结果表示所述当前最优水波的适应度值小于适应度阈值，则对所述水波群中的各所述多维水波进行传播处理，并计算所述传播处理后的多维水波的适应度值；
第二判断模块，用于判断所述传播处理后的多维水波的适应度值是否大于所述传播处理前的多维水波的适应度值，获得第二判断结果；
第二判断结果处理模块，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新模块，用于根据各个所述第二判断结果更新所述水波群，并更新所述水波群的迭代次数；
更新后最优多维水波确定模块，用于计算更新后的所述水波群中的每个多维水波的适应度值，并将更新后的适应度值最大的多维水波作为当前最优水波；
第三判断模块，用于判断所述迭代次数是否小于迭代阈值，获得第三判断结果；
最优BP神经网络权值确定模块，还用于若所述第三判断结果表示所述迭代次数等于迭代阈值时，则根据所述当前最优水波的位置确定BP神经网络权值；
第一判断模块，还用于若所述第三判断结果表示所述迭代次数小于迭代阈值时，判断所述当前最优水波的适应度值是否大于或者等于适应度阈值，获得第一判断结果。
6.根据权利要求5所述的确定系统，其特征在于，所述更新模块具体包括：
保留单元，用于若所述第二判断结果表示传播处理后的多维水波的适应度值小于或者等于传播处理前的多维水波的适应度值，则保留所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第四判断单元，用于若所述第二判断结果表示传播处理后的多维水波的适应度值大于传播处理前的多维水波的适应度值，则判断所述传播处理后的多维水波的适应度值是否大于所述当前最优水波的适应度值，得到第四判断结果；
第一代替单元，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值小于或者等于所述当前最优水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
碎浪处理单元，用于若所述第四判断结果表示所述传播处理后的多维水波的适应度值大于所述当前最优水波的适应度值，则对传播处理后的多维水波进行碎浪处理，获得多个子波；
最优子波选择单元，用于计算每个所述子波的适应度值，选出适应度值最大的子波作为最优子波；
第五判断单元，用于判断所述最优子波的适应度值是否大于所述传播处理后的多维水波的适应度值，获得第五判断结果；
第二代替单元，用于若所述第五判断结果表示所述最优子波的适应度值大于所述传播处理后的多维水波的适应度值，则用所述最优子波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
第三代替单元，用于若所述第五判断结果表示所述最优子波的适应度值小于或者等于所述传播处理后的多维水波的适应度值，则用传播处理后的多维水波代替所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波；
更新单元，用于根据所述第二判断结果、第四判断结果以及第五判断结果更新所述水波群，并更新所述水波群的迭代次数。
7.根据权利要求6所述的确定系统，其特征在于，所述保留单元具体包括：
波高减1子单元，用于将所述水波群中与所述传播处理后的多维水波对应的传播处理前的多维水波的波高减1，得到波高减1后的多维水波；
第六判断子单元，用于判断所述波高减1后的多维水波的波高是否大于0，得到第六判断结果；
保留子单元，用于若所述第六判断结果表示所述波高减1后的多维水波的波高大于0，则保留所述波高减1后的多维水波；
折射子单元，用于若所述第六判断结果表示所述波高减1后的多维水波的波高等于0，则对所述波高减1后的多维水波进行折射处理，得到折射处理后的多维水波，并用折射处理后的多维水波代替所述波高减1后的多维水波。
8.一种优化BP神经网络服务器的性能预测方法，所述性能预测方法包括：
获取训练样本集的BP神经网络权值，所述训练样本集的BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
根据所述BP神经网络权值训练分类器，获得训练好的分类器；
获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
将所述待测BP神经网络权值输入所述训练好的分类器，所述训练好的分类器完成对待测BP神经网络权值的分类；
根据完成测试的BP神经网络权值对服务器性能进行预测。
9.一种优化BP神经网络服务器的性能预测系统，所述性能预测系统包括：
最优样本BP神经网络权值获取模块，用于获取训练样本集的最优BP神经网络权值，所述训练样本集的最优BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
训练模块，用于根据所述最优BP神经网络权值训练分类器，获得训练好的分类器；
待测BP神经网络权值获取模块，用于获取待分类样本的待测BP神经网络权值，所述待测BP神经网络权值为根据权利要求1-4任一项所述的确定方法确定的BP神经网络权值；
分类模块，用于将所述待测BP神经网络权值输入数据进行训练，获得训练好的分类器；
预测模块，用于根据完成测试的BP神经网络权值对服务器性能进行预测。
CN201810092698.2A 2018-01-31 2018-01-31 Bp神经网络权值确定方法、系统以及预测方法、系统 Pending CN108288093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810092698.2A CN108288093A (zh) 2018-01-31 2018-01-31 Bp神经网络权值确定方法、系统以及预测方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810092698.2A CN108288093A (zh) 2018-01-31 2018-01-31 Bp神经网络权值确定方法、系统以及预测方法、系统

Publications (1)

Publication Number Publication Date
CN108288093A true CN108288093A (zh) 2018-07-17

Family

ID=62836005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810092698.2A Pending CN108288093A (zh) 2018-01-31 2018-01-31 Bp神经网络权值确定方法、系统以及预测方法、系统

Country Status (1)

Country Link
CN (1) CN108288093A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109227550A (zh) * 2018-11-12 2019-01-18 吉林大学 一种基于rbf神经网络的机械臂控制方法
WO2022135209A1 (zh) * 2020-12-25 2022-06-30 清华大学 神经网络的权值的量化方法、量化装置及存储介质
CN117809262A (zh) * 2024-03-01 2024-04-02 广州宇中网络科技有限公司 一种实时图像识别方法及客户行为分析系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109227550A (zh) * 2018-11-12 2019-01-18 吉林大学 一种基于rbf神经网络的机械臂控制方法
WO2022135209A1 (zh) * 2020-12-25 2022-06-30 清华大学 神经网络的权值的量化方法、量化装置及存储介质
CN117809262A (zh) * 2024-03-01 2024-04-02 广州宇中网络科技有限公司 一种实时图像识别方法及客户行为分析系统

Similar Documents

Publication Publication Date Title
CN104866904B (zh) 一种基于spark的遗传算法优化的BP神经网络并行化方法
CN108288093A (zh) Bp神经网络权值确定方法、系统以及预测方法、系统
CN110020667A (zh) 神经网络结构的搜索方法、系统、存储介质以及设备
CN108460461A (zh) 基于ga-bp神经网络的火星壤剪切参数预测方法
CN109325580A (zh) 一种用于服务组合全局优化的自适应布谷鸟搜索方法
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN109284860A (zh) 一种基于正交反向樽海鞘优化算法的预测方法
CN106445821A (zh) 一种基于遗传算法实现测试用例自动生成的方法
CN110444022A (zh) 交通流数据分析模型的构建方法和装置
CN110472840A (zh) 一种基于神经网络技术的农业水利调度方法及系统
CN110147890A (zh) 一种基于狮群算法优化极限学习机集成学习的方法及系统
CN109242558A (zh) 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统
CN107392315B (zh) 一种优化大脑情感学习模型的乳腺癌数据分类方法
CN110222816B (zh) 深度学习模型的建立方法、图像处理方法及装置
CN106651001A (zh) 一种改进神经网络的金针菇产量预测方法及实施系统
EP3674959A1 (en) Optimization calculation method and information processing apparatus
Tomczyk et al. Robust indicator-based algorithm for interactive evolutionary multiple objective optimization
CN108133240A (zh) 一种基于烟花算法的多标签分类方法及系统
CN107480724A (zh) 一种聚类中心的确定方法、确定系统及一种聚类方法
CN112200208A (zh) 基于多维度特征融合的云工作流任务执行时间预测方法
CN105956715A (zh) 一种土壤墒情预测方法及装置
CN110210623A (zh) 基于模拟退火和信息熵的自适应多目标混合差分进化算法
CN109711460A (zh) 初始聚类中心的获取方法及装置
Liu et al. Automatic calibration of numerical models using fast optimisation by fitness approximation
CN115392441A (zh) 量化神经网络模型的片内适配方法、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

Application publication date: 20180717

RJ01 Rejection of invention patent application after publication