CN109935304A - 一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 - Google Patents
一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 Download PDFInfo
- Publication number
- CN109935304A CN109935304A CN201910199501.XA CN201910199501A CN109935304A CN 109935304 A CN109935304 A CN 109935304A CN 201910199501 A CN201910199501 A CN 201910199501A CN 109935304 A CN109935304 A CN 109935304A
- Authority
- CN
- China
- Prior art keywords
- user experience
- neural network
- ukf
- test macro
- matrix
- 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.)
- Withdrawn
Links
Abstract
本发明提供一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,包括以下步骤,根据拥抱机的不同规格选择影响用户体验的决策参数;利用用户体验测试系统采集不同决策参数的用户体验结果,构建建模样本集;将构建的建模样本集进行归一化处理,获得归一化样本集;根据所述归一化样本集构建UKF神经网络模型;根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数;利用差分演化算对UKF神经网络模型进行优化。本发明的有益效果是,利用UKF‑DE神经网络挖掘拥抱机不同参数与用户体验结果之间的关系进行建模,企业产品开发人员进行产品升级、优化提供指导。
Description
技术领域
本发明涉及神经网络、用户体验领域,更为具体地,涉及一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法。
背景技术
如今,正值心理健康危机日益严重的时期,尤其是年轻人。根据2015 年的《高等教育纪事报》的一份报道中指出,自杀是大学生死亡的第二大杀手,仅次于交通事故;自1999年以来,美国的整体自杀率飙升了约25%。针对那些患有自闭症、SPD(感觉紊乱)、抑郁症、发育迟缓人群或者仅仅是压力过大的用户。有研究表明,借助外物适度挤压身体能够极大缓解焦虑情绪舒缓压力,像拥抱机这样声称能够通过背腹双侧按摩减轻心理压力,改善肢体运动能力,能够有效减轻患者普遍存在的紧张情绪,让用户在放松的状态下更容易学会与他人的互动交流。因此一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法的提出是非常有必要的。
发明内容
鉴于上述问题,本发明的目的是提供一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,能够解决拥抱机产品升级、优化难的问题。
本发明提供一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,包括以下步骤,
根据拥抱机的不同规格选择影响用户体验的决策参数;
利用用户体验测试系统采集不同决策参数的用户体验结果,构建建模样本集;
将构建的建模样本集进行归一化处理,获得归一化样本集;
根据所述归一化样本集构建UKF神经网络模型;
根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数;
利用差分演化算对UKF神经网络模型进行优化。
进一步的,所述决策参数包括,滚筒颜色x1,滚筒材质x2,滚筒宽度x3,滚筒直径x4,机架长度x5,机架宽度x6,机架高度x7;
输入矩阵X的获得方法包括以下步骤:
第一步:对决策参数数据进行处理,采用数字代码标识决策参数数据;
第二步:构建输入参数矩阵其中,n代表用户数量,i代表每一个用户所对应的拥抱机参数数据,i=1,2,3,4,5,6,7,分别对应滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长度、机架宽度、机架高度参数数据;
第三步:构造新的矩阵
第四步:计算出矩阵M的特征值,输入矩阵由其特征值构成
进一步的,采用以下公式获取输出结果Y,
其中,n代表用户数量;
进一步的,所述UKF神经网络模包括输入层、隐含层和输出层,所述输入层与所述隐含层由权值连接,所述隐含层与所述输出层由权值连接;所述前馈神经网络函数表达式如下:
其中,函数F(X)为S型函数,为隐含层激发函数;w1ik,w2kj,b1k,b2j分别代表输入层与隐含层的连接权值,隐含层和输出层的连接权值,隐含层阈值,输出层阈值;表示归一化的样本。
进一步的,所述根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数,包括以下步骤
第一步:设前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为:
设I中的个数为n个值;
设定非线性方程:
其中,Xk为K时刻的神经网络输入样本;令ωk=0,vk=0,Yk为神经网络输出样本;
第二步:设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ,以及非负权系数β;
第三步:计算2n+1个σ点以及σ点的相应权重,其中,n为状态矩阵的I 维度,λ=a2(n+κ)-n,其中,κ为待选参数,a为分布状态参数;第四步:计算σ点的一步状态预测及状态变量协方差Pk+1|k;
第四步:计算输出的一步提前预测以及协方差
第五步:进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵;
第六步:对获取的新样本数据重新进行第二步至第五步,直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新;
第七步:对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值;
第八步:根据获得网络参数各层权值、阈值,利用UKF神经网络构建的函数模型如下:
其中,g-1是反归一函数,分别代表网络函数和归一化函数。进一步的,所述利用差分演化算对UKF神经网络模型进行优化包括以下步骤:
第一步:编码并初始化步骤,包括,设初始状态种群规模为N,最大迭代次数为T,交叉概率因子CR∈[0,1],变异因子F∈[0,2],所求解间题的自变量是D维的。如果当前进化的代数为t,那么当前第t代种群里第i个个体Xi,j如下所示:
变量指定的空间搜索范围是[Xmin,Xmax],上式中每一个参数值域的范围都是在[Xmin,Xmax]内随机产生的,初始化的都是在以上值域内随机产生的。设进化代数为t,t=0,在[Xmin,Xmax]内随机的产生个N个体,从而构成初始种群:
第二步:个体评价操作步骤,包括,计算种群中每一个个体Xi,j的适应度函数值,值表示为f(xi,t);
第三步:DE算法通过差分的方式实现变异操作步骤,包括,对于种群里的每一个个体xi,t,随机生成H个彼此不相同的整数r1,r2,r3∈{1,2,3···,N},生成变异个体Vi,t:
若得到的变异个体Vi,t不在[Xmin,Xmax]范围里,则令:
Vi,t=Xmin+rand(0,1)*(Xmax-Xmin)
rand(0,1)是随机分布在(0,1)内的数;
第四步:交叉步骤,包括,生成一个随机的整数randni然后通过下式对目标个体Xi,t,和变异个体Vi,t进行操作产生实验个体通过随机选择使得 Ui,t至少有一位是Vi,t贡献的,其他位是由Vi,t贡献还是由Xi,t贡献则交给交叉概率CR來决定:
上式中randnj是均匀分布在[0,1]内的随化实数,randnj是{1,2,..., D}内随机产生的用于对维数进行索引的标号,这样可以保证了中至少有一位是由变异个体贡献的。CR是在[0,1]内的一个常数,成为交叉概率因子。
第五步:选择步骤,包括,采用“贪婪选择”策略,由目标个体Xi,t和候选个体Ui,t,进行竞争。
式子里f代表的是适应度函数,在Xi,t和Ui,t中选择适应度函数值较优的一方替换原来的第t代个体,作为第t+1代个化同时迭代计数器(t)加1。上式子是以最大化问题的处理为例的。
第六步:终止步骤,包括,若种群Xi,t达到了最大迭代次数T或者是满足终止条件,就输出最优解,作为优化所得最优产品设计参数组合。否则跳转第二步。
本发明的有益效果是,提供的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,利用UKF-DE神经网络挖掘拥抱机不同参数与用户体验结果之间的关系进行建模;并通过智能优化算法获取用户体验结果最优的拥抱机参数,为企业产品开发人员进行产品升级、优化提供指导。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法流程示意图。
图2为根据本发明实施例的前馈神经网络结构示意图。
图3为根据本发明实施例的差分演化算法过程示意图。
图4指数交叉过程示意图。
图5二项式交叉过程示意图。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
目前,亟需解决拥抱机产品升级优化困难的问题,影响用户体验过程评分的各个因素之间往往呈现出高度的复杂性和非线性,采用常规预测、分析方法存在一定难度,利用UKF神经网络进行建模,采用差分演化算法对 UKF神经网络所建立模型进行优化,以提高模型精度及模型泛化能力并获取神经网络参数,获取所构建模型的最佳用户体验值,并根据所构建模型的最佳用户体验值确定最优产品设计参数获取所构建模型的最值,并根据所构建模型的最值确定最优决策参数;利用本发明,能够解决企业对自闭症拥抱机产品升级优化困难的问题。
针对前述提出的目前拥抱机升级、优化难度高的问题,本发明提出了一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法及系统,其中,本发明利用UKF神经网络方法挖掘拥抱机不同参数与用户体验结果之间的关系进行建模;并通过UKF-DE算法获取用户体验结果最优的拥抱机参数,为企业产品开发人员进行产品升级、优化提供指导。
其中,需要说明的是,UKF(Unscented Kalman Filter),中文释义是无损卡尔曼滤波、无迹卡尔曼滤波或者去芳香卡尔曼滤波,是无迹变换(UT)和标准Kalman滤波体系的结合,通过无损变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,图1示出了根据本发明实施例的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法流程。
如图1所示,本发明提供的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法包括:
S1根据拥抱机的不同规格选择影响用户体验的决策参数;
S2利用用户体验测试系统采集不同决策参数的用户体验结果,构建建模样本集;
S3将构建的建模样本集进行归一化处理,获得归一化样本集;
S4根据所述归一化样本集构建UKF神经网络模型;
S5根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数;
S6利用差分演化算对UKF神经网络模型进行优化。
上述为本发明的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法的流程,在步骤S110中,实际拥抱机体验过程中,不同类型的产品用户的体验结果不同。为此本发明采用不同的滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长、机架宽、机架高等作为影响用户体验结果的决策参数;其中,影响用户体验结果的决策参数如表1所示:
表1决策参数及符号表
在步骤S2中,样本采集;利用用户体验测试系统获得不同的决策参数下的用户体验结果,构建建模样本集[X,Y];
其中,输入矩阵X获得方法由以下步骤构成:
A1:构建输入参数矩阵其中,n代表用户数量,i代表每一个用户所对应的拥抱机参数数据,i=1,2,3,4,5,6,7分别对应滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长度、机架宽度、机架高度的参数数据。
A2:构造新的矩阵
A3:计算出矩阵M的特征值,输入矩阵由其特征值构成
输出结果Y的获得方法,由于用户体验测系统结果受环境变量的影响大,用户体验结果误差较大,因此,采取求平均值的办法得到输出结果Y:
其中,n代表用户数量,结果保留两位小数。采集到数据如表2所示:
表2数据采集样本部分数据
在步骤S3中,数据预处理。利用神经网络建模过程中,其隐含层节点函数为S型函数,其值域为[-1,1];为提高建模过程精度,故而将所有的采集的样本进行归一化处理。即:将样本集的参量值利用线性归一化方法映射到 [-1,1]范围内,得到归一化的样本集
具体地,利用线性映射方法,对得到的训练输入、输出样本X、Y进行去除量纲化处理,得到新的训练输入、输出矩阵具体归一化算法如下:
即:
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量第k个样本值;
为归一化后第i个输入变量第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前第j个输出变量的第k个采集样本值;
为归一化后第j个输出变量的第k个值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}
得到归一化后样本集:
在步骤S4中,构建3层前馈神经网络,输入变量为输出变量设置隐含层神经元个数为s1。图2示出了根据本发明实施例的前向神经网络结构,如图2所示,前向神经网络输入层、隐含层、输出层通过权值、阈值进行连接。设置隐含层输出函数为S 型函数、输出层为线性函数;该3层神经网络函数表达式如下:
式中函数F(X)为S型函数,为隐含层激发函数,输出层激发函数为线性函数,w1ik,w2kj,b1k,b2j分别代表输入层与隐含层的连接权值,隐含层和输出层的连接权值;隐含层阈值;输出层阈值;表示归一化的样本。
在步骤S5中,本发明利用无迹卡尔曼滤波对构建的三层前向网络参数进行训练,得到最终数学模型:
(1)设3层前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l 为输出层神经元数.输入层至隐层神经元的连接权值阈值为隐层至输出层的连接权值阈值为则UKFNN中所有权值和阈值组成的状态变量I为:
设I中的个数为n个值。
设定非线性方程:
其中函数表达式参考公式(3),Xk为K时刻的神经网络输入样本。令ωk=0,vk=0。Yk为神经网络输出样本。
(2)设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ,以及非负权系数β。
(3)计算2n+1个σ点(即采样点,一个采样点即为一组I值)以及σ点 (采样点)的相应权重。其中n为状态矩阵的I维度。λ=a2(n+κ)-n
2n+1个采样点计算如下:
每个采样点的权值如下:
(4)计算σ点的一步状态预测及状态变量协方差Pk+1|k;
(计算后为一组采样点)
(计算后为n×n的矩阵)
(5)计算输出的一步提前预测以及协方差Pzk;
(6)进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵;
(7)对获取的新样本数据(Xk+1,Yk+1)重新进行(2)~(6)步,直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新。从而得到适应于所有样本状态矩阵。
(8)对最后一组样本得到状态矩阵X作为三层网络训练得到的权值和阈值。
(9)在得到网络参数各层权值、阈值后确定,利用UKFNN构建的函数模型如下:
具体地,在步骤S5中,采用UKF神经网络对通过用户体验测试系统所得数据进行建模。得到神经网络参数w、b、β,如下所示。
得到输入层到隐层的权值w1(20×10):
隐层神经元阈值b1(20×1):
隐层到输出层权值w2(1×20):
w2=[-0.23 0.78 0.21 … -0.059]
输出层阈值b2(1×1):
b2=-0.7893
在步骤S6中,运用差分演化算法对决策参量在各自的上下限进行优化,得到最佳决策参数。图3示出了根据本发明实施例的差分演化算法流程图。差分演化算法(Differential Evolution Algorithm,DE)是模拟达尔文提出的进化论,及自然界生物进化过程,重要步骤包括初始化、变异交叉和选择,其解决问题的基本思路即:先随机生成一个初始种群,然后计算种群中每个个体的适应度函数值,在此基础上再使用选择算子、交叉算子以及变异算子等方式迭代处理,选出最优解成为新的一代,送样不断地循环迭代,直到满足最终的停止条件。
其中具体步骤如下:
(1)编码并初始化:差分演化算法是用实数编码的,设初始状态种群规模为N,最大迭代次数为T,交叉概率因子CR∈[0,1],变异因子F∈[0,2],所求解间题的自变量是D维的。如果当前进化的代数为t,那么当前第t代种群里第i个个体Xi,j如下所示:
变量指定的空间搜索范围是[Xmin,Xmax],上式中每一个参数值域的范围都是在[Xmin,Xmax]内随机产生的,初始化的都是在以上值域内随机产生的。设进化代数为t,t=0,在[Xmin,Xmax]内随机的产生个N个体,从而构成初始种群:
(2)个体评价操作:计算种群中每一个个体Xi,j的适应度函数值,值表示为f(xi,t);
(3)变异:DE算法通过差分的方式实现变异操作。对于种群里的每一个个体xi,t,随机生成H个彼此不相同的整数r1,r2,r3∈{1,2,3···,N},并且彼 i,r1,r2,r3此之间也不相同,然后生成变异个体Vi,t:
如果得到的变异个体Vi,t不在[Xmin,Xmax]范围里,就令:
Vi,t=Xmin+rand(0,1)*(Xmax-Xmin)
rand(0,1)是随机分布在(0,1)内的数。变异操作是差分进化算法中最重要的一步,这也是此算子名称的由来。
(4)交叉;交叉操作的对象是变异产生的变异个体和目标个体,此操作是按照每个个体的向量分量进行的。具体操作过程如下所示:先生成一个随机的整数randni然后通过下式对目标个体Xi,t,和变异个体Vi,t进行操作产生实验个体在此过程中为了保证个体进化,必须保证通过随机选择使得Ui,t至少有一位是Vi,t贡献的,其他位是由 Vi,t贡献还是由Xi,t贡献则交给交叉概率CR來决定:
上式中randnj是均匀分布在[0,1]内的随化实数,randnj是{1,2,...,D} 内随机产生的用于对维数进行索引的标号,这样可以保证了中至少有一位是由变异个体贡献的。CR是在[0,1]内的一个常数,成为交叉概率因子。交叉操作的意义是为了使种群更加多样,从而在演化过程中能够更好地获得优良个体。交叉方式有二项式交叉和指数交叉两种。两种交叉过程示意图4和图5所示:
(5)选择;该操作采用“贪婪选择”策略,由目标个体Xi,t和候选个体 Ui,t,进行竞争。
式子里f代表的是适应度函数,在Xi,t和Ui,t中选择适应度函数值较优的一方替换原来的第t代个体,作为第t+1代个化同时迭代计数器(t)加1。上式子是以最大化问题的处理为例的。
(6)终止:若种群Xi,t达到了最大迭代次数T或者是满足终止条件,就输出最优解,即最优参数组合,否则跳转第二步。
(7)DE算法的主要相关参数包括有:变异因子(F)、交叉概率因子 (CR)、种群规模(NP)最大迭代次数T、维度D以及终止条件。通过实际考虑 NP=60,F=0.5,CR=0.9,D=8得到最优产品设计参数组合;其中,表3示出了最优参数组合。
表3最优参数组合
通过上述实施方式可以看出,本发明提供的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法及系统,利用UKF神经网络方法挖掘拥抱机不同参数与用户体验结果之间的关系进行建模;利用差分演化算法对上述神经网络构建的模型进行优化,获取所构建模型的最佳用户体验值,并根据所构建模型的最佳用户体验值确定最优产品设计参数,为企业产品开发人员进行产品升级、优化提供指导。
如上参照附图以示例的方式描述了根据本发明提出的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法及系统。但是,本领域技术人员应当理解,对于上述本发明所提出的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法及系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (6)
1.一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其特征在于,包括以下步骤,
根据拥抱机的不同规格选择影响用户体验的决策参数;
利用用户体验测试系统采集不同决策参数的用户体验结果,构建建模样本集;
将构建的建模样本集进行归一化处理,获得归一化样本集;
根据所述归一化样本集构建UKF神经网络模型;
根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数;
利用差分演化算对UKF神经网络模型进行优化。
2.如权利要求1所述的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其特征在于,所述决策参数包括,滚筒颜色x1,滚筒材质x2,滚筒宽度x3,滚筒直径x4,机架长度x5,机架宽度x6,机架高度x7;
输入矩阵X的获得方法包括以下步骤:
第一步:对决策参数数据进行处理,采用数字代码标识决策参数数据;
第二步:构建输入参数矩阵其中,n代表用户数量,i代表每一个用户所对应的拥抱机参数数据,i=1,2,3,4,5,6,7,分别对应滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长度、机架宽度、机架高度参数数据;
第三步:构造新的矩阵
第四步:计算出矩阵M的特征值,输入矩阵由其特征值构成。
3.如权利要求1所述的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其特征在于,
采用以下公式获取输出结果Y,
其中,n代表用户数量。
4.如权利要求1所述的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其特征在于,
所述UKF神经网络模包括输入层、隐含层和输出层,所述输入层与所述隐含层由权值连接,所述隐含层与所述输出层由权值连接;所述前馈神经网络函数表达式如下:
其中,函数F(X)为S型函数,为隐含层激发函数;w1ik,w2kj,b1k,b2j分别代表输入层与隐含层的连接权值,隐含层和输出层的连接权值,隐含层阈值,输出层阈值;表示归一化的样本。
5.如权利要求1所述的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其特征在于,
所述根据所述用户体验测试系统所得到的数据对UKF神经网络进行训练,获取神经网络参数,包括以下步骤
第一步:设前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为:
设I中的个数为n个值;
设定非线性方程:
其中,Xk为K时刻的神经网络输入样本;令ωk=0,vk=0,Yk为神经网络输出样本;
第二步:设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ,以及非负权系数β;
第三步:计算2n+1个σ点以及σ点的相应权重,其中,n为状态矩阵的I维度,λ=a2(n+κ)-n,其中,κ为待选参数,a为分布状态参数;第四步:计算σ点的一步状态预测及状态变量协方差Pk+1|k;
第四步:计算输出的一步提前预测以及协方差
第五步:进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵;
第六步:对获取的新样本数据重新进行第二步至第五步,直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新;
第七步:对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值;
第八步:根据获得网络参数各层权值、阈值,利用UKF神经网络构建的函数模型如下:
其中,g-1是反归一函数,f(X)分别代表网络函数和归一化函数。
6.如权利要求1所述的一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法,其中,
所述利用差分演化算对UKF神经网络模型进行优化包括以下步骤:
第一步:编码并初始化步骤,包括,设初始状态种群规模为N,最大迭代次数为T,交叉概率因子CR∈[0,1],变异因子F∈[0,2],所求解间题的自变量是D维,如果当前进化的代数为t,那么当前第t代种群里第i个个体Xi,j如下所示:
变量指定的空间搜索范围是[Xmin,Xmax],上式中每一个参数值域的范围都是在[Xmin,Xmax]内随机产生的,初始化的是在以上值域内随机产生,设进化代数为t,t=0,在[Xmin,Xmax]内随机的产生个N个体,从而构成初始种群:
第二步:个体评价操作步骤,包括,计算种群中每一个个体Xi,j的适应度函数值,值表示为f(xi,t);
第三步:DE算法通过差分的方式实现变异操作步骤,包括,对于种群里的每一个个体xi,t,随机生成H个彼此不相同的整数r1,r2,r3∈{1,2,3…,N},生成变异个体Vi,t:
若得到的变异个体Vi,t不在[Xmin,Xmax]范围里,则令:
Vi,t=Xmin+rand(0,1)*(Xmax-Xmin)
rand(0,1)是随机分布在(0,1)内的数;
第四步:交叉步骤,包括,生成一个随机的整数randni然后通过下式对目标个体Xi,t,和变异个体Vi,t进行操作产生实验个体通过随机选择使得Ui,t至少有一位是Vi,t贡献的,其他位是由Vi,t贡献还是由Xi,t贡献则交给交叉概率CR來决定:
上式中randnj是均匀分布在[0,1]内的随化实数,randnj是{1,2,...,D}内随机产生的用于对维数进行索引的标号,CR是在[0,1]内的一个常数,成为交叉概率因子;
第五步:选择步骤,包括,采用“贪婪选择”策略,由目标个体Xi,t和候选个体Ui,t,进行竞争,
式子里f代表的是适应度函数,在Xi,t和Ui,t中选择适应度函数值较优的一方替换原来的第t代个体,作为第t+1代个化同时迭代计数器(t)加1。上式子是以最大化问题的处理为例的;
第六步:终止步骤,包括,若种群Xi,t达到了最大迭代次数T或者是满足终止条件,则输出最优解作为优化所得最优产品设计参数组合,否则跳转第二步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199501.XA CN109935304A (zh) | 2019-03-15 | 2019-03-15 | 一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199501.XA CN109935304A (zh) | 2019-03-15 | 2019-03-15 | 一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109935304A true CN109935304A (zh) | 2019-06-25 |
Family
ID=66987339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910199501.XA Withdrawn CN109935304A (zh) | 2019-03-15 | 2019-03-15 | 一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109935304A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
CN105046326A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于功图主元分析的抽油机参数优化方法 |
CN106019940A (zh) * | 2016-06-21 | 2016-10-12 | 重庆科技学院 | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 |
US20180136899A1 (en) * | 2015-05-22 | 2018-05-17 | Cirrus Logic International Semiconductor Ltd. | Adaptive receiver |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
-
2019
- 2019-03-15 CN CN201910199501.XA patent/CN109935304A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046326A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于功图主元分析的抽油机参数优化方法 |
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
US20180136899A1 (en) * | 2015-05-22 | 2018-05-17 | Cirrus Logic International Semiconductor Ltd. | Adaptive receiver |
CN106019940A (zh) * | 2016-06-21 | 2016-10-12 | 重庆科技学院 | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
Non-Patent Citations (3)
Title |
---|
张生军: "《基于视觉的无标记手势识别》", 30 June 2016, 吉林大学出版社 * |
肖怀铁等: "《基于核方法的雷达高分辨率距离像目标识别理论与方法》", 30 September 2015, 国防工业出版社 * |
邵建华等: "《高等数学》", 31 August 2014, 上海科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salmeron et al. | Learning fuzzy cognitive maps with modified asexual reproduction optimisation algorithm | |
CN107516110A (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
Ramesh et al. | Performance analysis of data mining techniques for placement chance prediction | |
CN105550509B (zh) | 一种医用输液滴速评价方法及系统 | |
CN103324981B (zh) | 基于神经网络的放化疗规范化质量控制的量化方法 | |
CN107315775A (zh) | 一种指数计算平台和方法 | |
Afriliansyah et al. | Prediction of Life Expectancy in Aceh Province by District City Using the Cyclical Order Algorithm | |
CN115295153A (zh) | 基于深度学习的认知评估方法及认知任务推送方法 | |
Suzuki et al. | Goal-directed processes in similarity judgment | |
CN104680023B (zh) | 基于多目标决策的抽油机参数优化方法 | |
CN109935304A (zh) | 一种基于用户体验测试系统的自闭症拥抱机智能设计建模与决策参数优化方法 | |
CN109920516A (zh) | 一种面向用户体验的自闭症拥抱机智能设计建模与决策参数优化方法 | |
CN114504777B (zh) | 基于神经网络和模糊综合评价的锻炼强度计算系统和方法 | |
Reddy et al. | Neural networks for prediction of loan default using attribute relevance analysis | |
Linkens et al. | Recognition of patient anaesthetic levels: neural network systems, principal components analysis, and canonical discriminant variates | |
Abidin et al. | Prediction of preclinical academic performance using ANFIS model | |
Li et al. | The development and management work innovation of university students by artificial intelligence and deep learning in the wireless network era | |
CN109754881A (zh) | 一种社区筛查方案的评估方法及装置 | |
Livingston et al. | Comparison of coacting individuals' motor performance for varying combinations of initial ability | |
Kajić et al. | Biologically constrained large-scale model of the Wisconsin card sorting test | |
Vázquez et al. | Hybrid neural-fuzzy modeling and classification system for blood pressure level affectation | |
Fiszelew et al. | Automatic Generation of Neural Networks | |
Velásquez-Rojas et al. | Effects of the COVID-19 pandemic in higher education: a particular case from the perspective of complex systems | |
Pan et al. | An Autoencoder-Based Response Time Model and Its Application in Anomaly Detection |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190625 |