CN109978163A - 一种基于grnn模型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grnn模型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
- CN109978163A CN109978163A CN201910198762.XA CN201910198762A CN109978163A CN 109978163 A CN109978163 A CN 109978163A CN 201910198762 A CN201910198762 A CN 201910198762A CN 109978163 A CN109978163 A CN 109978163A
- Authority
- CN
- China
- Prior art keywords
- sample set
- model
- neural network
- sigma
- user experience
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 title abstract 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title abstract 2
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 30
- 206010003805 Autism Diseases 0.000 claims description 21
- 208000020706 Autistic disease Diseases 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 4
- 239000000427 antigen Substances 0.000 claims description 3
- 102000036639 antigens Human genes 0.000 claims description 3
- 108091007433 antigens Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012356 Product development Methods 0.000 abstract 1
- 238000009412 basement excavation Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 206010040026 Sensory disturbance Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010012559 Developmental delay Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于GRNN模型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GR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GR神经网络进行训练，获取神经网络参数；利用免疫算法对GR神经网络模型进行优化。本发明利用GR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。
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 GRNN模型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。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GR神经网络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GRNN模型的自闭症拥抱 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GRNN模型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GR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GR神经网络进行训练，获 取神经网络参数；
利用免疫算法对GR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，构建的GRNN模型方程式如下：
其中，表示所有样本观测值Yi的加权平均；Yi表示观测值；X网 络输入变量；Xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。
进一步的，所述根据所述归一化样本集构建GR神经网络模型包括以下 步骤，
第一步：设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距 Δh；
第二步：取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B 作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本 集为A；
第三步：取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为 测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算 测试集A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训 练样本集为B；否则Emin＝E1，最佳训练样本集仍为A；
第四步：取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于第 二步或者第三步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为 σ0；
第五步：在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差 值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、 训练样本集为最优的σ值和训练样本集。
进一步的，所述利用免疫算法对GR神经网络模型进行优化包括以下步 骤，
疫选择算子设计定义D(Abi)为抗体Abi的浓度，S(Abi)为与抗体Abi相 似的抗体总数，生成如下表达式：
D(Abi)＝S(Abi)/N，(i＝1,2,...,B)
定义抗体Abi的亲和度函数为aff(Abi)，抗体Abi的亲和度矢量距离为 d(Abi)，生成如下表达式：
定义抗体Abi基于D(Abi)和d(Abi)的选择概率为PS(Abi)，生成如下表 达式：
进一步的，所述利用免疫算法对GR神经网络模型进行优化包括以下步 骤，
第一步：设置编码方式，具体包括，
采用二进制编码方式，算法的编码长度为15，终止条件是当给定的最 大迭代次数达到或者解在连续30次迭代中不再变化，初始种群规模为 100，每个测试函数独立运行40次，规定算法的性能评价标准为平均最优 值、标准差和平均迭代次数。
IIA变异率表达式如下：
式中，Pm(t)为变异率；t为进化代次；T为变异周期；ε为变异概率 调节因子；γ为扰动，0＜γ＜＜ε，γ的作用是当k为奇数时，变异率 不为零。
第二步：随机产生初始抗体群。
第三步：计算抗体-抗原亲和度，亲和度的计算公式如下：
式中，f(Ab)为抗体Ab对应的可行解的目标函数值。η为调节因子， 目的是防止在某些情况下，候选解的f(Ab)均过大，导致aff(Ab)相差甚 微。
第四步：抗体克隆扩增，克隆数目与亲和度成正比，克隆规模表达式如 下：
第五步：抗体变异，抗体根据周期变异率Pm(t)进行变异，获得新的抗 体，Pm(t)按如下公式进行计算：
第六步：抗体选择，根据选择概率PS(Abi)选择抗体，PS(Abi)按以下公 式进行计算：
第七步：重复步骤三至步骤六，直至满足终止条件，然后输出结果，得 到最优产品设计参数组合。
本发明的有益效果是
本发明利用GR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GRNN模型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GRNN模型结构示意图。
图3为根据本发明实施例的变异率示意图。
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GR神经网络进行建模，采用改进免疫算法对ELM 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值，并根据所构建模型的最值确定最优产品 设计参数；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GR神经网络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GR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；并通过改进免疫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。
GR神经网络既GRNN。
其中，需要说明的是，GRNN(Generalized Regression Neural Network)模 型是径向基神经网络的一种，具有很强的非线性映射能力和柔性网络结构以 及高度的容错性和鲁棒性。GR神经网络与GRNN为同一含义。
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GRNN模型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GRNN模 型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GRNN模型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GR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GR神经网络进行训练， 获取神经网络参数；
S6利用免疫算法对GR神经网络模型进行优化。
上述为本发明的一种基于GRNN模型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S1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数据采集样本步分数据
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
在步骤S4中，构建GRNN模型。采取交叉验证的方式将上述采集的样 本分成A、B子集。若采用A作为训练样本，B作为测试样本。则利用样本 集A归一化的样本集为构建GRNN模型，，图2示出了GRNN模型 的结构。
构建的GRNN模型方程式如下，式中σ为网络扩展因子，为需要训练确 定变量，NA为样本集A的样本数量。
其中，表示所有样本观测值Yi的加权平均；Yi表示观测值；X网络 输入变量；Xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。
在步骤S150中，训练扩展因子σ。其训练过程如下：
(1)设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距Δh；
(2)取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B作为 测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算 测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本集为 A；
(3)取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为测试样 本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集 A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训练样本 集为B；否则Emin＝E1，最佳训练样本集仍为A；
(4)取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于第二步或 者第三步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0。
(5)在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳 训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本 集为最优的σ值和训练样本集。
在步骤S6中，利用改进免疫算法优化步骤S150所得神经网络模型的最 值，其过程如下：
第一步：设置编码方式。
采用二进制编码方式，算法的编码长度为15，终止条件是当给定的最 大迭代次数达到或者解在连续30次迭代中不再变化，初始种群规模为 100，每个测试函数独立运行40次，规定算法的性能评价标准为平均最优 值、标准差和平均迭代次数。
IIA变异率表达式如下：
式中，Pm(t)为变异率；t为进化代次；T为变异周期；ε为变异概率 调节因子；γ为扰动，0＜γ＜＜ε，γ的作用是当k为奇数时，变异率 不为零。变异率示意图如图3所示：
第二步：随机产生初始抗体群。
第三步：计算抗体-抗原亲和度，亲和度的计算公式如下：
式中，f(Ab)为抗体Ab对应的可行解的目标函数值。η为调节因子， 目的是防止在某些情况下，候选解的f(Ab)均过大，导致aff(Ab)相差甚 微。
第四步：抗体克隆扩增，克隆数目与亲和度成正比，克隆规模表达式如 下：
第五步：抗体变异，抗体根据周期变异率Pm(t)进行变异，获得新的抗 体，Pm(t)按如下公式进行计算。
第六步：抗体选择，根据选择概率PS(Abi)选择抗体，PS(Abi)按以下公 式进行计算：
第七步：重复步骤三至步骤六，直至满足终止条件，然后输出结果，得 到表3最优产品设计参数组合。
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GRNN模型的自闭 症拥抱机智能设计建模与决策参数优化方法及系统，利用改进免疫算法对用 网络扩展因子算法针对用户体验测试系统所得数据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GRNN模 型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GRNN模型的自闭症 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 (7)
1.一种一种基于GRNN模型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GR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GR神经网络进行训练，获取神经网络参数；
利用免疫算法对GR神经网络模型进行优化。
2.如权利要求1所述的一种基于GRNN模型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GRNN模型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GRNN模型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，
构建的GRNN模型方程式如下：
其中，表示所有样本观测值Yi的加权平均；Yi表示观测值；X网络输入变量；Xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。
5.如权利要求1所述的一种基于GRNN模型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，
所述根据所述归一化样本集构建GR神经网络模型包括以下步骤，
第一步：设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距Δh；
第二步：取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本集为A；
第三步：取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训练样本集为B；否则Emin＝E1，最佳训练样本集仍为A；
第四步：取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于第二步或者第三步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0；
第五步：在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。
6.如权利要求1所述的一种基于GRNN模型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，
所述利用免疫算法对GR神经网络模型进行优化包括以下步骤，
疫选择算子设计定义D(Abi)为抗体Abi的浓度，S(Abi)为与抗体Abi相似的抗体总数，生成如下表达式：
D(Abi)＝S(Abi)/N,(i＝I,2,…，N)
定义抗体Abi的亲和度函数为aff(Abi)，抗体Abi的亲和度矢量距离为d(Abi)，生成如下表达式：
定义抗体Abi基于D(Abi)和d(Abi)的选择概率为PS(Abi)，生成如下表达式：
7.如权利要求1所述的一种基于GRNN模型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，
所述利用免疫算法对GR神经网络模型进行优化包括以下步骤，
第一步：设置编码方式，具体包括，
采用二进制编码方式，算法的编码长度为15，终止条件是当给定的最大迭代次数达到或者解在连续30次迭代中不再变化，初始种群规模为100，每个测试函数独立运行40次，规定算法的性能评价标准为平均最优值、标准差和平均迭代次数；
IIA变异率表达式如下：
式中，Pm(t)为变异率；t为进化代次；T为变异周期；ε为变异概率调节因子；γ为扰动，0＜γ＜＜ε，γ的作用是当k为奇数时，变异率不为零；
第二步：随机产生初始抗体群；
第三步：计算抗体-抗原亲和度，亲和度的计算公式如下：
式中，f(Ab)为抗体Ab对应的可行解的目标函数值。η为调节因子，目的是防止在某些情况下，候选解的f(Ab)均过大，导致aff(Ab)相差甚微；
第四步：抗体克隆扩增，克隆数目与亲和度成正比，克隆规模表达式如下：
第五步：抗体变异，抗体根据周期变异率Pm(t)进行变异，获得新的抗体，Pm(t)按如下公式进行计算：
第六步：抗体选择，根据选择概率PS(Abi)选择抗体，PS(Abi)按以下公式进行计算：
第七步：重复步骤三至步骤六，直至满足终止条件，然后输出结果，得到最优产品设计参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910198762.XA CN109978163A (zh) | 2019-03-15 | 2019-03-15 | 一种基于grnn模型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 |
|---|---|---|---|
| CN201910198762.XA CN109978163A (zh) | 2019-03-15 | 2019-03-15 | 一种基于grnn模型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 |
|---|---|
| CN109978163A true CN109978163A (zh) | 2019-07-05 |
Family
ID=67079118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910198762.XA Withdrawn CN109978163A (zh) | 2019-03-15 | 2019-03-15 | 一种基于grnn模型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) | CN109978163A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
| CN103405093A (zh) * | 2013-07-30 | 2013-11-27 | 华中科技大学 | 一种互动抱枕机器人 |
| CN106054836A (zh) * | 2016-06-21 | 2016-10-26 | 重庆科技学院 | 基于grnn的转炉炼钢工艺成本控制方法及系统 |
| CN106955113A (zh) * | 2017-05-10 | 2017-07-18 | 安徽徽韵心理咨询有限公司 | 一种反馈式智能拥抱引导仪 |
| CN108145717A (zh) * | 2017-03-24 | 2018-06-12 | 华东师范大学 | 一种基于机器人互动的自闭症康复训练系统 |
-
2019
- 2019-03-15 CN CN201910198762.XA patent/CN109978163A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
| CN103405093A (zh) * | 2013-07-30 | 2013-11-27 | 华中科技大学 | 一种互动抱枕机器人 |
| CN106054836A (zh) * | 2016-06-21 | 2016-10-26 | 重庆科技学院 | 基于grnn的转炉炼钢工艺成本控制方法及系统 |
| CN108145717A (zh) * | 2017-03-24 | 2018-06-12 | 华东师范大学 | 一种基于机器人互动的自闭症康复训练系统 |
| CN106955113A (zh) * | 2017-05-10 | 2017-07-18 | 安徽徽韵心理咨询有限公司 | 一种反馈式智能拥抱引导仪 |
Non-Patent Citations (4)
| Title |
|---|
| 叶洪涛: "一种污水生化处理系统模型参数智能估算方法", 《计算机仿真》 * |
| 张生军: "《基于视觉的无标记手势识别》", 30 June 2016, 长春：吉林大学出版社 * |
| 肖怀铁: "《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, 北京：国防工业出版社 * |
| 陈宗海主编: "《系统仿真技术及其应用 第8卷》", 31 August 2006, 合肥：中国科学技术大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | An empirical study of intelligent expert systems on forecasting of fashion color trend | |
| CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
| Lin et al. | A collaborative learning framework for estimating many individualized regression models in a heterogeneous population | |
| Suresh Kumar et al. | A pragmatic ensemble learning approach for effective software effort estimation | |
| CN117709185B (zh) | 一种面向流程工业的数字孪生架构设计方法 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| Arulkumar et al. | A novel usage of artificial intelligence and internet of things in remote‐based healthcare applications | |
| Spitzer et al. | Digital twins and the future of precision mental health | |
| CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
| CN114726751A (zh) | 资源质量监控的智能化预警方法、系统、设备和存储介质 | |
| Lanovaz et al. | Tutorial: Artificial neural networks to analyze single-case experimental designs. | |
| WO2022051379A1 (en) | System and method for providing wellness recommendation | |
| Moreno-Garcia et al. | The generation of qualitative descriptions of multivariate time series using fuzzy logic | |
| CN109978163A (zh) | 一种基于grnn模型的自闭症拥抱机智能设计建模与决策参数优化方法 | |
| Lughofer et al. | Top–down sparse fuzzy regression modeling from data with improved coverage | |
| Bakumenko et al. | Synthesis method of robust neural network models of systems and processes | |
| Aouichaoui et al. | DeepGSA: Plant Data-Driven Global Sensitivity Analysis using Deep Learning | |
| Perepu et al. | Dynamic selection of weights of ensemble models using reinforcement learning for time-series forecasting | |
| Iglesias et al. | DEMDE: Decision Making Design based on Bayesian Network for Personalized Monitoring System | |
| Aljaloud et al. | [Retracted] Comparative Study of Artificial Intelligence Techniques for the Diagnosis of Chronic Nerve Diseases | |
| CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
| Lukács et al. | Bacterial Evolutionary Algorithm Based Autoencoder Architecture Search for Anomaly Detection | |
| CN110009089A (zh) | 一种基于pls-pso神经网络的自闭症拥抱机智能设计建模与决策参数优化方法 | |
| Mbarek et al. | Predicting Patient Arrival Rates in a Multi-Specialty Outpatient Department |
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 |
Application publication date: 20190705 |
|
| WW01 | Invention patent application withdrawn after publication |