CN110020402A - 变异函数套合模型参数估计方法、装置、设备及存储介质 - Google Patents
变异函数套合模型参数估计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110020402A CN110020402A CN201910370406.1A CN201910370406A CN110020402A CN 110020402 A CN110020402 A CN 110020402A CN 201910370406 A CN201910370406 A CN 201910370406A CN 110020402 A CN110020402 A CN 110020402A
- Authority
- CN
- China
- Prior art keywords
- parameter
- estimated
- model
- variation function
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06N3/045—Combinations of networks
Abstract
本发明属于地理统计学技术领域,公开了一种变异函数套合模型参数估计方法、装置、设备及存储介质。该方法包括:获取待研究对象对应的样本信息;基于变异函数公式,确定样本信息对应的第一变异函数值;根据第一变异函数值,确定待研究对象对应的套合模型、套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;根据待估参数的个数、以及各待估参数对应的取值范围和参数精度,确定目标神经网络模型;根据目标神经网络模型、第一变异函数值和样本信息中的滞后距离,确定各待估参数对应的权重值;根据各待估参数对应的权重值,确定各待估参数对应的估计值。通过上述方式,能够简单、快速的对复杂的套合模型参数进行估计。
Description
技术领域
本发明涉及地理统计学技术领域,尤其涉及一种变异函数套合模型参数估计方法、装置、设备及存储介质。
背景技术
地理统计学及其各克里金法(Kriging method)作为目前进行空间变量插值或随机模拟的主要手段,已广泛应用于地质、矿山、土壤、生态等涉及自然资源分布的研究领域。变异函数作为反映区域变量空间结构特征的工具,在地理统计学中占有非常重要的地位。
然而,目前对于变异函数套合模型参数的估计大多是通过拟合方法、精度和稳健性做了多方面的研究,目前主要的方法有最小二乘法、加权回归多项式、线性规划法、目标规划法等。但是这些方法大多仅着眼于单个的球状模型,即仅能实现单一理论的参数估计,难以对复杂的套合模型参数进行估计。
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一种变异函数套合模型参数估计方法、装置、设备及存储介质,旨在解决现有技术无法简单、快速的实现对复杂的套合模型参数进行估计的技术问题。
为实现上述目的,本发明提供了一种变异函数套合模型参数估计方法,所述方法包括以下步骤:
获取待研究对象对应的样本信息;
基于变异函数公式,确定所述样本信息对应的第一变异函数值;
根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;
根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型;
根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值;
根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
优选地,所述根据所述第一变异函数值,确定所述待研究对象对应的套合模型的步骤,包括:
根据所述第一变异函数值,绘制经验半方差散点图;
将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较,将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。
优选地,所述根据所述第一变异函数值,确定各待估参数对应的取值范围和参数精度的步骤,包括:
根据所述经验半方差散点图中的上极值和下极值,确定所述套合模型中各待估参数对应的取值范围和参数精度。
优选地,所述根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型的步骤,包括:
根据所述套合模型中各待估计参数对应的取值范围和参数精度,确定所述套合模型中各待估参数对应的长度;
对所述套合模型中各待估参数对应的长度进行二进制编码处理,得到所述套合模型中各待估参数对应的二进制码;
根据所述套合模型中各待估参数对应的二进制码的位数,确定所述套合模型中各待估参数对应的神经元个数;
根据所述待估参数的个数,确定所述目标神经网络模型的层数;
根据所述套合模型中各待估参数对应的神经元个数,确定所述目标神经网络模型中各网络层的神经元个数;
将确定的层数作为第一筛选条件,各网络层的神经元个数作为第二筛选条件,从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型,并将查找到的预设神经网络模型作为所述目标神经网络模型。
优选地,所述根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值的步骤,包括:
将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值;
将所述第二变异函数值与所述第一变异函数值进行比较,若所述第二变异函数值与所述第一变异函数值相同,则获取所述目标神经网络模型中各待估参数对应的网络层的权重值,并将获取到的权重值作为对应的待估参数的权重值。
优选地,所述将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的步骤之前,所述方法还包括:
对所述目标神经网络模型进行初始化,得到二值化神经网络模型;
其中,所述将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的步骤,包括:
将所述滞后距离作为输入参数,输入到所述二值化神经网络模型中,得到第二变异函数值。
优选地,所述根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值的步骤,包括:
对所述套合模型中各待估参数对应的权重值进行解码处理,得到所述套合模型中各待估参数对应的参数估值结果;
将所述套合模型中各待估参数对应的参数估值结果作为所述套合模型中各待估参数对应的估计值。
此外,为实现上述目的,本发明还提出一种变异函数套合模型参数估计装置,所述装置包括:
获取模块,用于获取待研究对象对应的样本信息;
第一确定模块,用于基于变异函数公式,确定所述样本信息对应的第一变异函数值;
第二确定模块,用于根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;
第三确定模块,用于根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型;
第四确定模块,用于根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值;
第五确定模块,用于根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
此外,为实现上述目的,本发明还提出一种变异函数套合模型参数估计设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变异函数套合模型参数估计程序,所述变异函数套合模型参数估计程序配置为实现如上文所述的变异函数套合模型参数估计方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有变异函数套合模型参数估计程序,所述变异函数套合模型参数估计程序被处理器执行时实现如上文所述的变异函数套合模型参数估计方法的步骤。
本发明提供的变异函数套合模型参数估计方案,通过预先构建目标神经网络模型,从而在获取到待研究对象对应的样本信息后,根据样本信息确定对应的第一变异函数值、所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度,进而根据确定的待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,从预先构建的目标神经网络模型中选取一个适合当前研究对象的目标神经网络模型,然后根据确定的目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值,最终根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
由于神经网络模型具有自我学习的能力,即对未覆盖到的待处理数据也可以通过自我学习,给出一个较为精致的结果,因而通过这种基于神经网络模型估计变异函数对应的套合模型中待估参数对应的估计值的方式,能够快速且精准的实现了对复杂套合模型中待估参数的估计。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的变异函数套合模型参数估计设备的结构示意图;
图2为本发明变异函数套合模型参数估计方法第一实施例的流程示意图;
图3为本发明变异函数套合模型参数估计方法第一实施例中步骤S50的具体实现流程示意图;
图4为本发明变异函数套合模型参数估计方法第二实施例的流程示意图;
图5为本发明变异函数套合模型参数估计装置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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的变异函数套合模型参数估计设备结构示意图。
如图1所示,该变异函数套合模型参数估计设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对变异函数套合模型参数估计设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及变异函数套合模型参数估计程序。
在图1所示的变异函数套合模型参数估计设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明变异函数套合模型参数估计设备中的处理器1001、存储器1005可以设置在变异函数套合模型参数估计设备中,所述变异函数套合模型参数估计设备通过处理器1001调用存储器1005中存储的变异函数套合模型参数估计程序,并执行本发明实施例提供的变异函数套合模型参数估计方法。
本发明实施例提供了一种变异函数套合模型参数估计方法,参照图2,图2为本发明一种变异函数套合模型参数估计方法第一实施例的流程示意图。
本实施例中,所述变异函数套合模型参数估计方法包括以下步骤:
步骤S10,获取待研究对象对应的样本信息。
具体的说,在地理统计学中,变异函数是反映区域变量空间结构特征的一个重要工具,可以应用于地质、矿石、土壤、生态等涉及自然资源分布的研究领域。
故,本实施例中所说的待研究对象便可以是上述任意研究领域中的对象,比如某一区域内土壤中的有机质,或者全钾。
相应地,所述样本信息具体为用于计算所述待研究对应的变异函数值的相关信息,比如相邻两个样本点之前的滞后距离(也称:步长间隔)、配对样本点对数、有效计算距离等。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限制,在实际应用中,本领域的技术人员可以根据需要进行设置,此处不做限制。
步骤S20,基于变异函数公式,确定所述样本信息对应的第一变异函数值。
具体的说,在地理统计学中,变异函数主要是用来表达区域变量Z(x)在空间中的相关程度的,对应的变异函数公式格式如下:
公式中,Z(xi)为区域化变量,hi为滞后距离,N(hi)为该滞后距离对应的配对样本点对数,γ*(hi)为根据上述样本信息计算出的变异函数值,即本实例中所说的第一变异函数值。
步骤S30,根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度。
为了便于理解上述所说的根据所述第一变异函数值,确定所述待研究对象对应的套合模型的操作,本实施例给出一种具体的实现方式,大致如下:
首先,根据所述第一变异函数值,绘制经验半方差散点图。
具体的说,在根据变异函数公式计算第一变异函数值时,根据不同的滞后距离hi,能够计算出若干个第一变异函数值γ*(hi)。
因而,在根据所述第一变异函数值,绘制经验半方差散点图时,具体是以hi为横坐标,以γ*(hi)为纵坐标,然后在二维坐标系中绘制出根据变异函数公式计算出的若干个第一变异函数值所处的位置,即可得到所述待研究对象的经验半方差散点图。
然后,将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较,将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。
具体的说,本实施例中所说的套合模型实质是对2个或2个以上简单模型进行套合得到的模型。
此外,值得一提的说,本实施例中所说的简单模型大致包括:球状模型、线性模型、高斯模型和指数模型。
为了便于说明,本实施例中以2个球状模型套合后生成的套合模型作为所述待研究对象对应的套合模型。
所述2个球状模型的套合模型对应的数学表达式为:
公式中,h为滞后距离,c1为短程变异的基台值,a1为短程变异的变程,c2为远程变异的基台值,a2为远程变异的变程,c0为块金值。
通过上述公式不难发现,由于滞后距离h是从样本信息h中获知的。故,所述2个球状模型的套合模型中待估参数即为c0、c1、c2、a1和a2这5个参数。
此外,关于根据所述第一变异函数值,确定各待估参数对应的取值范围和参数精度的操作,在实际应用中,具体可以是根据上述得到的经验半方差散点图中的上极值和下极值来确定的。
应当理解的是,由于绘制出的经验半方差散点图中存在多个第一变异函数值,而每一个第一变异函数值的取值均有所不同。即,必然存在一个取值最大的第一变异函数值和一个取值最小的第一变异函数值,因而只需将经验半方差散点图中取值最大的第一变异函数值作为待估参数可取的最大取值,即上极值,将取值最小的第一变异函数值作为待估参数可取的最小值,即小极值。
相应地,该待估参数对应的参数精度根据各个第一变异函数值的取值精确度确定即可。
应当理解的是,以上给出的仅为一种根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度的具体实现方式,对本发明的技术方案并不构成任何限定,在实际应用中,本领域的技术人员可以根据需要选取合适的方式来确定,此处不做限制。
步骤S40,根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型。
具体的说,由于神经网络模型可以拥有多个网络层,并且每个网络层可以由不同个数的神经元构成,而拥有不同数量的网络层,以及网络层中包括不同数量神经元的神经网络模型对数据的分析、处理速度是存在较大差异的。
因而,为了保证确定的目标神经网络模型能够更好的适应于实际确定的待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,从而保证后续对所述套合模型中各待估参数对应的估计值的精确性,本实施例给出的了一种确定目标神经网络模型的具体方式,大致如下:
(1)根据所述套合模型中各待估计参数对应的取值范围和参数精度,确定所述套合模型中各待估参数对应的长度。
具体的说,关于根据所述套合模型中各待估计参数对应的取值范围和参数精度,确定所述套合模型中各待估参数对应的长度的方式,可以根据如下计算公式实现:
Li=ceil(log2((Umaxi-Umini)/Qi))
公式中,Umaxi为待估参数的最大取值,Umini为待估参数的最小取值,Qi,为待估参数的参数精度,Li为待估参数对应的长度。
故,在计算各待估参数对应的长度时,只需将各待估参数对应的取值范围和参数精度输入上述公式即可。
(2)对所述套合模型中各待估参数对应的长度进行二进制编码处理,得到所述套合模型中各待估参数对应的二进制码。
具体的说,为了保证进行变异函数套合模型参数估计的终端设备能够精准的识别出上述信息,同时保证不同终端设备之间能够进行交互,以及减少后续数据处理过程中干扰信息对估计结果准确性的影响。本实施例在得到各待估参数对应的长度之后,会对各待估参数对应的长度进行二进制编码处理,以使各待估参数对应的长度值能够转化为二进制码。
关于上述所说的二进制编码处理方式,本领域的技术人员可以自行查看现有文献,此处不再赘述。
(3)根据所述套合模型中各待估参数对应的二进制码的位数,确定所述套合模型中各待估参数对应的神经元个数。
具体的说,本实施例中所说的根据所述套合模型中各待估参数对应的二进制码的位数,确定所述套合模型中各待估参数对应的神经元个数的操作,实质是通过统计各待估参数对应的二进制码的位数,比如某一待估参数对应的二进制码的位数为16位,则确定的该待故参数对应的神经元个数为16;还比如说,某一待估参数对应的二进制码的位数为32位,则确定的该待故参数对应的神经元个数为32。
(4)根据所述待估参数的个数,确定所述目标神经网络模型的层数。
具体的说,在本实施例中规定待估参数的个数与目标神经网络模型的层数呈整数倍。
仍以确定的套合模型为2个球状模型的套合模型为例,则在待估参数的个数为5时,确定的所述目标神经网络模型的层数可以是5层,也可以是10层,甚至15层等。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限制,在实际应用中,本领域的技术人员可以根据需要进行设置,此处不做限制。
(5)根据所述套合模型中各待估参数对应的神经元个数,确定所述目标神经网络模型中各网络层的神经元个数。
仍以确定的套合模型为2个球状模型的套合模型为例,假设待估参数c0对应的神经元个数为16个、待估参数c1对h应的神经元个数为18个、待估参数c2对应的神经元个数为20个、待估参数a1对应的神经元个数为32个、待估参数a2对应的神经元个数为19个,则待估参数c0对应的网络层的神经元个数至少需要为16个、待估参数c1对应的网络层的神经元个数至少需要为h18个、待估参数c2对应的网络层的神经元个数至少需要为20个、待估参数a1对应的网络层的神经元个数至少需要为32个、待估参数a2对应的网络层的神经元个数至少需要为19个。
需要说明的是,本实施例中之所以规定待估参数对应的网络层中神经元的个数至少等于待估参数对应的神经元个数,是为了保证确定的目标神经网络模型能够尽可能快的计算出各待估参数对应的权重值,进而得到各待估参数对应的估计值。但上述规定对本发明的技术方案并不构成任何限制,在实际应用中,本领域的技术人员可以根据需要进行设置,此处不做限制。
(6)将确定的层数作为第一筛选条件,各网络层的神经元个数作为第二筛选条件,从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型,并将查找到的预设神经网络模型作为所述目标神经网络模型。
应当理解的是,以上给出的仅为一种确定目标神经网络模型的具体实现方式,对本发明的技术方案并不构成任何限制,在实际应用中,本领域的技术人员可以根据需要进行设置,此处不做限制。
此外,关于本实施例中所说的目标神经网络模型需要预先构建,且为了满足实际需求,可以构建多个网络层数目不同,每层神经元个数不同的目标神经网络模型。
关于构建目标神经网络模型的操作,大致可以如下:
(1)获取待研究对象的样本数据。
具体的说,所述样本数据可以是任意已知待研究对象的样本数据。
此外,上述所说的样本数据,可以是从各大网络平台获取的,也可以是实验模拟数据,此处不做限制。
(2)对所述样本数据进行数据清洗,得到目标样本数据。
具体的说,对所述样本数据进行的数据清洗操作,大致可以分为如下几种:
(2-1)去除残缺数据,即去除信息缺失的数据;
(2-2)去除错误数据,即将格式不符合要求、或者数量类型不是本次训练所需的数据进行去除;
(2-3)去除重复数据,即将相同的数据进行去重,只保留一个,减少数据量;
(2-4)格式转换,即对样本数据进行格式转换,转换为后续训练和测试过程中,可识别的标准格式,如二进制格式。
应当理解的是,以上给出的仅为几种具体的数据清洗方式,对本发明的技术方案并不构成任何限定,在实际应用中,本领域的技术人员可以根据需要进行选择,此处不做限制。
(3)采用留出法对所述目标样本数据进行划分,得到训练数据和测试数据,所述训练数据和所述测试数据互斥。
具体的说,上述所说的留出法只是一种具体的数据划分方式,其原理是将数据集合划分为两个互斥的子数据集合,以使得用于进行训练的训练数据和用于进行测试的测试数据是互斥的,即不相同的,从而能够更好的验证模型的分析精度。
(4)采用卷积神经网络算法,构建训练模型。
具体的说,此处所说的采用卷积神经网络算法,构建训练模型是指,基于卷积神经网络算法,构建一个具有输入层、卷积层、池化层和输出层结构的数据训练框架。
当然,在实际应用中,本领域的计算人员可以根据需要,选择其他机器学习算法,此处不做限制。
(5)对所述训练数据进行标记,并将标记后的训练数据作为输入参数,输入到所述训练模型中进行处理,获得训练结果。
应当理解的是,在本实施例中,输入所述训练模型中的输入参数具体为样本数据中的滞后距离。
相应地,获得的训练结果,即为根据输入的滞后距离,最终确定的变异函数值。
(6)判断所述训练结果是否与标记后的所述训练数据对应的标记结果匹配。
相应地,若匹配,则将输出所述训练结果的训练模型确定为初始数据结构分析模型;若不匹配,则继续使用标记后的所述训练数据对所述训练模型进行训练,直到输出的训练结果与标记结果匹配。
应当理解的是,上述所说的标记结果即为根据变异函数公式和所述滞后距离计算出的变异函数值。
也就是说,如果通过训练模型得到的变异函数值与根据变异函数公式计算出的变异函数值匹配,则可以认为当前训练模型达到了预期效果。
(7)对所述测试数据进行标记,并将标记后的所述测试数据作为输入参数,输入到所述初始数据结构分析模型中进行处理,获得验证结果。
(8)判断所述验证结果是否与标记后的所述测试数据对应的标记结果匹配,若匹配,则将所述数据结构分析模型确定为所述目标数据结构分析模型。
应当理解的是,上述所说的输入训练模型的测试数据,实质也是滞后距离,只是当前滞后距离在训练过程中并未用到。
相应地,获得的验证结果也是变异函数值,提取标记的标记结果也是变异函数值。
需要说明的是,以上给出的仅为一种构建目标神经网络模型的具体实现方式,对本发明的技术方案并不构成任何限定,在实际应用中,本领域的技术人员可以根据需要进行设置,此处不做限制。
步骤S50,根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值。
为了便于理解步骤S50中所说的根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值的操作,以下结合图3进行说明:
子步骤S501,将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值。
子步骤S502,将所述第二变异函数值与所述第一变异函数值进行比较,若所述第二变异函数值与所述第一变异函数值相同,则获取所述目标神经网络模型中各待估参数对应的网络层的权重值,并将获取到的权重值作为对应的待估参数的权重值。
步骤S60,根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
应当理解的是,由于在确定目标神经网络模型时,对待估参数对应的长度进行了二进制编码处理,因而得到权重值也为二进制码。
故,为了方便用户获知最终根据所述套合模型中各待估参数对应的权重值,确定的所述套合模型中各待估参数对应的估计值,在得到各待估参数对应的权重值时,需要对所述套合模型中各待估参数对应的权重值进行解码处理,进而获得所述套合模型中各待估参数对应的参数估值结果,最终将所述套合模型中各待估参数对应的参数估值结果作为所述套合模型中各待估参数对应的估计值。
关于解码公式的选取,具体可以根据选取的二进制编码处理公司确定,此处不再赘述。
通过上述描述不难发现,本实施例中提供的变异函数套合模型参数估计方法,通过预先构建目标神经网络模型,从而在获取到待研究对象对应的样本信息后,根据样本信息确定对应的第一变异函数值、所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度,进而根据确定的待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,从预先构建的目标神经网络模型中选取一个适合当前研究对象的目标神经网络模型,然后根据确定的目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值,最终根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
由于神经网络模型具有自我学习的能力,即对未覆盖到的待处理数据也可以通过自我学习,给出一个较为精致的结果,因而通过这种基于神经网络模型估计变异函数对应的套合模型中待估参数对应的估计值的方式,能够快速且精准的实现了对复杂套合模型中待估参数的估计。
参考图4,图4为本发明一种变异函数套合模型参数估计方法第二实施例的流程示意图。
基于上述第一实施例,本实施例变异函数套合模型参数估计方法在所述子步骤S501之前,还包括:
子步骤S500,对所述目标神经网络模型进行初始化,得到二值化神经网络模型。
具体的说,为了保证利用确定的目标神经网络模型能够快速且精准的得到所述套合模型中各待估参数对应的权重值,进而所述套合模型中各待估参数对应的估计值。需要保证进行上述操作的目标神经网络模型始终适应于所述第一变异函数值和所述样本信息中的滞后距离,因此在将所述滞后距离作为输入参数,输入到所述目标神经网络模型之前,需要先对所述目标神经网络模型进行初始化。
相应地,由于在执行子步骤S501之前,对所述目标神经网络模型进行了初始化的操作,因而子步骤S501中的内容需要适应性的调整为子步骤S501'中的内容:将所述滞后距离作为输入参数,输入到所述二值化神经网络模型中,得到第二变异函数值。
应当理解的是,以上给出的仅为在获取第二变异函数值之前,对所述目标神经网络模型进行的一种具体处理,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
通过上述描述不难发现,本实施例中提供的变异函数套合模型参数估计方法,在执行将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的操作之前,通过对所述目标神经网络模型进行初始化,进而得到二值化神经网络模型,从而可以尽可能的加快从所述二值化神经网络模型中获取各待估参数对应的网络层的权重值的收敛速度,并尽可能的降低最终估算结果的错误率。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有变异函数套合模型参数估计程序,所述变异函数套合模型参数估计程序被处理器执行时实现如上文所述的变异函数套合模型参数估计方法的步骤。
参照图5,图5为本发明变异函数套合模型参数估计装置第一实施例的结构框图。
如图5所示,本发明实施例提出的变异函数套合模型参数估计装置包括:获取模块5001、第一确定模块5002、第二确定模块5003、第三确定模块5004、第四确定模块5005和第五确定模块5006。
其中,所述获取模块5001,用于获取待研究对象对应的样本信息;所述第一确定模块5002,用于基于变异函数公式,确定所述样本信息对应的第一变异函数值;所述第二确定模块5003,用于根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;所述第三确定模块5004,用于根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型;所述第四确定模块5005,用于根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值;所述第五确定模块5006,用于根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
关于所述第二确定模块5003根据所述第一变异函数值,确定所述待研究对象对应的套合模型的操作,在实际应用中,具体可以通过以下几个步骤实现:
首先,根据所述第一变异函数值,绘制经验半方差散点图;
然后,将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较,将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。
相应地,所述第二确定模块5003在根据所述第一变异函数值,确定各待估参数对应的取值范围和参数精度时,具体是根据所述经验半方差散点图中的上极值和下极值,来确定所述套合模型中各待估参数对应的取值范围和参数精度的。
应当理解的是,以上给出的仅为一种根据所述第一变异函数值,确定所述待研究对象对应的套合模型,以及各待估参数对应的取值范围和参数精度的具体实现方式,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
此外,关于所述第三确定模块5004根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型的操作,在实际应用中,具体可以通过以下几个步骤实现:
首先,根据所述套合模型中各待估计参数对应的取值范围和参数精度,确定所述套合模型中各待估参数对应的长度;
然后,对所述套合模型中各待估参数对应的长度进行二进制编码处理,得到所述套合模型中各待估参数对应的二进制码;
接着,根据所述套合模型中各待估参数对应的二进制码的位数,确定所述套合模型中各待估参数对应的神经元个数;
接着,根据所述待估参数的个数,确定所述目标神经网络模型的层数;
接着,根据所述套合模型中各待估参数对应的神经元个数,确定所述目标神经网络模型中各网络层的神经元个数;
最后,将确定的层数作为第一筛选条件,各网络层的神经元个数作为第二筛选条件,从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型,并将查找到的预设神经网络模型作为所述目标神经网络模型。
应当理解的是,以上给出的仅为一种确定目标神经网络模型的具体实现方式,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
此外,关于所述第四确定模块5005根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值的操作,在实际应用中,具体可以通过以下几个步骤实现:
首先,将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值;
然后,将所述第二变异函数值与所述第一变异函数值进行比较,若所述第二变异函数值与所述第一变异函数值相同,则获取所述目标神经网络模型中各待估参数对应的网络层的权重值,并将获取到的权重值作为对应的待估参数的权重值。
应当理解的是,以上给出的仅为一种确定所述套合模型中各待估参数对应的权重值的具体实现方式,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
此外,所述第五确定模块5006根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值的操作,在实际应用中,具体可以通过以下几个步骤实现:
首先,对所述套合模型中各待估参数对应的权重值进行解码处理,得到所述套合模型中各待估参数对应的参数估值结果;
然后,将所述套合模型中各待估参数对应的参数估值结果作为所述套合模型中各待估参数对应的估计值。
应当理解的是,以上给出的仅为一种确定所述套合模型中各待估参数对应的估计值的具体实现方式,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
通过上述描述不难发现,本实施例中提供的变异函数套合模型参数估计装置,通过预先构建目标神经网络模型,从而在获取到待研究对象对应的样本信息后,根据样本信息确定对应的第一变异函数值、所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度,进而根据确定的待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,从预先构建的目标神经网络模型中选取一个适合当前研究对象的目标神经网络模型,然后根据确定的目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值,最终根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
由于神经网络模型具有自我学习的能力,即对未覆盖到的待处理数据也可以通过自我学习,给出一个较为精致的结果,因而通过这种基于神经网络模型估计变异函数对应的套合模型中待估参数对应的估计值的方式,能够快速且精准的实现了对复杂套合模型中待估参数的估计。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的变异函数套合模型参数估计方法,此处不再赘述
基于上述变异函数套合模型参数估计装置的第一实施例,提出本发明变异函数套合模型参数估计装置第二实施例。
在本实施例中,所述变异函数套合模型参数估计装置还包括:初始化模块。
其中,所述初始化模块,用于对所述目标神经网络模型进行初始化,得到二值化神经网络模型。
相应地,所述第四确定模块在将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,以获得第二变异函数值时,具体为将所述滞后距离作为输入参数,输入到所述二值化神经网络模型中,进而得到第二变异函数值。
应当理解的是,以上给出的仅为在获取第二变异函数值之前,对所述目标神经网络模型进行的一种具体处理,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
通过上述描述不难发现,本实施例中提供的变异函数套合模型参数估计装置,在执行将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的操作之前,通过对所述目标神经网络模型进行初始化,进而得到二值化神经网络模型,从而可以尽可能的加快从所述二值化神经网络模型中获取各待估参数对应的网络层的权重值的收敛速度,并尽可能的降低最终估算结果的错误率。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的变异函数套合模型参数估计方法,此处不再赘述。
此外,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统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(Read Only Memory,ROM)/RAM、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,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)
1.一种变异函数套合模型参数估计方法,其特征在于,所述方法包括以下步骤:
获取待研究对象对应的样本信息;
基于变异函数公式,确定所述样本信息对应的第一变异函数值;
根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;
根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型;
根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值;
根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一变异函数值,确定所述待研究对象对应的套合模型的步骤,包括:
根据所述第一变异函数值,绘制经验半方差散点图;
将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较,将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。
3.如权利要求2所述的方法,其特征在于,所述根据所述第一变异函数值,确定各待估参数对应的取值范围和参数精度的步骤,包括:
根据所述经验半方差散点图中的上极值和下极值,确定所述套合模型中各待估参数对应的取值范围和参数精度。
4.如权利要求1至3任一项所述的方法,其特征在于,所述根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型的步骤,包括:
根据所述套合模型中各待估计参数对应的取值范围和参数精度,确定所述套合模型中各待估参数对应的长度;
对所述套合模型中各待估参数对应的长度进行二进制编码处理,得到所述套合模型中各待估参数对应的二进制码;
根据所述套合模型中各待估参数对应的二进制码的位数,确定所述套合模型中各待估参数对应的神经元个数;
根据所述待估参数的个数,确定所述目标神经网络模型的层数;
根据所述套合模型中各待估参数对应的神经元个数,确定所述目标神经网络模型中各网络层的神经元个数;
将确定的层数作为第一筛选条件,各网络层的神经元个数作为第二筛选条件,从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型,并将查找到的预设神经网络模型作为所述目标神经网络模型。
5.如权利要求1至3任一项所述的方法,其特征在于,所述根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值的步骤,包括:
将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值;
将所述第二变异函数值与所述第一变异函数值进行比较,若所述第二变异函数值与所述第一变异函数值相同,则获取所述目标神经网络模型中各待估参数对应的网络层的权重值,并将获取到的权重值作为对应的待估参数的权重值。
6.如权利要求5所述的方法,其特征在于,所述将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的步骤之前,所述方法还包括:
对所述目标神经网络模型进行初始化,得到二值化神经网络模型;
其中,所述将所述滞后距离作为输入参数,输入到所述目标神经网络模型中,得到第二变异函数值的步骤,包括:
将所述滞后距离作为输入参数,输入到所述二值化神经网络模型中,得到第二变异函数值。
7.如权利要求1至3任一项所述的方法,其特征在于,所述根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值的步骤,包括:
对所述套合模型中各待估参数对应的权重值进行解码处理,得到所述套合模型中各待估参数对应的参数估值结果;
将所述套合模型中各待估参数对应的参数估值结果作为所述套合模型中各待估参数对应的估计值。
8.一种变异函数套合模型参数估计装置,其特征在于,所述装置包括:
获取模块,用于获取待研究对象对应的样本信息;
第一确定模块,用于基于变异函数公式,确定所述样本信息对应的第一变异函数值;
第二确定模块,用于根据所述第一变异函数值,确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度;
第三确定模块,用于根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度,确定目标神经网络模型;
第四确定模块,用于根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离,确定所述套合模型中各待估参数对应的权重值;
第五确定模块,用于根据所述套合模型中各待估参数对应的权重值,确定所述套合模型中各待估参数对应的估计值。
9.一种变异函数套合模型参数估计设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变异函数套合模型参数估计程序,所述变异函数套合模型参数估计程序配置为实现如权利要求1至7中任一项所述的变异函数套合模型参数估计方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有变异函数套合模型参数估计程序,所述变异函数套合模型参数估计程序被处理器执行时实现如权利要求1至7任一项所述的变异函数套合模型参数估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370406.1A CN110020402A (zh) | 2019-05-05 | 2019-05-05 | 变异函数套合模型参数估计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370406.1A CN110020402A (zh) | 2019-05-05 | 2019-05-05 | 变异函数套合模型参数估计方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020402A true CN110020402A (zh) | 2019-07-16 |
Family
ID=67193132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910370406.1A Pending CN110020402A (zh) | 2019-05-05 | 2019-05-05 | 变异函数套合模型参数估计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020402A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378140A (zh) * | 2019-07-26 | 2019-10-25 | 武汉轻工大学 | 验证深度神经网络模型归属的方法、装置和系统 |
CN115935129A (zh) * | 2022-12-06 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种土壤分尺度重金属浓度值确定方法和装置 |
-
2019
- 2019-05-05 CN CN201910370406.1A patent/CN110020402A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378140A (zh) * | 2019-07-26 | 2019-10-25 | 武汉轻工大学 | 验证深度神经网络模型归属的方法、装置和系统 |
CN110378140B (zh) * | 2019-07-26 | 2021-05-18 | 武汉轻工大学 | 验证深度神经网络模型归属的方法、装置和系统 |
CN115935129A (zh) * | 2022-12-06 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种土壤分尺度重金属浓度值确定方法和装置 |
CN115935129B (zh) * | 2022-12-06 | 2023-08-22 | 中国科学院地理科学与资源研究所 | 一种土壤分尺度重金属浓度值确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105912500B (zh) | 机器学习模型生成方法和装置 | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN104182474B (zh) | 一种预流失用户的识别方法 | |
CN103544544B (zh) | 一种能源消耗预测方法及装置 | |
CN108875776A (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
CN108090169A (zh) | 问句扩展方法及装置、存储介质、终端 | |
CN108052979A (zh) | 对模型预测值进行融合的方法、装置和设备 | |
CN104536881A (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN107844653A (zh) | 一种油藏水驱开发潜力综合评价方法及装置 | |
CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
CN105868102B (zh) | 一种基于计算机视觉的移动端应用测试系统及方法 | |
CN107562787A (zh) | 一种poi编码方法及装置、poi推荐方法,电子设备 | |
CN107909141A (zh) | 一种基于灰狼优化算法的数据分析方法及装置 | |
CN110390107A (zh) | 基于人工智能的下文关系检测方法、装置及计算机设备 | |
CN110020402A (zh) | 变异函数套合模型参数估计方法、装置、设备及存储介质 | |
CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
CN111783209A (zh) | 一种学习函数与kriging模型结合的自适应结构可靠性分析方法 | |
CN115730738A (zh) | 工艺参数确定方法、装置、计算机设备和存储介质 | |
CN115081613A (zh) | 生成深度学习模型的方法、装置、电子设备及存储介质 | |
KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
CN110378883A (zh) | 图像评价模型生成方法、图像数据处理方法、装置、计算机设备和存储介质 | |
CN109767034A (zh) | 继电保护的定值优化方法、装置、计算机设备和存储介质 | |
CN111581586B (zh) | 基于套合模型的湖库水质各向异性插值方法和装置 |
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 |