CN110245326A - 基于神经网络的数据估算方法、设备、存储介质及装置 - Google Patents
基于神经网络的数据估算方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110245326A CN110245326A CN201910514222.8A CN201910514222A CN110245326A CN 110245326 A CN110245326 A CN 110245326A CN 201910514222 A CN201910514222 A CN 201910514222A CN 110245326 A CN110245326 A CN 110245326A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- network model
- layer
- model
- 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.)
- Granted
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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
-
- 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
Abstract
本发明公开了一种基于神经网络的数据估算方法、设备、存储介质及装置,该方法包括:获取待估算参数在不同采集位置的采集数据;根据所述采集数据通过预设公式计算变异函数中的目标离散点;根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。本发明通过神经网络模型进行建模,提升变异函数模型的鲁棒性,从而提升插值估算的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于神经网络的数据估算方法、设备、存储介质及装置。
背景技术
克里金插值法被广泛用于各类观测的空间插值,例如:地质学中的地下水位和土壤湿度的采样,环境科学研究中的大气污染(比如臭氧)和土壤污染物,以及大气科学中的近地面风场、气温和降水等的单点观测。克里金插值法中变异函数的构造对插值结果的影响比较大,其常规构造方法中是根据个人经验选用不同的模型,如:球状模型,高斯模型或指数模型,通过相关处理,生成变异函数模型并得到基台值和块金等有效值。不同的人由于个人经验不同使用变异函数中离散的点进行建模得到的模型也会不同,从而导致插值结果也会不同;相同的人用不同的模型也会得出不同的模型,结果也必然没有严谨性;目前构造函数模型只有少数若干个,而实际应用中很多复杂的情况难以通过这些简单模型很好地构造,导致通过构造函数模型进行差值估算产生的结果准确率不高。
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基于神经网络的数据估算方法、设备、存储介质及装置,旨在解决现有技术中构造函数模型的构造因人为因素导致产生的结果准确率低的技术问题。
为实现上述目的,本发明提供一种基于神经网络的数据估算方法,所述基于神经网络的数据估算方法包括以下步骤:
获取待估算参数在不同采集位置的采集数据;
根据所述采集数据通过预设公式计算变异函数中的目标离散点;
根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
优选地,所述根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型之前,所述基于神经网络的数据估算方法还包括:
构建基础神经网络模型;
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
优选地,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数。
优选地,所述获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,具体包括:
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;
所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
优选地,所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,具体包括:
所述原始输出结果经过预设损失函数,获得损失函数值;
所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
优选地,所述预设损失函数为交叉熵。
优选地,所述预设公式为:
γ(x,h)=0.5E[Z(x)-Z(x+h)]2;
其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。
此外,为实现上述目的,本发明还提出一种基于神经网络的数据估算设备,所述基于神经网络的数据估算设备包括存储器、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基于神经网络的数据估算程序,所述基于神经网络的数据估算程序配置为实现如上文所述的基于神经网络的数据估算方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于神经网络的数据估算程序,所述基于神经网络的数据估算程序被处理器执行时实现如上文所述的基于神经网络的数据估算方法的步骤。
此外,为实现上述目的,本发明还提出一种基于神经网络的数据估算装置,所述基于神经网络的数据估算装置包括:
获取模块,用于获取待估算参数在不同采集位置的采集数据;
计算模块,用于根据所述采集数据通过预设公式计算变异函数中的目标离散点;
数据拟合模块,用于根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
插值估算模块,用于根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
本发明中,通过获取待估算参数在不同采集位置的采集数据,根据所述采集数据通过预设公式计算变异函数中的目标离散点,根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型,提升变异函数模型的鲁棒性,降低人为因素的影响;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据,通过基于神经网络构造的变异函数模型进行差值估算,从而提升插值估算的准确性。
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基于神经网络的数据估算设备的结构示意图;
图2为本发明基于神经网络的数据估算方法第一实施例的流程示意图;
图3为本发明基于神经网络的数据估算方法第二实施例的流程示意图;
图4为本发明基于神经网络的数据估算装置第一实施例的结构框图。
本发明目的实现、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基于神经网络的数据估算设备结构示意图。
如图1所示,该基于神经网络的数据估算设备可以包括: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),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB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(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,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基于神经网络的数据估算设备的限定,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,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于神经网络的数据估算程序。
在图1所示的基于神经网络的数据估算设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于神经网络的数据估算设备通过处理器1001调用存储器1005中存储的基于神经网络的数据估算程序,并执行本发明实施例提供的基于神经网络的数据估算方法。
所述基于神经网络的数据估算设备通过处理器1001调用存储器1005中存储的基于神经网络的数据估算程序,并执行以下操作:
获取待估算参数在不同采集位置的采集数据;
根据所述采集数据通过预设公式计算变异函数中的目标离散点;
根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据;
所述预设公式为:
γ(x,h)=0.5E[Z(x)-Z(x+h)]2;
其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。
进一步地,所述基于神经网络的数据估算设备通过处理器1001调用存储器1005中存储的基于神经网络的数据估算程序,还执行以下操作:
构建基础神经网络模型;
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型;
其中,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数。
进一步地,所述基于神经网络的数据估算设备通过处理器1001调用存储器1005中存储的基于神经网络的数据估算程序,还执行以下操作:
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;
所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
进一步地,所述基于神经网络的数据估算设备通过处理器1001调用存储器1005中存储的基于神经网络的数据估算程序,还执行以下操作:
所述原始输出结果经过预设损失函数,获得损失函数值;
所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型;
其中,所述预设损失函数为交叉熵。
本实施例中,通过获取待估算参数在不同采集位置的采集数据,根据所述采集数据通过预设公式计算变异函数中的目标离散点,根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型,提升变异函数模型的鲁棒性,降低人为因素的影响;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据,通过基于神经网络构造的变异函数模型进行差值估算,从而提升插值估算的准确性。
基于上述硬件结构,提出本发明基于神经网络的数据估算方法的实施例。
参照图2,图2为本发明基于神经网络的数据估算方法第一实施例的流程示意图,提出本发明基于神经网络的数据估算方法第一实施例。
在第一实施例中,所述基于神经网络的数据估算方法包括以下步骤:
步骤S10:获取待估算参数在不同采集位置的采集数据。
应理解的是,本实施例的执行主体是所述基于神经网络的数据估算设备,所述基于神经网络的数据估算设备可以是个人电脑或者服务器等电子设备,本实施例对此不加以限制。所述待估算参数可以是地下水位、土壤湿度、臭氧浓度、土壤污染物、近地面风场、气温或降水量等。可通过专用测量设备对不同采集位置进行测量,获得所述采集数据。以土壤湿度为例,所述采集数据为在不同采集位置的土壤湿度数据,由于土壤面积通常较大,不可能实现对每一块土壤的每一位置进行土壤湿度的实地测量,则需要根据在不同采集位置的采集数据进行其他未进行测量的位置的土壤湿度数据的估算。
步骤S20:根据所述采集数据通过预设公式计算变异函数中的目标离散点。
可理解的是,所述预设公式为:γ(x,h)=0.5E[Z(x)-Z(x+h)]2;其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。根据在不同采集位置采集到的所述采集数据,通过所述预设公式,计算获得的所述目标离散点即是变异函数中的目标离散点。
步骤S30:根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型。
需要说明的是,通过构建基础神经网络模型,所述基础神经网络模型分为四层,第一层为输入层,第二层和第三层为隐藏层,第四层为输出层,获取大量的异构函数中的样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。则可将计算获得的异构函数中的目标离散点输入所述预设神经网络模型进行数据拟合,经过所述预设神经网络模型的输入层,其形状根据输入的离散点个数确定,经过所述预设神经网络模型的第二层、第三层和输出层,所述第二层和第三层均为全连接层,第二层的形状为[23,1],第三层的形状为[11,1],所述预设神经网络模型的第二层和第三层的激活函数均为线性整流函数(Rectified Linear Unit,简写RELU),所述预设神经网络模型的输出层的形状为[1,1],所述预设神经网络模型的输出层不使用激活函数,所述预设神经网络模型使用交叉熵作为损失函数,并且使用基于数据流编程的符号数学系统(tensorflow)中的Adam优化器来最小化损失函数值,以进行数据拟合,获得变异函数模型。
步骤S40:根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
在具体实现中,根据所述变异函数模型及所述采集数据,通过克里金差值算法对所述待估算参数进行插值估算,获得未采集位置的估算数据。所述估算数据为所述待估算参数在未采集位置的数据,包括在未采集位置的地下水位数据、土壤湿度数据、臭氧浓度数据、土壤污染物数据、近地面风场数据、气温数据或降水量数据等。
本实施例中,通过获取待估算参数在不同采集位置的采集数据,根据所述采集数据通过预设公式计算变异函数中的目标离散点,根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型,提升变异函数模型的鲁棒性,降低人为因素的影响;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据,通过基于神经网络构造的变异函数模型进行差值估算,从而提升插值估算的准确性。
参照图3,图3为本发明基于神经网络的数据估算方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于神经网络的数据估算方法的第二实施例。
在第二实施例中,所述步骤S30之前,还包括:
步骤S201:构建基础神经网络模型。
应理解的是,所述基础神经网络模型分为四层,第一层为输入层,第二层和第三层为隐藏层,第四层为输出层。
步骤S202:获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
可理解的是,为了更好地构建变异函数模型,通过获取大量的样本离散点,将所述样本离散点输入所述基础神经网络模型的输入层,其形状根据输入的离散点个数确定,经过所述基础神经网络模型的第二层、第三层和输出层,所述第二层和第三层均为全连接层,第二层的形状为[23,1],第三层的形状为[11,1],所述输出层的形状为[1,1],以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
在本实施例中,所述步骤S202,包括:
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;
所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
需要说明的是,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数(Rectified Linear Unit,简写RELU),避免了梯度爆炸和梯度消失问题,同时活跃度的分散性使得所述基础神经网络整体计算成本下降。
在具体实现中,所述基础神经网络模型的输出层不使用激活函数,为了训练出更准确的预设神经网络模型,在所述基础神经网络模型的输出层之后,使用交叉熵作为所述预设损失函数。交叉熵越大,预测构造函数模型与样本构造函数模型两个概率分布距离越远,两个概率分布越相异;交叉熵越小,两个概率分布距离越近,两个概率分布越相似。在训练神经网络时,通过不断改变所述基础神经网络中所有参数,使所述预设损失函数不断减小,从而训练出更高准确率的预设神经网络模型。
在本实施例中,所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,具体包括:
所述原始输出结果经过预设损失函数,获得损失函数值;
所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
应理解的是,所述预设损失函数可以是交叉熵,所述交叉熵体现的是实际输出概率与期望输出概率的距离,也就是交叉熵的值越小,两个概率分布就越近。所述基础神经网络模型的输出层输出的所述输出结果经过所述交叉熵,通过不断改变所述基础神经网络中所有参数,使所述交叉熵不断减小,从而训练出更高准确率的预设神经网络模型。所述预设优化器可以是基于数据流编程的符号数学系统(tensorflow)中的Adam优化器,所述原始输出结果经过预设损失函数,获得损失函数值,所述损失函数值再经过所述Adam优化器来最小化损失函数值,在Adam优化过程中,增加参数权重衰减项,以对所述基础神经网络模型进行训练,获得准确率更高的所述预设神经网络模型。
本实施例中,通过构建基础神经网络模型,获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,通过所述预设神经网络模型实现变异函数模型的构建,从而降低人为因素对构造变异函数模型的影响,提升所述变异函数模型的鲁棒性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于神经网络的数据估算程序,所述基于神经网络的数据估算程序被处理器执行时实现如下步骤:
获取待估算参数在不同采集位置的采集数据;
根据所述采集数据通过预设公式计算变异函数中的目标离散点;
根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据;
所述预设公式为:
γ(x,h)=0.5E[Z(x)-Z(x+h)]2;
其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。
进一步地,所述基于神经网络的数据估算程序被处理器执行时还实现如下操作:
构建基础神经网络模型;
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型;
其中,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数。
进一步地,所述基于神经网络的数据估算程序被处理器执行时还实现如下操作:
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;
所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
进一步地,所述基于神经网络的数据估算程序被处理器执行时还实现如下操作:
所述原始输出结果经过预设损失函数,获得损失函数值;
所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型;
其中,所述预设损失函数为交叉熵。
本实施例中,通过获取待估算参数在不同采集位置的采集数据,根据所述采集数据通过预设公式计算变异函数中的目标离散点,根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型,提升变异函数模型的鲁棒性,降低人为因素的影响;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据,通过基于神经网络构造的变异函数模型进行差值估算,从而提升插值估算的准确性。
此外,参照图4,本发明实施例还提出一种基于神经网络的数据估算装置,所述基于神经网络的数据估算装置包括:
获取模块10,用于获取待估算参数在不同采集位置的采集数据。
应理解的是,所述待估算参数可以是地下水位、土壤湿度、臭氧浓度、土壤污染物、近地面风场、气温或降水量等。可通过专用测量设备对不同采集位置进行测量,获得所述采集数据。以土壤湿度为例,所述采集数据为在不同采集位置的土壤湿度数据,由于土壤面积通常较大,不可能实现对每一块土壤的每一位置进行土壤湿度的实地测量,则需要根据在不同采集位置的采集数据进行其他未进行测量的位置的土壤湿度数据的估算。
计算模块20,用于根据所述采集数据通过预设公式计算变异函数中的目标离散点。
可理解的是,所述预设公式为:γ(x,h)=0.5E[Z(x)-Z(x+h)]2;其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。根据在不同采集位置采集到的所述采集数据,通过所述预设公式,计算获得的所述目标离散点即是变异函数中的目标离散点。
数据拟合模块30,用于根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型。
需要说明的是,通过构建基础神经网络模型,所述基础神经网络模型分为四层,第一层为输入层,第二层和第三层为隐藏层,第四层为输出层,获取大量的异构函数中的样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。则可将计算获得的异构函数中的目标离散点输入所述预设神经网络模型进行数据拟合,经过所述预设神经网络模型的输入层,其形状根据输入的离散点个数确定,经过所述预设神经网络模型的第二层、第三层和输出层,所述第二层和第三层均为全连接层,第二层的形状为[23,1],第三层的形状为[11,1],所述预设神经网络模型的第二层和第三层的激活函数均为线性整流函数(Rectified Linear Unit,简写RELU),所述预设神经网络模型的输出层的形状为[1,1],所述预设神经网络模型的输出层不使用激活函数,所述预设神经网络模型使用交叉熵作为损失函数,并且使用基于数据流编程的符号数学系统(tensorflow)中的Adam优化器来最小化损失函数值,以进行数据拟合,获得变异函数模型。
插值估算模块40,用于根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
在具体实现中,根据所述变异函数模型及所述采集数据,通过克里金差值算法对所述待估算参数进行插值估算,获得未采集位置的估算数据。所述估算数据为所述待估算参数在未采集位置的数据,包括在未采集位置的地下水位数据、土壤湿度数据、臭氧浓度数据、土壤污染物数据、近地面风场数据、气温数据或降水量数据等。
本实施例中,通过获取待估算参数在不同采集位置的采集数据,根据所述采集数据通过预设公式计算变异函数中的目标离散点,根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型,提升变异函数模型的鲁棒性,降低人为因素的影响;根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据,通过基于神经网络构造的变异函数模型进行差值估算,从而提升插值估算的准确性。
在一实施例中,所述基于神经网络的数据估算装置还包括:
构建模块,用于构建基础神经网络模型;
训练模块,用于获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
在一实施例中,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数。
在一实施例中,所述训练模块,还用于获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
在一实施例中,所述训练模块,还用于所述原始输出结果经过预设损失函数,获得损失函数值;所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
在一实施例中,所述预设损失函数为交叉熵。
在一实施例中,所述预设公式为:
γ(x,h)=0.5E[Z(x)-Z(x+h)]2;
其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。
本发明所述基于神经网络的数据估算装置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。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
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(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,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,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)
1.一种基于神经网络的数据估算方法,其特征在于,所述基于神经网络的数据估算方法包括以下步骤:
获取待估算参数在不同采集位置的采集数据;
根据所述采集数据通过预设公式计算变异函数中的目标离散点;
根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
2.如权利要求1所述的基于神经网络的数据估算方法,其特征在于,所述根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型之前,所述基于神经网络的数据估算方法还包括:
构建基础神经网络模型;
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
3.如权利要求2所述的基于神经网络的数据估算方法,其特征在于,所述基础神经网络模型的第二层和第三层的激活函数均为线性整流函数。
4.如权利要求2所述的基于神经网络的数据估算方法,其特征在于,所述获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,具体包括:
获取样本离散点,将所述样本离散点作为所述基础神经网络模型的输入层的输入,经过所述基础神经网络模型的第二层、第三层和输出层,获得原始输出结果;
所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
5.如权利要求4所述的基于神经网络的数据估算方法,其特征在于,所述原始输出结果经过预设损失函数,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型,具体包括:
所述原始输出结果经过预设损失函数,获得损失函数值;
所述损失函数值经过预设优化器,以对所述基础神经网络模型进行训练,获得所述预设神经网络模型。
6.如权利要求5所述的基于神经网络的数据估算方法,其特征在于,所述预设损失函数为交叉熵。
7.如权利要求1-6中任一项所述的基于神经网络的数据估算方法,其特征在于,所述预设公式为:
γ(x,h)=0.5E[Z(x)-Z(x+h)]2;
其中,γ(x,h)为所述目标离散点,E为期望运算,Z(x)为在采集位置x的采集数据,Z(x+h)为在采集位置(x+h)的采集数据。
8.一种基于神经网络的数据估算设备,其特征在于,所述基于神经网络的数据估算设备包括: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基于神经网络的数据估算程序,所述基于神经网络的数据估算程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的数据估算方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于神经网络的数据估算程序,所述基于神经网络的数据估算程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的数据估算方法的步骤。
10.一种基于神经网络的数据估算装置,其特征在于,所述基于神经网络的数据估算装置包括:
获取模块,用于获取待估算参数在不同采集位置的采集数据;
计算模块,用于根据所述采集数据通过预设公式计算变异函数中的目标离散点;
数据拟合模块,用于根据所述目标离散点通过预设神经网络模型进行数据拟合,获得变异函数模型;
插值估算模块,用于根据所述变异函数模型及所述采集数据对所述待估算参数进行插值估算,获得未采集位置的估算数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910514222.8A CN110245326B (zh) | 2019-06-13 | 2019-06-13 | 基于神经网络的数据估算方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910514222.8A CN110245326B (zh) | 2019-06-13 | 2019-06-13 | 基于神经网络的数据估算方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245326A true CN110245326A (zh) | 2019-09-17 |
CN110245326B CN110245326B (zh) | 2023-10-24 |
Family
ID=67887182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910514222.8A Active CN110245326B (zh) | 2019-06-13 | 2019-06-13 | 基于神经网络的数据估算方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245326B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016956A (zh) * | 2020-08-05 | 2020-12-01 | 中国煤炭地质总局勘查研究总院 | 基于bp神经网络的矿石品位估值方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6606612B1 (en) * | 1998-08-13 | 2003-08-12 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with other interpolation or estimation techniques |
US7191161B1 (en) * | 2003-07-31 | 2007-03-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques |
WO2018112692A1 (zh) * | 2016-12-19 | 2018-06-28 | 上海寒武纪信息科技有限公司 | 获取函数值的装置、方法及神经网络装置 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
CN109144271A (zh) * | 2018-09-07 | 2019-01-04 | 武汉轻工大学 | 三维空间音频关注度分析方法、系统、服务器及存储介质 |
CN109767000A (zh) * | 2019-01-16 | 2019-05-17 | 厦门美图之家科技有限公司 | 基于Winograd算法的神经网络卷积方法及装置 |
US20190163904A1 (en) * | 2017-05-24 | 2019-05-30 | Estsecurity Corp. | Apparatus for detecting variants of malicious code based on neural network learning, method therefor and computer readable recording medium storing program for performing the method |
-
2019
- 2019-06-13 CN CN201910514222.8A patent/CN110245326B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6606612B1 (en) * | 1998-08-13 | 2003-08-12 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with other interpolation or estimation techniques |
US7191161B1 (en) * | 2003-07-31 | 2007-03-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques |
WO2018112692A1 (zh) * | 2016-12-19 | 2018-06-28 | 上海寒武纪信息科技有限公司 | 获取函数值的装置、方法及神经网络装置 |
US20190163904A1 (en) * | 2017-05-24 | 2019-05-30 | Estsecurity Corp. | Apparatus for detecting variants of malicious code based on neural network learning, method therefor and computer readable recording medium storing program for performing the method |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
CN109144271A (zh) * | 2018-09-07 | 2019-01-04 | 武汉轻工大学 | 三维空间音频关注度分析方法、系统、服务器及存储介质 |
CN109767000A (zh) * | 2019-01-16 | 2019-05-17 | 厦门美图之家科技有限公司 | 基于Winograd算法的神经网络卷积方法及装置 |
Non-Patent Citations (2)
Title |
---|
JIANGFU LIAO: "Incorporation of extended neighborhood mechanisms and its impact on urban landuse cellular automata simulations", ENVIRONMENTAL MODELLING & SOFTWARE, pages 163 - 175 * |
张帆,张聪: "基于无干扰的云计算环境行为可信性分析", 《计算机学报》, vol. 42, no. 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016956A (zh) * | 2020-08-05 | 2020-12-01 | 中国煤炭地质总局勘查研究总院 | 基于bp神经网络的矿石品位估值方法及装置 |
CN112016956B (zh) * | 2020-08-05 | 2023-08-08 | 中国煤炭地质总局勘查研究总院 | 基于bp神经网络的矿石品位估值方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110245326B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210042991A1 (en) | Object loading method and apparatus, storage medium, and electronic device | |
CN110567510A (zh) | 大气污染监测方法、系统、计算机设备和存储介质 | |
US11887253B2 (en) | Terrain generation and population system | |
CN113269858B (zh) | 虚拟场景渲染方法、装置、计算机设备和存储介质 | |
JP2008530595A (ja) | 地形モデル化のためのデジタル標高モデル(dem)を向上させる方法および装置 | |
CN108021131A (zh) | 一种机器人视觉识别方法、装置及计算机可读存储介质 | |
CN110879850B (zh) | 抖动参数的获取方法、装置、设备及存储介质 | |
KR102297195B1 (ko) | 개체군 분산 모사 모델 기반 개체군 분산 예측 장치 및 이를 이용한 개체군 분산 예측 방법 | |
CN108151679A (zh) | 一种土地面积测量的方法及系统 | |
CN110335139A (zh) | 基于相似度的评估方法、装置、设备及可读存储介质 | |
CN112232194A (zh) | 一种单目标人体关键点检测方法、系统、设备及介质 | |
CN114357879A (zh) | 一种未来土地利用模拟方法、装置、存储介质及终端设备 | |
CN116704103A (zh) | 一种图像渲染方法、装置、设备、存储介质及程序产品 | |
CN107179839A (zh) | 用于终端的信息输出方法、装置及设备 | |
CN110245326A (zh) | 基于神经网络的数据估算方法、设备、存储介质及装置 | |
CN112115900B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110163140A (zh) | 人群密度图获取方法及装置 | |
CN115775024B (zh) | 虚拟形象模型训练方法及装置 | |
CN117237511A (zh) | 云图处理方法、装置、计算机及可读存储介质 | |
CN116152419A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
CN108304930A (zh) | 网络裁剪方法、装置及计算机可读存储介质 | |
Qiu et al. | A GIS based spatially explicit model of dispersal agent behavior | |
CN111581808B (zh) | 一种污染物信息处理方法、装置、存储介质及终端 | |
CN111915701A (zh) | 一种基于人工智能的按钮图像生成方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |