CN112529328B - 一种产品性能预测方法及系统 - Google Patents
一种产品性能预测方法及系统 Download PDFInfo
- Publication number
- CN112529328B CN112529328B CN202011536684.9A CN202011536684A CN112529328B CN 112529328 B CN112529328 B CN 112529328B CN 202011536684 A CN202011536684 A CN 202011536684A CN 112529328 B CN112529328 B CN 112529328B
- Authority
- CN
- China
- Prior art keywords
- product
- radial basis
- performance prediction
- basis function
- performance
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种产品性能预测方法及系统。所述方法包括:获取产品训练数据,根据产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数;在多个待训练产品中选取一个待训练产品作为目标训练产品,并将目标训练产品的技术参数值输入各神经元节点的径向基函数中得到目标训练产品对应的各神经元节点的分支性能预测概率;采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;以初始最优权重集作为径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对径向基神经网络的权重进行调整,得到最终权重集。本发明可以提高产品性能的预测精度和效率。
Description
技术领域
本发明涉及产品性能预测技术领域,特别是涉及一种产品性能预测方法及系统。
背景技术
为了能够减少性能对产品可用性的影响,并且能够为产品设计和制造阶段提供指导,需要对产品进行有效的性能预测。有效的产品性能预测方法可以降低在产品设计决策阶段所产生的产品成本,并且能够提高产品制造阶段的效率。考虑到产品性能相关数据集是多变量的、大规模的,现有技术经常采用径向基神经网络对产品性能进行预测,但是,由于径向基神经网络在训练的过程中对参数的设置较为敏感,但是现有技术中设置的参数有时候并不适当,导致产品性能预测精度性低且预测效率低。
发明内容
本发明的目的是提供一种产品性能预测方法及系统,提高产品性能的预测精度和效率。
为实现上述目的,本发明提供了如下方案:
一种产品性能预测方法,包括:
获取待预测产品的技术参数值;
将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率;
根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能;
所述性能预测模型的确定方法为:
获取产品训练数据;所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能;
根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数;
在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率;
采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合;
以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型;所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的。
可选的,所述不同的迭代次数下的学习率的确定方法,具体为:
根据公式a=amin+(costprev-cost)×(amax-amin)计算下次迭代次数下的学习率,其中,a表示下次迭代次数下的学习率,costprev表示前一次迭代次数下的损失值,cost表示当前迭代次数下的损失值,amax表示最大设定学习率,amin表示最小设定学习率。
可选的,所述交叉熵损失函数的计算公式为:
其中,L是损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
可选的,所述根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数,具体为;
采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心;
根据各径向基函数的中心之间的距离确定各径向基函数的宽度;
根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
可选的,所述待预测产品的性能预测概率的确定方法具体为:
根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和。
一种产品性能预测系统,包括:
第一获取模块,用于获取待预测产品的技术参数值;
概率预测模块,用于将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率;
性能预测模块,用于根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能;
训练模块,所述训练模块包括:第二获取单元,用于获取产品训练数据;所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能;
径向基函数确定单元,用于根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数;
分支性能预测单元,用于在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率;
初始最优权重集确定单元,用于采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合;
最终权重集确定单元,用于以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型;所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的。
可选的,所述最终权重集确定单元,包括:
学习率计算子单元,用于根据公式a=amin+(cos tprev-cost)×(amax-amin)计算下次迭代次数下的学习率,其中,a表示下次迭代次数下的学习率,costprev表示前一次迭代次数下的损失值,cost表示当前迭代次数下的损失值,amax表示最大设定学习率,amin表示最小设定学习率。
可选的,所述最终权重集确定单元中交叉熵损失函数的计算公式为:
其中,L是梯度下降算法当前迭代次数下的损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
可选的,所述径向基函数确定单元,包括;
径向基函数中心确定子单元,用于采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心;
径向基函数宽度确定子单元,用于根据各径向基函数的中心之间的距离确定各径向基函数的宽度;
径向基函数确定子单元,用于根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
可选的,所述性能预测模块,包括:
性能预测概率计算子单元,用于根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和。
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:本发明通过梯度下降法训练得到各神经元节点的权重,在训练过程中不同的迭代次数下设定不同的学习率,并且进一步改进了梯度下降法的初始权重的设置,以此来提高产品性能预测的准确性以及预测效率。
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为本发明实施例提供的一种产品性能预测方法的流程图;
图2为本发明实施例提供的训练性能预测模型的流程图;
图3为本发明实施例提供的训练性能预测模型过程的示意图;
图4为本发明实施例提供的一种产品性能预测系统的框图;
图5为本发明实施例提供的训练模块的框图。
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。
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
考虑到产品性能相关数据集是多变量的、大规模的,径向基神经网络是一个可行有效的性能预测方法所以本实施例提供了一种基于径向基神经网络的产品性能预测方法,如图1所示,所述方法包括:
101:获取待预测产品的技术参数值。以手机为例,技术参数值可以为手机的像素,分辨率,续航能力,电池容量,核数,主频等,对于其他产品,也有相应的与性能相关的技术参数值。
在实际应用中技术参数的确定过程具体为:根据Relief算法分析产品的特定技术参数得到与性能相关的技术参数。
102:将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率。
103:根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能。
径向基神经网络的输出层是对性能预测模型输入的响应,隐藏层将各神经元节点性能预测概率的线性加权和输出到输出层,其中隐藏层到输出层的权重用于优化预测结果,如图2和图3所示,其中a表示输入层,b表示隐藏层,c表示输出层,x1到xn为产品训练数据,w1到wi为隐藏层到输出层的权重,y为输出的性能预测概率,1表示将产品训练数据输入输入层,2表示计算每个节点的分支性能预测概率,3表示产生产品的最终合计概率,即产品对应的各神经元节点的分支性能预测概率与隐藏层到输出层的权重的加权和。所述性能模型的训练方法具体为:
201:获取产品训练数据。所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能。
202:根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数。
203:在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率。
隐藏层包含计算每个节点的分支性能预测概率的内部逻辑,所以在实际应用中计算目标训练产品对应的各神经元节点的分支性能预测概率具体为:
根据目标训练产品的技术参数值计算隐藏层每个节点的分支性能预测概率。径向基神经网络隐藏层选择径向基函数作为激活函数,激活函数能够提高神经网络的预测能力,其计算公式如下所示:
其中,G(x,x')为各神经元节点的分支性能预测概率,x是输入的技术参数值,x′是径向基函数的中心,σ是径向基函数的宽度。
204:采用粒子群优化算法对初始权重集进行优化得到初始最优权重集。初始最优权重集作为梯度下降算法的初始权重。所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合;在实际应用中所述初始权重集可以根据Xavier初始化方法得到。
在实际应用中,利用粒子群优化算法优化初始权重得到初始最优权重集,具体为:
选择交叉熵损失函数作为粒子群优化算法优化初始最优权重集的适应度,交叉熵损失函数用来测量最终的性能预测概率与真实性能之间的误差。粒子的交叉熵损失函数越小,适应度越小,则性能预测方法的预测效果越好。通过选取粒子群优化算法得到的适应度较小的权重集作为梯度下降法的初始权重即初始最优权重集。
205:以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型。所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的。
在实际应用中,以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集,具体为。
在权重训练过程中,改进用于权重更新的学习率。在迭代之前将初始最优权重集输入交叉熵损失函数计算损失值作为初始迭代损失值,初始学习率是预先设置的,用前一次迭代与当前迭代的损失值之差作为学习率的计算公式。
通过在训练过程中损失值的不断变化使得学习率的设置可以达到自适应的目的。在训练的初始阶段,每次迭代之间损失值的差异较大,学习率较大,有助于提高训练速度,避免陷入局部最优;在训练结束时,迭代之间损失值的差异较小,学习率较小,可以加快训练过程的收敛速度。
其中,学习率a计算公式如下所示:
a=amin+(cos tprev-cost)×(amax-amin)
其中,costprev表示训练过程中当前迭代位置前一次迭代的损失值,cost表示当前迭代下的损失值,amax和amin分别表示最大学习率和最小学习率。
然后根据得到的学习率更新权重,并且通过沿着梯度下降的方向进行迭代查找,直到得到权重的最优值。由上述公式可以看出,学习率为根据损失值确定的,损失值为根据权重确定的,所以本实施例通过权重更新学习率,进一步提高了产品性能预测的准确性以及预测效率。
其中,交叉熵损失函数的计算公式为:
其中,L是损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
在实际应用中,根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数,具体为。
采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心。
根据各径向基函数的中心之间的距离确定各径向基函数的宽度。
根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
在实际应用中,通过k-means聚类算法利用技术参数值之间的距离对输入的技术参数值进行分组。根据分组得到聚类中心,聚类中心即径向基神经网络隐藏层中径向基函数的中心,根据各中心之间的距离确定对应径向基函数的宽度。宽度计算公式如下所示:
dj=min||cj-ci||
其中,cj表示第j个径向基函数的中心,ci表示第i个径向基函数的中心,并且j≠i,||cj-ci||表示中心之间的欧氏距离,dj表示第j个径向基函数的宽度。
在实际应用中,为隐藏层每个神经元节点性能预测概率加权从而计算得到最终的性能预测概率并输出,根据训练得到的最优权重集对隐藏层各神经元节点的输出进行加权,从而计算得到产品最终的性能预测概率。
在实际应用中,待预测产品的性能预测概率的确定方法具体为:
根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和,即每个隐藏层神经元节点的性能预测概率G(x,x′)与最终权重的乘积之和。
本实施例提供了一种与上述产品性能预测方法对应的性能预测系统,如图4所示,所述系统包括:
第一获取模块A1,用于获取待预测产品的技术参数值。
概率预测模块A2,用于将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率。
性能预测模块A3,用于根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能。
如图5所示,训练所述性能预测模型的训练模块包括:
第二获取单元M1,用于获取产品训练数据;所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能。
径向基函数确定单元M2,用于根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数。
分支性能预测单元M3,用于在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率。
初始最优权重集确定单元M4,用于采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合。
最终权重集确定单元M5,用于以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型;所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的。
所述最终权重集确定单元,包括:
学习率计算子单元,用于根据公式a=amin+(cos tprev-cost)×(amax-amin)计算下次迭代次数下的学习率,其中,a表示下次迭代次数下的学习率,costprev表示前一次迭代次数下的损失值,cost表示当前迭代次数下的损失值,amax表示最大设定学习率,amin表示最小设定学习率。
所述最终权重集确定单元中交叉熵损失函数的计算公式为:
其中,L是损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
所述径向基函数确定单元,包括。
径向基函数中心确定子单元,用于采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心。
径向基函数宽度确定子单元,用于根据各径向基函数的中心之间的距离确定各径向基函数的宽度。
径向基函数确定子单元,用于根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
所述性能预测模块,包括:
性能预测概率计算子单元,用于根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和。
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:
本发明将产品性能相关数据输入径向基神经网络,输出产品的性能被预测为好或坏的概率。径向基神经网络的隐藏层将各层节点的线性加权和输出到输出层,其中隐藏层到输出层的权重用于优化神经网络的预测结果。通过改进梯度下降法训练得到权重,并且进一步改进了梯度下降法初始权重的设置以及用于权重更新的学习率,以此来提高产品性能预测的准确性以及预测效率,对产品进行有效的性能预测可以减少性能对产品可用性的影响,并且能够为产品设计和制造阶段提供指导。
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。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (8)
1.一种产品性能预测方法,其特征在于,包括:
获取待预测产品的技术参数值;
将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率;
根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能;
所述性能预测模型的确定方法为:
获取产品训练数据;所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能;
根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数;
在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率;
采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合;
以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型;所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的;所述不同的迭代次数下的学习率的确定方法,具体为:
根据公式a=amin+(costprev-cost)×(amax-amin)计算下次迭代次数下的学习率,其中,a表示下次迭代次数下的学习率,costprev表示前一次迭代次数下的损失值,cost表示当前迭代次数下的损失值,amax表示最大设定学习率,amin表示最小设定学习率。
2.根据权利要求1所述的一种产品性能预测方法,其特征在于,所述交叉熵损失函数的计算公式为:
其中,L是损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
3.根据权利要求1所述的一种产品性能预测方法,其特征在于,所述根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数,具体为:
采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心;
根据各径向基函数的中心之间的距离确定各径向基函数的宽度;
根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
4.根据权利要求1所述的一种产品性能预测方法,其特征在于,所述待预测产品的性能预测概率的确定方法具体为:
根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和。
5.一种产品性能预测系统,其特征在于,包括:
第一获取模块,用于获取待预测产品的技术参数值;
概率预测模块,用于将所述待预测产品的技术参数值输入性能预测模型得到所述待预测产品的性能预测概率;
性能预测模块,用于根据所述待预测产品的性能预测概率确定所述待预测产品的预测性能;
训练模块,所述训练模块包括:第二获取单元,用于获取产品训练数据;所述产品训练数据包括多个待训练产品的技术参数值和各个所述待训练产品的真实性能;
径向基函数确定单元,用于根据所述产品训练数据得到径向基神经网络的隐藏层中每个神经元节点的径向基函数;
分支性能预测单元,用于在多个所述待训练产品中选取一个待训练产品作为目标训练产品,并将所述目标训练产品的技术参数值输入各神经元节点的径向基函数中得到所述目标训练产品对应的各神经元节点的分支性能预测概率;
初始最优权重集确定单元,用于采用粒子群优化算法对初始权重集进行优化得到初始最优权重集;所述初始权重集为所述径向基神经网络的隐藏层到输出层的所有预设的初始权重的集合;
最终权重集确定单元,用于以所述初始最优权重集作为所述径向基神经网络的权重的初始值,在不同的迭代次数下设定不同的学习率,并以交叉熵损失函数计算损失值,采用梯度下降算法对所述径向基神经网络的权重进行调整,得到最终权重集并将所述最终权重集对应的径向基神经网络确定为所述性能预测模型;所述交叉熵损失函数是由所述径向基神经网络输出的目标训练产品的性能预测概率和目标训练产品的真实性能确定的;所述目标训练产品的性能预测概率是由所述目标训练产品对应的各神经元节点的分支性能预测概率和每次迭代次数下的权重集确定的;
所述最终权重集确定单元,包括:
学习率计算子单元,用于根据公式a=amin+(costprev-cost)×(amax-amin)计算下次迭代次数下的学习率,其中,a表示下次迭代次数下的学习率,costprev表示前一次迭代次数下的损失值,cost表示当前迭代次数下的损失值,amax表示最大设定学习率,amin表示最小设定学习率。
6.根据权利要求5所述的一种产品性能预测系统,其特征在于,所述最终权重集确定单元中交叉熵损失函数的计算公式为:
其中,L是损失值,n是待训练产品的个数,yi是第i个待训练产品的真实性能,ai为第i个待训练产品的性能预测概率。
7.根据权利要求5所述的一种产品性能预测系统,其特征在于,所述径向基函数确定单元,包括;
径向基函数中心确定子单元,用于采用k-means聚类算法对多个所述待训练产品的技术参数值进行聚类得到隐藏层中各神经元节点的径向基函数的中心;
径向基函数宽度确定子单元,用于根据各径向基函数的中心之间的距离确定各径向基函数的宽度;
径向基函数确定子单元,用于根据所述径向基函数的宽度和所述径向基函数的中心确定所述径向基函数。
8.根据权利要求5所述的一种产品性能预测系统,其特征在于,所述性能预测模块,包括:
性能预测概率计算子单元,用于根据公式确定待预测产品的性能预测概率,其中,S(t)为待预测产品的性能预测概率,t表示待预测产品对应的各神经元节点的分支性能预测概率和最终权重集的加权和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536684.9A CN112529328B (zh) | 2020-12-23 | 2020-12-23 | 一种产品性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536684.9A CN112529328B (zh) | 2020-12-23 | 2020-12-23 | 一种产品性能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529328A CN112529328A (zh) | 2021-03-19 |
CN112529328B true CN112529328B (zh) | 2023-08-22 |
Family
ID=74976553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536684.9A Active CN112529328B (zh) | 2020-12-23 | 2020-12-23 | 一种产品性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529328B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024044935A1 (en) * | 2022-08-30 | 2024-03-07 | Robert Bosch Gmbh | Method and apparatus for structural optimizition |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19954244A1 (de) * | 1999-10-06 | 2001-04-12 | Mit Man Intelligenter Technolo | Vorrichtung zur qualitätsoptimierten Produktionssteuerung von Wellpappenanlagen |
WO2019033636A1 (zh) * | 2017-08-16 | 2019-02-21 | 哈尔滨工业大学深圳研究生院 | 基于最小化损失学习的不平衡样本分类方法 |
CN110414349A (zh) * | 2019-06-26 | 2019-11-05 | 长安大学 | 引入感知模型的孪生卷积神经网络人脸识别算法 |
CN110866608A (zh) * | 2019-10-31 | 2020-03-06 | 同济大学 | 一种自适应学习率计算方法 |
CN111105127A (zh) * | 2019-11-06 | 2020-05-05 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
CN111860789A (zh) * | 2020-07-31 | 2020-10-30 | Oppo广东移动通信有限公司 | 模型训练方法、终端及存储介质 |
-
2020
- 2020-12-23 CN CN202011536684.9A patent/CN112529328B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19954244A1 (de) * | 1999-10-06 | 2001-04-12 | Mit Man Intelligenter Technolo | Vorrichtung zur qualitätsoptimierten Produktionssteuerung von Wellpappenanlagen |
WO2019033636A1 (zh) * | 2017-08-16 | 2019-02-21 | 哈尔滨工业大学深圳研究生院 | 基于最小化损失学习的不平衡样本分类方法 |
CN110414349A (zh) * | 2019-06-26 | 2019-11-05 | 长安大学 | 引入感知模型的孪生卷积神经网络人脸识别算法 |
CN110866608A (zh) * | 2019-10-31 | 2020-03-06 | 同济大学 | 一种自适应学习率计算方法 |
CN111105127A (zh) * | 2019-11-06 | 2020-05-05 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
CN111860789A (zh) * | 2020-07-31 | 2020-10-30 | Oppo广东移动通信有限公司 | 模型训练方法、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
武玉伟.深度学习基础与应用.北京理工大学出版社,2020,143-147. * |
Also Published As
Publication number | Publication date |
---|---|
CN112529328A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101899101B1 (ko) | 인공 신경망 기반 예측 모델 생성 장치 및 방법 | |
Nie et al. | Network traffic prediction based on deep belief network in wireless mesh backbone networks | |
Linkens et al. | Input selection and partition validation for fuzzy modelling using neural network | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
CN106338708B (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
AU2021245165B2 (en) | Method and device for processing quantum data | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
CN107506861B (zh) | 一种短期风速预测方法、装置及系统 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
CN109242265A (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN112529328B (zh) | 一种产品性能预测方法及系统 | |
CN112231839A (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN111598313A (zh) | 一种风功率预测方法 | |
CN109116300B (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN111105005A (zh) | 一种风电功率预测方法 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN111222762A (zh) | 太阳能电池板镀膜工艺状态监控及质量控制系统 |
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 |