一种小样本数据预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种小样本数据预测方法及装置，该方法包括将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。本发明专利技术实施例通过采用双立方插值的方法对小样本据进行插值处理，使得插值后的数据集完全包含原始训练集数据，并且插值数据更加符合训练集数据的规律，实现对训练集数据的有效扩充。本发明专利技术实施例将双立方插值后的样本数据进行训练后得到神经网络预测模型，提高神经网络预测模型的泛化能力，避免过拟合现象的发生。将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值，实现对数据更精确的预测。

A Prediction Method and Device for Small Sample Data

【技术实现步骤摘要】
一种小样本数据预测方法及装置
本专利技术涉及神经网络预测方法领域，尤其涉及一种小样本数据预测方法及装置。
技术介绍
反向传播神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即反向传播神经网络具有较强的非线性映射能力。神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即反向传播神经网络具有高度自学习和自适应的能力。所谓泛化能力是指反向传播神经网络具有将学习成果应用于新知识的能力。反向传播神经网络具有一定的容错能力，在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使装置在受到局部损伤时还是可以正常工作的。这些优点使得反向传播神经网络广泛被设计成分类和预测模型。反向传播神经网络应用在小样本中进行预测时，存在严重的过拟合现象。即网络的训练能力很强，几乎能记住所有的训练数据，这导致网络，预测能力非常低，即出现所谓“过拟合”现象。此外，反向传播神经网络结构和神经元参数的选择至今尚无统一而完整的理论指导，只能由经验选定。但是网络结构选择过大，训练中效率不高，可能出现过拟合现象，造成网络性能低，容错性下降，若选择过小，则又会造成网络可能不收敛。因此，如何提升小样本数据在模型预测过程中的训练能力和泛化能力，如何选择合适的网络结构，确定网络中的各种超参数，成为亟待解决的问题。
技术实现思路
本专利技术实施例提供一种小样本数据预测方法及装置，用以解决现有小样本数据训练数据较少，使得小样本数据训练得到的神经网络出现“过拟合”现象，预测能力较低的缺陷，实现对数据更精确的预测。第一方面，本专利技术实施例提供一种小样本数据预测方法，包括：将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。第二方面，本专利技术实施例提供一种小样本数据预测装置，包括：模型建立模块，用于根据双立方插值后的样本数据进行训练，获得神经网络预测模型。模型预测模块，用于将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值。第三方面，本专利技术实施例提供一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的小样本数据预测方法。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的小样本数据预测方法。本专利技术实施例提供的小样本数据预测方法及装置，通过采用双立方插值的方法对小样本据进行插值处理，使得插值后的数据集完全包含原始训练集数据，并且插值数据更加符合训练集数据的规律，实现对训练集数据的有效扩充。本专利技术实施例将双立方插值后的样本数据进行训练后得到神经网络预测模型，提高神经网络预测模型的泛化能力，避免过拟合现象的发生。将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值，实现对数据更精确的预测。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为根据本专利技术实施例提供的小样本数据预测方法流程示意图；图2为根据本专利技术实施例提供的神经网络预测模型的构建流程示意图；图3为根据本专利技术实施例提供的神经网络预测模型的训练流程示意图；图4为根据本专利技术实施例提供的小样本数据预测装置的结构框图；图5为根据本专利技术实施例提供的模型建立模块的结构框图；图6为根据本专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在本专利技术实施例的描述中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。由于反向传播神经网络应用在小样本中进行预测时，存在严重的过拟合现象。即神经网络的训练能力很强，几乎能记住所有的训练数据，这导致网络，预测能力非常低，即出现“过拟合”现象。小样本数据的训练数据较少，训练数据缺乏代表性，通过小样本数据训练得到的神经网络模型会出现过拟合和网络泛化能力过低的问题。因此，本专利技术实施例提供一种小样本数据预测方法及装置，通过采用双立方插值的方法对小样本数据进行插值处理，使得插值后的数据集完全包含原始训练集数据，并且插值数据更加符合训练集数据的规律，实现对训练集数据的有效扩充。本专利技术实施例将双立方插值后的样本数据进行训练后得到神经网络预测模型，提高神经网络预测模型的泛化能力，避免过拟合现象的发生。将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值，实现对数据更精确的预测。图1为根据本专利技术实施例提供的小样本数据预测方法流程示意图，参照图1，该方法包括：步骤101，将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。具体地，由于小样本数据的训练数据较少，训练数据缺乏代表性，通过小样本数据训练得到的神经网络模型会出现过拟合和网络泛化能力过低的问题。因此，在执行步骤101之前，采用双立方插值的方法对小样本数据进行插值处理，插值处理后的小样本数据得到有效扩充，然后根据双立方插值后的样本数据对神经网络预测模型进行训练，能够提高神经网络预测模型的泛化能力。在训练得到神经网络预测模型后，可将上述步骤101中的待预测样本数据输入至神经网络预测模型，从而输出得到待预测样本数据对应的预测值。由于上述神经网络预测模型与传统小样本数据训练得到的神经网络相比，具有更强的泛化能力，使得神经网络预测模型输出的预测值更加准确。本专利技术实施例提供的小样本数据预测方法，通过采用双立方插值的方法对小样本据进行插值处理，使得插值后的数据集完全包含原始训练集数据，并且插值数据更加符合训练集数据的规律，实现对训练集数据的有效扩充。本专利技术实施例将双立方插值后的样本数据进行训练后得到神经网络预测模本文档来自技高网...

【技术保护点】
1.一种小样本数据预测方法，其特征在于，包括：将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。

【技术特征摘要】
1.一种小样本数据预测方法，其特征在于，包括：将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。2.根据权利要求1所述的小样本数据预测方法，其特征在于，将待预测样本数据输入神经网络预测模型，之前还包括：将初始样本数据划分为训练集和测试集，对训练集的样本数据进行双立方插值；引入隐藏层神经元确定参数因子，构建所述神经网络预测模型；利用双立方插值后的样本数据对所述神经网络预测模型进行训练，直至模型收敛。3.根据权利要求2所述的小样本数据预测方法，其特征在于，所述对训练集的样本数据进行双立方插值具体包括：构造矩形网格，对于给定的初始样本数据(xi,yj)，i＝0,1,2…n；j＝0,1,2…m，则以构建xoy平面上的矩形网格，且满足：网格边界满足如下条件：基于所述矩形网格，构造双立方插值函数进行计算：式中，xi表示输入数据；yj表示输出数据；a、b、c、d分别表示数据的最小值、输入数据最大值、输出数据最小值、输出数据最大值；aij表示构造的多项式的待定系数；其中，aij通过分别连续对x与y向量取微分得到；对双立方插值后的样本数据按照原比例划分成输入样本集合和输出样本集合。4.根据权利要求3所述的小样本数据预测方法，其特征在于，所述引入隐藏层神经元确定参数因子，构建所述神经网络预测模型具体包括：引入隐藏层神经元确定参数因子Num确定神经网络预测模型的隐藏层神经元个数，其中，神经网络预测模型包括输入层、隐藏层和输出层；式中，Num表示隐含层神经元的数量，c＝rand(1,9)表示1到9之间一个随机常数；Nx表示输入样本维数，Ny表示输出样本的维数，Ns表示初始样本数据的样本数量。5.根据权利要求4所述的小样本数据预测方法，其特征在于，所述利用插值后的样本数据对所述神经网络预测模型进行训练，直至模型收敛，具体包括：对于任一输入样本，将所述输入样本输入神经网络预测模型，根据所述输入样本对应的实际输出和目标输出计算损失误差；根据所述损失误差调整模型参数；重复训练所述神经网络预测模型，直到所述神经网络预测模型收敛。6.根据权利要求5所述的小样本数据预测方法，其特征在于，所述根据损失误差调整模型参数，具体包括：神经网络预测模型的输入样本集合为x＝(x1,x2,…,xn)T，隐含层有h个单元，隐含层的实际输出为y＝(y1,y2,…yh)T；输出层有m个单元，输出层的实际输出为z＝(z1,z2,…zm)T，目标输出为t＝(t1...

【专利技术属性】
技术研发人员：孙龙清，罗冰，刘婷，陈帅华，刘岩，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11