基于多模态极限学习机的预测方法、装置、设备及介质制造方法及图纸

本申请公开了基于多模态极限学习机的预测方法、装置、设备及介质，所述方法包括：获取训练数据以及概率分布下的神经元权重参数，并构建训练数据对应的标签向量；依据各神经元权重参数，构建每一概率分布下的若干中间神经元；依据各若干中间神经元，构建训练数据在各概率分布下的复合特征；计算复合特征对应的二阶样本特征，并构建二阶样本特征对应的核矩阵；获取待预测样本，依据核矩阵以及标签向量共同构建的极限学习机模型，对待预测样本进行预测，得到预测结果。本发明专利技术可以应用于解决数据驱动的建模问题，例如图像分类、序列预测、地球物理、信用评价等等。本申请解决了现有技术中极限学习机模型由于随机映射导致的精度不稳定的技术问题。稳定的技术问题。稳定的技术问题。

【技术实现步骤摘要】
基于多模态极限学习机的预测方法、装置、设备及介质


[0001]本申请涉及大数据
，尤其涉及一种基于多模态极限学习机的预测方法、装置、设备及介质。

技术介绍

[0002]随着机器学习的不断发展，目前出现了各种各样的机器学习方法，其中极限学习机模型可用于解决分类和回归问题，但是极限学习机模型的随机映射一直是一个难以解决的问题，也即训练过程中不同概率分布下采样得到的隐藏层不同，进而导致产生不同的预测性能，而在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的精度的稳定性。本专利技术可以应用于解决数据驱动的建模问题，例如图像分类、序列预测、地球物理、信用评价等等。
[0003]在申请号为CN201810811670.X的专利技术专利中，公开了一种融合多模态乳腺图像的计算机辅助参考系统及方法，其将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理
‑
深度融合特征模型。这里的多种纹理特征即为多模态，适用于图像分类这种需要事先提取特征的领域。然而在很多领域，例如测井解释，其输入是具有实际物理意义的测井曲线值组成的特征，因此无法提取多种特征。在申请号为CN202110418142.X的专利技术专利中，公开了一种基于多模态机器学习的服务需求动态预测方法及系统，其分别对文本数据和图像数据进行特征提取，并进行特征共享，得到用户使用服务表达向量，这里的多模态是由文本和图像两种数据形式而产生的。在申请号为CN202110470704.5和CN202011191238.9公开的相关专利技术专利中，也有关于多模态的技术特征。但是，从已经公开的技术文献来看，其多模态机器学习是针对于多源异构数据本身。事实上，特征映射的不确定性也会带来多种模态，如果选择一种错误的模态将会导致学习精度下降，因此需要充分融合多模态以消除精度的不稳定性。

技术实现思路

[0004]本申请的主要目的在于提供一种基于多模态极限学习机的预测方法、装置、设备及介质，旨在解决现有极限学习机模型中由于随机映射导致的精度不稳定的技术问题。
[0005]为实现上述目的，本申请提供一种基于多模态极限学习机的预测方法，所述基于多模态极限学习机的预测方法包括：
[0006]获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
[0007]依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
[0008]依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
[0009]计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
[0010]获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
[0011]本申请还提供一种基于多模态极限学习机的预测装置，所述基于多模态极限学习机的预测装置包括：
[0012]获取模块，用于获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
[0013]中间神经元构建模块，用于依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
[0014]复合特征构建模块，用于依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
[0015]核矩阵构建模块，用于计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
[0016]预测模块，用于获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
[0017]本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于多模态极限学习机的预测方法的程序，所述基于多模态极限学习机的预测方法的程序被处理器执行时可实现如上述的基于多模态极限学习机的预测方法的步骤。
[0018]本申请还提供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实现基于多模态极限学习机的预测方法的程序，所述基于多模态极限学习机的预测方法的程序被处理器执行时实现如上述的基于多模态极限学习机的预测方法的步骤。
[0019]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于多模态极限学习机的预测方法的步骤。
[0020]本申请提供了一种基于多模态极限学习机的预测方法、装置、设备及介质，相比于现有技术中当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选的技术手段，本申请获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元，实现了构建不同概率分布下的隐藏层的目的，进而依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵，实现了通过构建复合特征的方式，将不同概率分布下的若干神经元(隐藏层)融合为核矩阵的目的，使得核矩阵更加稳定可靠，且使得基于核矩阵和标签向量共同构建的极限学习机模型更加稳定可靠，进而获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。可实现基于更加稳定可靠的极限学习机模型进行预测的目的，克服了现有技术中在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的精度的稳定性的技术缺陷，解决了极限学习机模型中由于随机映射导致的精度不稳定的技术问题。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0022]为了更清楚地说明本申请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描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
[0023]图1为本申请基于多模态极限学习机的预测方法第一实施例的流程示意图；
[0024]图2为本申请实施例中基于多模态极限学习机的预测方法涉及的硬件运行环境的设备结构示意图。
[0025]本申请目的实现、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
[0026]为使本专利技术的上述目的、特征和优点能够更加明显易懂，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，所描述的实施例仅仅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的前提下所获得的所有其它实施例，均属于本专利技术保护的范围。
[0027]本申请实施例提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态极限学习机的预测方法，其特征在于，所述基于多模态极限学习机的预测方法包括：获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。2.如权利要求1所述基于多模态极限学习机的预测方法，其特征在于，所述神经元权重参数包括输入权重向量和输入偏置系数，所述训练数据至少包括一训练样本，利用以下公式，依据各所述神经元权重参数构建每一所述概率分布下的若干中间神经元：其中，φ(x)为所述中间神经元，x为所述训练样本，w为所述输入权重向量，b为所述输入偏置系数，d为训练样本的特征维度；所述训练样本x在第j种概率分布下激发的第i个神经元记作其中，和分别表示第j种概率分布下生成的第i个所述输入权重向量和生成的第i个所述输入偏置系数。3.如权利要求1所述基于多模态极限学习机的预测方法，其特征在于，所述训练数据至少包括一训练样本，利用以下公式，依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征：其中，A(x)为所述复合特征，其中，A(x)为所述复合特征，为所述训练样本x第m种概率分布下激发的第i个神经元，z为所述神经元权重参数在所述概率分布下的数量。4.如权利要求1所述基于多模态极限学习机的预测方法，其特征在于，所述训练数据至少包括一训练样本，利用以下公式，计算所述复合特征对应的二阶样本特征：其中，h(x)为所述二阶样本特征，A(x)为所述复合特征,m为所述概率分布的数量，x为所述训练样本。5.如权利要求1所述基于多模态极限学习机的预测方法，其特征在于，所述训练数据至少包括一训练样本，利用以下公式，构建所述二阶样本特征对应的核矩阵：所述核矩阵中第i行第j列元素
其中，表示Hadamard积，和为随机生成的矩阵，其元素为1或者
‑
1，且生成正负1的概率相同，h(x)为所述二阶样本特征，x为所述训练样本，r＜＜m2，且r为训练样本降维后的维度。6.如权利要求1所述基于多模态极限学习机的预测方法，其特征在于，利用以下公式，依据所述核矩阵以及所述标签向量共...

【专利技术属性】
技术研发人员：吕文君，李鲲，康宇，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：