基于变差函数模型的GRNN平滑因子设置方法及系统技术方案

本发明专利技术公开基于变差函数模型的GRNN平滑因子设置方法及系统，包括：对取样数据进行预处理；获取预处理后的所述取样数据的全向实验变差函数，并拟合所述全向实验变差函数，获取变程值；将所述变程值作为平滑因子，进行GRNN预测；基于满足预测结果的所述平滑因子与预处理后的所述取样数据，构建GRNN模型，通过所述GRNN模型预测未知位置的品位值。本发明专利技术能够更容易获取到最优平滑因子，提高参数搜索的效率，具有更强的适应性。具有更强的适应性。具有更强的适应性。

【技术实现步骤摘要】
基于变差函数模型的GRNN平滑因子设置方法及系统


[0001]本专利技术属于机器学习和地质统计学领域，尤其涉及基于变差函数模型的GRNN平滑因子设置方法及系统。

技术介绍

[0002]广义回归神经网络(GRNN)是径向基神经网络(RBF)的一种变形形式，网络训练过程以样本数据为后验条件，以最大概率准则计算网络输出。设GRNN网络的输入数据为x，对应的网络输出为y，其学习过程为：设x,y的联合概率密度为f(x,y)，当x取值为x0时，取y的数学期望为其回归值即：
[0003][0004]利用非参数估计，按下式估计概率密度函数f(x0,y)：
[0005][0006]式中，x
i
,y
i
为随机变量x和y的第i个观测值，n为样本容量，p为随机变量x的维数，σ为平滑因子(平滑参数)。经积分变换后，可得网络的期望输出：
[0007][0008]GRNN的网络结构如图1所示，整个网络包括四层神经元，分别为输入层，模式层，求和层和输出层。对应网络输入为X＝[x1,x2,x3…
x
n
]T
，其输出为[y1,y2,y3…
y
k
]T
。
[0009]输入层：输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。
[0010]模式层：模式层神经元的数目等于学习样本的容量，各神经元对应不同的样本点，模式层神经元传递函数为：
[0011][0012]其中，X为网络输入向量，X
i
为第i个神经元对应的学习样本点，n为样本容量，σ为平滑因子。
[0013]求和层：求和层中使用两类神经元进行求和。
[0014]第一类求和过程对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
[0015][0016]第二类求和过程对所有模式层的神经元进行加权求和，模式层中第i个神经元与
求和层中第j个神经元之间的连接权重为Y
i
的第j个元素(即Y
ij
)，传递函数为：
[0017][0018]输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，即神经元j的输出结果y
j
为：
[0019][0020]GRNN网络训练的主要目的是为了寻找适合的平滑因子，现有的解决方法主要基于遍历搜索和交叉验证方法，即：依次对可能的平滑因子进行比较和筛选，保留交叉验证精度最高的结果。这种方法存在计算量大、计算过程缺乏依据、以及容易漏掉最优解等问题。在地质统计学领域中，使用GRNN进行矿石品位估值时，因为地质领域的数据具有唯一取样性等特点，很难实现重复取样，故可能存在取样数据过少，难以进行GRNN平滑因子的寻优。因此，亟需提出一种基于高斯变差函数模型的GRNN平滑因子设置方法。

技术实现思路

[0021]为解决上述技术问题，本专利技术提出基于变差函数模型的GRNN平滑因子设置方法及系统，能够更容易获取到最优平滑因子，提高参数搜索的效率，具有更强的适应性。
[0022]一方面为实现上述目的，本专利技术提供了基于变差函数模型的GRNN平滑因子设置方法，包括：
[0023]对取样数据进行预处理；
[0024]获取预处理后的所述取样数据的全向实验变差函数，并拟合所述全向实验变差函数，获取变程值；
[0025]将所述变程值作为平滑因子，进行GRNN预测；
[0026]基于满足预测结果的所述平滑因子与预处理后的所述取样数据，构建GRNN模型，通过所述GRNN模型预测未知位置的品位值。
[0027]可选地，对取样数据进行预处理包括：
[0028]对所述取样数据中的错误值、异常值和空缺值进行识别和处理；
[0029]对处理后的所述取样数据进行归一化；
[0030]对归一化后的所述取样数据进行数据降维处理。
[0031]可选地，所述全向实验变差函数为：
[0032][0033]其中，γ(h)为全向实验变差函数的变差值，h为任意两个样本点之间的距离，Y(x
i
+h)和Y(x
i
)分别表示位置为(x
i
+h)和(x
i
)的两个采样点的属性值，N(h)为距离为h的样本点数据对的个数，Var(Y)为Y的方差。
[0034]可选地，拟合所述全向实验变差函数的方式为：采用标准高斯变差函数模型的拟合方式；
[0035]所述标准高斯变差函数模型为：
[0036][0037]其中，a为待定的未知参数，e为自然对数；
[0038]所述变程值为：
[0039]可选地，进行GRNN预测包括：
[0040]在预设验证方式的框架下，基于所述平滑因子进行所述GRNN预测，计算预测值和真实值的差距，若预测误差大于预设阈值，则重新获取和拟合所述全向实验变差函数，得到新的所述变程值并再次进行所述GRNN预测，直到预测结果达到预设精度为止。
[0041]另一方面为实现上述目的，本专利技术还提供了基于变差函数模型的GRNN平滑因子设置系统，包括：预处理模块、拟合模块、预测模块和输出模块；
[0042]所述预处理模块，用于对取样数据进行预处理；
[0043]所述拟合模块，用于获取预处理后的所述取样数据的全向实验变差函数，并拟合所述全向实验变差函数，获取变程值；
[0044]所述预测模块，用于将所述变程值作为平滑因子，进行GRNN预测；
[0045]所述输出模块，用于基于满足预测结果的所述平滑因子与预处理后的所述取样数据，构建GRNN模型，通过所述GRNN模型预测未知位置的品位值。
[0046]可选地，所述预处理模块包括：清洗单元、归一化单元和降维单元；
[0047]所述清洗单元，用于对所述取样数据中的错误值、异常值和空缺值进行识别和处理；
[0048]所述归一化单元，用于对清洗后的所述取样数据进行归一化；
[0049]所述降维单元，用于对对归一化后的所述取样数据进行数据降维处理。
[0050]可选地，所述全向实验变差函数为：
[0051][0052]其中，γ(h)为全向实验变差函数的变差值，h为任意两个样本点之间的距离，Y(x
i
+h)和Y(x
i
)分别表示位置为(x
i
+h)和(x
i
)的两个采样点的属性值，N(h)为距离为h的样本点数据对的个数，Var(Y)为Y的方差。
[0053]可选地，拟合所述全向实验变差函数的方式为：采用标准高斯变差函数模型的拟合方式；
[0054]所述标准高斯变差函数模型为：
[0055][0056]其中，a为待定的未知参数，e为自然对数；
[0057]所述变程值为：...

【技术保护点】

【技术特征摘要】
1.基于变差函数模型的GRNN平滑因子设置方法，其特征在于，包括：对取样数据进行预处理；获取预处理后的所述取样数据的全向实验变差函数，并拟合所述全向实验变差函数，获取变程值；将所述变程值作为平滑因子，进行GRNN预测；基于满足预测结果的所述平滑因子与预处理后的所述取样数据，构建GRNN模型，通过所述GRNN模型预测未知位置的品位值。2.根据权利要求1所述的基于变差函数模型的GRNN平滑因子设置方法，其特征在于，对取样数据进行预处理包括：对所述取样数据中的错误值、异常值和空缺值进行识别和处理；对处理后的所述取样数据进行归一化；对归一化后的所述取样数据进行数据降维处理。3.根据权利要求1所述的基于变差函数模型的GRNN平滑因子设置方法，其特征在于，所述全向实验变差函数为：其中，γ(h)为全向实验变差函数的变差值，h为任意两个样本点之间的距离，Y(x
i
+h)和Y(x
i
)分别表示位置为(x
i
+h)和(x
i
)的两个采样点的属性值，N(h)为距离为h的样本点数据对的个数，Var(Y)为Y的方差。4.根据权利要求1所述的基于变差函数模型的GRNN平滑因子设置方法，其特征在于，拟合所述全向实验变差函数的方式为：采用标准高斯变差函数模型的拟合方式；所述标准高斯变差函数模型为：其中，a为待定的未知参数，e为自然对数；所述变程值为：5.根据权利要求1所述的基于变差函数模型的GRNN平滑因子设置方法，其特征在于，进行GRNN预测包括：在预设验证方式的框架下，基于所述平滑因子进行所述GRNN预测，计算预测值和真实值的差距，若预测误差大于预设阈值，则重新获取和拟合所述全向实验变差函数，得到新的所述变程值并再次进行所述GRNN预测，直到预测结果达到预设精度为止。6.基于变差函数模型的GRNN平滑因子设置系统，其特征在于，包括：预处理模块、拟合模块、预测模块和输出模块；所述预处理模块...

【专利技术属性】
技术研发人员：李章林，张夏林，罗勇，吴冲龙，刘刚，田宜平，张志庭，翁正平，何珍文，李新川，张军强，陈麒玉，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：