一种顾及邻近样点空间关系的GRNN预测方法及系统技术方案

本发明专利技术公开一种顾及邻近样点空间关系的GRNN预测方法及系统，包括：将采样数据按比例划分为测试数据和训练数据；改进模式层的神经元传递函数，构建顾及邻近样点空间关系的GRNN模型；对所述训练数据进行预处理，基于预处理后的所述训练数据对所述GRNN模型进行训练，并通过所述测试数据对训练后的所述GRNN模型进行测试。本发明专利技术考虑邻近采样点间的关系，极大提高估值结果的准确率。应用到矿石品位估值领域中，实现去聚集的效果会使得品位估值更加准确和可靠，预测品位和实际品位的差距减小，方便后续工作人员进行开采策略的制定，避免了资源的浪费。源的浪费。源的浪费。

【技术实现步骤摘要】
一种顾及邻近样点空间关系的GRNN预测方法及系统


[0001]本专利技术属于人工神经网络预测方法
，尤其涉及一种顾及邻近样点空间关系的GRNN预测方法及系统。

技术介绍

[0002]广义回归神经网络(General Regression Neural Network，GRNN)是径向基神经网络的一种，具有强大的非线性映射能力和容错性，收敛速度快，并且在采样点较少时也会有不错的预测效果，因此GRNN在自适应控制、系统识别、预测等领域有着广泛的应用。
[0003]GRNN神经网络的基本原理为：对于随机变量x和y，其联合概率密度函数为f(x,y)，有变量y对变量x的条件均值(预测输出)为计算最大概率值的y(回归值)，y对x的回归为：
[0004][0005]由Parzen非参估计给出估计密度函数
[0006][0007]其中，X、Y分别为变量x和变量y的测试数据集采样值，N为训练数据容量，p为变量x的维度，σ是高斯函数宽度系数，也称为光滑因子，它是GRNN网络中的一个待定参数。
[0008]将估计密度函数替代真实密度函数f(x,y)，代入式(1)中，并交换积分和求和的顺序：
[0009][0010]因为式(3)可简化为：
[0011][0012]数据的聚丛效应指的是：由于现实中环境、成本、测量技术等条件的限制，通常无法按照地理位置均匀的测量出一批采样数据，导致采样数据在某些部分很集中、某些部分却很稀疏的现象。忽视这种现象通常会导致预测结果与实际情况之间会出现较大的偏差。如图1所示，数据来源于某矿区的部分钻孔数据，仅包含位置信息(x，y，z)和品位信息，为方便计算和效果展示，选取三个钻孔数据，其中钻孔ZK
‑
1和ZK
‑
2距离很近，ZK
‑
1和ZK
‑
3距离很近，远对钻孔ZK
‑
1和ZK
‑
3的中点X进行预测。利用传统GRNN进行预测，光滑因子σ的取值为0.5，则三个钻孔模式层神经元的值分别为p1＝exp[
‑
2*104],p2＝exp[
‑
2*10025],p3＝exp
[
‑
2*104]，可以看出值较为接近，即p1＝p3≈p2，则预测值为
[0013][0014]这一结果与实际测量出的品位值有较大差距。
[0015]从上述可知：这种方法并没有考虑取样数据的聚丛效应问题，因而容易造成估计值出现偏斜。如在矿石品位估值领域中，估值出现偏斜指的是某一区域的预测品位与实际品位差距很大，而这会给基于预测品位进行开采策略的制定带来严重的影响，造成人力物力资源的浪费。本专利技术基于该问题提出一种解决方法，提高GRNN预测结果的精度。

技术实现思路

[0016]为解决上述技术问题，本专利技术提出一种顾及邻近样点空间关系的GRNN预测方法及系统，考虑邻近采样点间的关系，极大提高估值结果的准确率。
[0017]一方面为实现上述目的，本专利技术提供了一种顾及邻近样点空间关系的GRNN预测方法，包括：
[0018]将采样数据按比例划分为测试数据和训练数据；
[0019]改进模式层的神经元传递函数，构建GRNN模型；其中，所述GRNN模型的构建过程中结合邻近样点空间关系；
[0020]对所述训练数据进行预处理，基于预处理后的所述训练数据对所述GRNN模型进行训练，并通过所述测试数据对训练后的所述GRNN模型进行测试。
[0021]可选地，改进模式层的神经元传递函数包括：
[0022]基于数据的冗余度，将每个采样点与其他采样点之间的累计距离作为所述冗余度的度量，获取采样点的D
‑
D权重，所述D
‑
D权重用于表示邻近样点空间关系；
[0023]将所述D
‑
D权重与传统模式层的神经元传递函数进行结合，获得改进后的模式层的神经元传递函数。
[0024]可选地，所述D
‑
D权重的计算方法为：
[0025][0026]其中，λ
i
为D
‑
D权重，X
i
和X
j
分别为第i个采样点和第j个采样点，σ2为用来调整距离对数据冗余的影响的参数。
[0027]可选地，改进后的模式层的所述神经元传递函数为：
[0028][0029]其中，X
i
为第i个训练数据的特征向量，σ1为光滑因子，X为输入变量，p
i
为传统模式层神经元的值，p'
i
为改进后的模式层神经元的值。
[0030]可选地，构建的所述GRNN模型包括：输入层、模式层、求和层、输出层；其中，所述求和层中的神经元有两类，第一类采用算术求和的计算方式，第二类采用加权求和的计算方
式；
[0031]所述算术求和的计算方式为：
[0032][0033]其中，s0为算数求和结果，m为改进后的模式层神经元的个数。
[0034]所述加权求和的计算方式为：
[0035][0036]其中，s
nj
为求和层神经元的值，y
ij
为第i个训练样本的第j个输出分量，k为输出变量的维数。
[0037]可选地，所述输出层的计算方式为：
[0038][0039]可选地，对所述训练数据进行预处理为：先计算出所述训练数据点间的距离平方矩阵；
[0040]所述距离平方矩为：
[0041][0042]另一方面为实现上述目的，本专利技术还提供了一种顾及邻近样点空间关系的GRNN预测方法，包括：划分模块、构建模块和训练模块；
[0043]所述划分模块，用于将采样数据按比例划分为测试数据和训练数据；
[0044]所述构建模块，用于改进模式层的神经元传递函数，构建顾及邻近样点空间关系的GRNN模型；
[0045]所述训练模块，对所述训练数据进行预处理，基于预处理后的所述训练数据对所述GRNN模型进行训练，并通过所述测试数据对训练后的所述GRNN模型进行测试。
[0046]可选地，在所述构建模块中，改进模式层的神经元传递函数包括：
[0047]基于数据的冗余度，将每个采样点与其他采样点之间的累计距离作为所述冗余度的度量，获取采样点的D
‑
D权重，所述D
‑
D权重用于表示邻近样点空间关系；
[0048]将所述D
‑
D权重与传统模式层的神经元传递函数进行结合，获得改进后的模式层的神经元传递函数；
[0049]所述D
‑
D权重的计算方式为：
[0050][0051]其中，λ
i
为D
‑
D权重，X
i
和X
j
分别为第i个采样点和第j个采样点，σ2为用来调整距离对数据冗余的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种顾及邻近样点空间关系的GRNN预测方法，其特征在于，包括：将采样数据按比例划分为测试数据和训练数据；改进模式层的神经元传递函数，构建GRNN模型；其中，所述GRNN模型的构建过程中结合邻近样点空间关系；对所述训练数据进行预处理，基于预处理后的所述训练数据对所述GRNN模型进行训练，并通过所述测试数据对训练后的所述GRNN模型进行测试。2.根据权利要求1所述的顾及邻近样点空间关系的GRNN预测方法，其特征在于，改进模式层的神经元传递函数包括：基于数据的冗余度，将每个采样点与其他采样点之间的累计距离作为所述冗余度的度量，获取采样点的D
‑
D权重，所述D
‑
D权重用于表示邻近样点空间关系；将所述D
‑
D权重与传统模式层的神经元传递函数进行结合，获得改进后的模式层的神经元传递函数。3.根据权利要求2所述的顾及邻近样点空间关系的GRNN预测方法，其特征在于，所述D
‑
D权重的计算方法为：其中，λ
i
为D
‑
D权重，X
i
和X
j
分别为第i个采样点和第j个采样点，σ2为用来调整距离对数据冗余的影响的参数。4.根据权利要求3所述的顾及邻近样点空间关系的GRNN预测方法，其特征在于，改进后的模式层的所述神经元传递函数为：其中，X
i
为第i个训练数据的特征向量，σ1为光滑因子，X为输入变量，p
i
为传统模式层神经元的值，p'
i
为改进后的模式层神经元的值。5.根据权利要求1所述的顾及邻近样点空间关系的GRNN预测方法，其特征在于，构建的所述GRNN模型包括：输入层、模式层、求和层、输出层；其中，所述求和层中的神经元有两类，第一类采用算术求和的计算方式，第二类采用加权求和的计算方式；所述算术求和的计算方式为：其中，s0为算数求和结果，m为改进后的模式层神经元的个数。所述加权求和的计算方式为：
其中，s
nj
为求和层神经元的值，y
ij

【专利技术属性】
技术研发人员：李章林，张夏林，胡建成，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：