【技术实现步骤摘要】
本专利技术涉及模型训练，尤其涉及基于输出权重的估计方法及装置、设备及存储介质。
技术介绍
1、传统测定土壤水分的方法仅限于单点估计，遥感技术基于土壤水分反演模型对土壤水分进行测定，克服了传统测定方法的不足，具有高效、连续性和大面积覆盖等优势，通常土壤水分反演模型采用极限学习机模型得到土壤含水率。
2、但极限学习机模型的异常值鲁棒性问题并没有被广泛提及，异常值指的是用于极限学习机模型进行训练的样本中，存在的一些数值明显偏离其余数值的样本点，表现为与大部分数据不一致。异常值鲁棒性是指极限学习机模型在计算输出权重时未考虑异常值的影响，导致极限学习机模型结果与实际结果相悖，影响测定结果的准确性。
技术实现思路
1、基于此，有必要针对上述问题，提出输出权重的估计方法及装置、设备及存储介质，以尽可能减小异常值对模型输出结果准确性的影响。
2、为实现上述目的，本申请第一方面提供一种输出权重的估计方法，所述方法包括：
3、获取训练样本，所述训练样本中包含用于训练预设的极限学习机模型的输入数据和输出数据；
4、根据所述训练样本和预设的激活函数进行初始化，得到所述极限学习机模型中的初始化输出矩阵；
5、基于所述训练样本中的输出数据和所述初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，以根据所述目标输出权重对所述极限学习机模型进行配置。
6、进一步的，所述根据所述训练样本中的输入数据和预设的激活函数进行初始化，得到所
7、随机生成所述极限学习机模型中各个隐含层节点的输入权重和偏置；
8、将所述各个隐含层节点的输入权重和偏置，以及所述训练样本中的输入数据代入预设的激活函数中进行计算，得到所述各个隐含层节点的输出；
9、基于所述各个隐含层节点的输出得到所述极限学习机模型的初始化输出矩阵。
10、进一步的，所述基于所述训练样本和所述初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，具体包括：
11、根据所述训练样本和所述初始化输出矩阵进行第t次权重计算，得到输出权重，t的初始值为0；
12、将所述输出权重与预设的输出条件进行分析，确定所述输出权重是否满足所述输出条件；
13、当所述输出权重不满足所述输出条件时，则基于所述初始化输出矩阵以及预设的权重函数进行计算分析得到权重系数；
14、根据所述权重系数对所述训练样本和所述初始化输出矩阵进行赋权，得到更新后的训练样本和输出矩阵，并将更新后的输出矩阵作为初始化输出矩阵；且令t＝t+1，并返回执行根据所述训练样本和所述初始化输出矩阵进行第t次计算，得到输出权重的步骤，直至所述输出权重满足所述输出条件，并将满足输出条件的输出权重作为目标输出权重。
15、进一步的，所述基于所述初始化输出矩阵以及预设的权重函数进行计算分析得到权重系数，具体包括：
16、对所述初始化输出矩阵进行qr分解，得到所述初始化输出矩阵的三角矩阵；
17、基于所述三角矩阵和所述初始化输出矩阵设置尺度参数；
18、根据所述尺度参数和预设的权重函数中进行计算，得到权重系数。
19、进一步的，所述尺度参数通过下式表示：
20、
21、式中，δ为尺度参数，i为第i个样本，i＝1，2……n，n为样本总数，k为所述极限学习机模型中隐含层节点的个数；j为第j个隐含层节点，j＝1,2……k；h为初始化输出矩阵，π为排列矩阵，r为所述三角矩阵。
22、进一步的，所述根据所述尺度参数和预设的权重函数中进行计算，得到权重系数，具体包括：
23、获取上一次的残差，所述残差为输出数据的预测值与实际值之间的差值；
24、根据所述上一次的残差、所述训练样本和所述尺度参数进行计算，得到标准化残差；
25、将所述标准化残差代入所述权重函数中进行计算，得到权重系数。
26、进一步的，所述权重函数通过以下公式表示：
27、
28、式中，w为权重系数，为标准化残差。
29、为实现上述目的，本申请第二方面提供一种输出权重的估计装置，所述装置包括：数据获取模块、数据处理模块和权重计算模块；
30、所述数据获取模块，用于获取训练样本，所述训练样本中包含用于训练预设的极限学习机模型的输入数据和输出数据；
31、所述数据处理模块，用于根据所述训练样本和预设的激活函数进行初始化，得到所述极限学习机模型中的初始化输出矩阵；
32、所述权重计算模块，用于基于所述训练样本中的输出数据和所述初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，以根据所述目标输出权重对所述极限学习机模型进行配置。
33、为实现上述目的，本申请第三方面提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面所述方法的步骤。
34、为实现上述目的，本申请第四方面提供一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面所述方法的步骤。
35、采用本专利技术实施例，具有如下有益效果：
36、本专利技术提出一种输出权重的估计方法，方法包括：获取训练样本，训练样本中包含用于训练预设的极限学习机模型的输入数据和输出数据；根据训练样本和预设的激活函数进行初始化，得到极限学习机模型中的初始化输出矩阵；基于训练样本中的输出数据和初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，以根据目标输出权重对极限学习机模型进行配置。通过对初始化输出矩阵和训练样本进行权重迭代计算得到稳健的输出权重，并基于稳健的输出权重对极限学习机模型进行配置，以尽可能降低异常值对极限学习机模型输出结果准确性的影响。
本文档来自技高网...【技术保护点】
1.一种输出权重的估计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述根据所述训练样本中的输入数据和预设的激活函数进行初始化，得到所述极限学习机模型中的初始化输出矩阵，具体包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述训练样本和所述初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，具体包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述初始化输出矩阵以及预设的权重函数进行计算分析得到权重系数，具体包括：
5.如权利要求4所述的方法，其特征在于，所述尺度参数通过下式表示：
6.如权利要求4所述的方法，其特征在于，所述根据所述尺度参数和预设的权重函数中进行计算，得到权重系数，具体包括：
7.如权利要求6所述的方法，其特征在于，所述权重函数通过以下公式表示：
8.一种输出权重的估计装置，其特征在于，所述装置包括：数据获取模块、数据处理模块和权重计算模块；
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种输出权重的估计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述根据所述训练样本中的输入数据和预设的激活函数进行初始化，得到所述极限学习机模型中的初始化输出矩阵，具体包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述训练样本和所述初始化输出矩阵进行权重迭代，得到满足预设输出条件的目标输出权重，具体包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述初始化输出矩阵以及预设的权重函数进行计算分析得到权重系数，具体包括：
5.如权利要求4所述的方法，其特征在于，所述尺度参数通过下式表示：
6.如权利要求4所述的方法...
【专利技术属性】
技术研发人员：王一帆，彭晶，马御棠，马仪，王国芳，耿浩，曹俊，尹春林，代泽林，周仿荣，杜肖，饶桐，毕云川，文刚，李彦锋，朱龙昌，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。