一种基于参数评价的神经网络模型训练方法及相关装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111582450A(43)申请公布日2020.08.25(21)申请号202010381571.X(22)申请日2020.05.08(71)申请人广东电网有限责任公司地址510600广东省广州市越秀区东风东路757号(72)发明人李耀东侯凯金波(74)专利代理机构北京集佳知识产权代理有限公司11227代理人黄忠(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于参数评价的神经网络模型训练方法及相关装置(57)摘要本申请公开了一种基于参数评价的神经网络模型训练方法及相关装置，方法包括：S1：根据多个预置参数集合对预置神经网络模型进行参数设置，得到多个不同的初始神经网络模型；S2：将预置样本数据输入至初始神经网络模型中进行训练，按类别记录训练参数集；S3：采用预置评价目标函数根据所有的训练参数集计算评价得分，得到最大评价得分对应的初始神经网络模型中的优质预置参数集合；S4：根据优质预置参数集合对预置参数集合进行调整式设置，得到多个更新参数集合，重复步骤S1-S3，直至最大评价得分超过预置评分，得到最优参数集合和对应的最优神经网络模型。解决了神经网络模型的训练效率低，且存在盲目性和试探性的技术问题。CN111582450ACN111582450A权利要求书1/2页1.一种基于参数评价的神经网络模型训练方法，其特征在于，包括：S1：根据多个预置参数集合对预置神经网络模型进行参数设置，得到多个不同的初始神经网络模型；S2：将预置样本数据输入至所述初始神经网络模型中进行训练，按类别记录训练参数集，所述训练参数集包括预置参数和所述预置样本数据；S3：采用预置评价目标函数根据所有的所述训练参数集计算评价得分，得到最大评价得分对应的所述初始神经网络模型中的优质预置参数集合；S4：根据所述优质预置参数集合对所述预置参数集合进行调整式设置，得到多个更新参数集合，重复步骤S1-S3，直至所述最大评价得分超过预置评分，得到最优参数集合和对应的最优神经网络模型。2.根据权利要求1所述的基于参数评价的神经网络模型训练方法，其特征在于，步骤S1，之前还包括：对获取的不同层面的所述预置参数进行维度聚合，并根据预置参数标准进行降序排列；将排序后的所述预置参数通过序列对应的方法进行组合，得到多个所述预置参数集合。3.根据权利要求1所述的基于参数评价的神经网络模型训练方法，其特征在于，步骤S2，之前还包括：对获取的预置原始样本数据进行清洗操作，得到初级样本数据；采用回归分析法对所述初级样本数据进行分类操作，得到所述预置样本数据。4.根据权利要求1所述的基于参数评价的神经网络模型训练方法，其特征在于，所述预置评价目标函数为：S＝V(Tk)+ASE+CTtf×CCTidf；其中，V(Tk)为所述预置参数的得分方差，ASE为所述预置参数的平均得分，CTtf为所述预置参数的相关性，CCTidf为所述预置参数对所述算法模型的重要性。5.一种基于参数评价的神经网络模型训练装置，包括：参数设置模块，用于根据多个预置参数集合对预置神经网络模型进行参数设置，得到多个不同的初始神经网络模型；训练模块，用于将预置样本数据输入至所述初始神经网络模型中进行训练，按类别记录训练参数集，所述训练参数集包括预置参数和所述预置样本数据；评价选择模块，用于采用预置评价目标函数根据所有的所述训练参数集计算评价得分，得到最大评价得分对应的所述初始神经网络模型中的优质预置参数集合；更新模块，用于根据所述优质预置参数集合对所述预置参数集合进行调整式设置，得到多个更新参数集合，触发所述参数设置模块，直至所述最大评价得分超过预置评分，得到最优参数集合和对应的最优神经网络模型。6.根据权利要求5中所述的基于参数评价的神经网络模型训练装置，其特征在于，还包括：参数预处理模块，用于对获取的不同层面的所述预置参数进行维度聚合，并根据预置参数标准进行降序排列；2CN111582450A权利要求书2/2页将排序后的所述预置参数通过序列对应的方法进行组合，得到多个所述预置参数集合。7.根据权利要求5中所述的基于参数评价的神经网络模型训练装置，其特征在于，还包括：样本预处理模块，用于对获取的预置原始样本数据进行清洗操作，得到初级样本数据；采用回归分析法对所述初级样本数据进行分类操作，得到所述预置样本数据。8.根据权利要求5中所述的基于参数评价的神经网络模型训练装置，其特征在于，所述预置评价目标函数为：S＝V(Tk)+ASE+CTtf×CCTidf；其中，V(Tk)为所述预置参数的得分方差，ASE为所述预置参数的平均得分，CT