[发明专利]果蝇算法优化广义回归神经网络的方法和装置

权利要求书

1.一种果蝇算法优化广义回归神经网络的方法，其特征在于，包括：

获取样本数据；

根据所述样本数据，构造广义回归神经网络模型；

基于所述广义回归神经网络模型，采用果蝇算法确定所述广义回归神经网络模型的最佳传播参数值；所述果蝇算法具有递减的果蝇搜索步长值；所述最佳传播参数值为所述广义回归神经网络模型的误差最小所对应的传播参数值；

将所述最佳传播参数值作为所述广义回归神经网络模型的传播参数值，获得优化后的广义回归神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述果蝇搜索步长值随所述果蝇算法的迭代次数的增加而减小。

3.根据权利要求2所述的方法，其特征在于，所述果蝇搜索步长值与所述果蝇算法的迭代次数满足sigmoid函数；或者，

所述果蝇搜索步长值与所述果蝇算法的迭代次数满足线性公式。

4.根据权利要求1所述的方法，其特征在于，根据所述样本数据，构造广义回归神经网络模型，包括：

对所述样本数据进行归一化处理，获得归一化处理后的样本数据；

根据所述归一化处理后的样本数据，构造广义回归神经网络模型。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述获取样本数据，包括：

获取实际检测数据；

确定所述实际检测数据中的异常数据，以及确定所述实际检测数据中的聚类中心数据；所述异常数据与所述实际检测数据的平均数据的差距值大于预设值；

用所述聚类中心数据替换所述异常数据，获得所述样本数据。

6.根据权利要求5所述的方法，其特征在于，所述确定所述实际检测数据中的异常数据，包括：

根据概率密度函数，确定所述实际检测数据中的异常数据。

7.根据权利要求6所述的方法，其特征在于，所述概率密度函数满足3σ准则。

8.根据权利要求5-7任意一项所述的方法，其特征在于，所述确定所述实际检测数据中的聚类中心数据，包括：

采用模糊C-均值聚类算法，确定所述实际检测数据中的聚类中心数据。

9.一种果蝇算法优化广义回归神经网络的装置，其特征在于，包括：

获取模块，用于获取样本数据；

构造模块，用于根据所述获取模块获取的样本数据，构造广义回归神经网络模型；

确定模块，用于基于所述构造模块构造的广义回归神经网络模型，采用果蝇算法确定所述广义回归神经网络模型的最佳传播参数值；所述果蝇算法具有递减的果蝇搜索步长值；所述最佳传播参数值为所述广义回归神经网络模型的误差最小所对应的传播参数值；

优化模块，用于将所述确定模块确定的最佳传播参数值作为所述广义回归神经网络模型的传播参数值，获取优化后的广义回归神经网络模型。

10.根据权利要求9所述的装置，其特征在于，所述果蝇搜索步长值随所述果蝇算法的迭代次数的增加而减小。

11.根据权利要求10所述的装置，其特征在于，所述果蝇搜索步长值与所述果蝇算法的迭代次数满足sigmoid函数；或者，

所述果蝇搜索步长值与所述果蝇算法的迭代次数满足线性公式。

12.根据权利要求9所述的装置，其特征在于，所述构造模块，具体用于：对所述样本数据进行归一化处理，获得归一化处理后的样本数据；以及根据所述归一化处理后的样本数据，构造广义回归神经网络模型。