[发明专利]一种计算机应用神经网络预测方法及系统

权利要求书

1.一种计算机应用神经网络预测方法，其特征在于，所述计算机应用神经网络预测方法包括以下步骤：

步骤一，采用效率模型的数据接收模块接收计算机应用数据；

所述效率模型为：

时间t_n中处理数据包数：

t_n＝T_F-T_B；

其中，T_B为数据包分析处理前系统时间；T_E为数据包分析处理后系统时间；t_n表示处理第n个数据包的时间；数据处理效率V，接收数据D；

步骤二，通过建模模块采用模糊数学神经网络的方法建模；

步骤三，预估数据的处理速度，通过跟踪模块对建模的数据进行跟踪；

所述数据的处理速度C点在X轴、Y轴和Z轴的数据速度大小分别为v_cx、v_cy、v_cz则：

v_cx＝v_upcx+v_ecx

v_cy＝v_upcy+v_ecy

v_cz＝v_upcz+v_ecz；

由B及其前两个点的数据信息可以得到B点在3个维度上的速度大小分别为v_bx、v_by、v_bz；另外B、C数据点的时刻已知，可分别设为t_b、t_c，则C点在3个维度上的加速度大小a_cx、a_cy、acz为：

步骤四，通过分层模块对跟踪的数据进行模糊神经网络分层；

步骤五，通过神经网络学习模块根据对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化；

步骤六，通过网络健康评价模块对构建的网络健康状况进行评价。

2.如权利要求1所述的计算机应用神经网络预测方法，其特征在于，所述神经网络学习模块学习方法如下：

(1)建立模糊神经网络；

(2)根据步骤(1)所建立的模糊神经网络，初始化模糊神经网络的网络参数；

(3)输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

(4)根据步骤(3)所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤(7)；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤(7)，否则，进入步骤(5)；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

(5)模糊神经网络参数学习训练；

(6)对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤(3)；

(7)对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。