[发明专利]一种小样本数据预测方法及装置

说明书

本发明实施例提供一种小样本数据预测方法及装置，该方法包括将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。本发明实施例通过采用双立方插值的方法对小样本据进行插值处理，使得插值后的数据集完全包含原始训练集数据，并且插值数据更加符合训练集数据的规律，实现对训练集数据的有效扩充。本发明实施例将双立方插值后的样本数据进行训练后得到神经网络预测模型，提高神经网络预测模型的泛化能力，避免过拟合现象的发生。将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值，实现对数据更精确的预测。

技术领域

本发明涉及神经网络预测方法领域，尤其涉及一种小样本数据预测方法及装置。

背景技术

反向传播神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即反向传播神经网络具有较强的非线性映射能力。神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即反向传播神经网络具有高度自学习和自适应的能力。所谓泛化能力是指反向传播神经网络具有将学习成果应用于新知识的能力。反向传播神经网络具有一定的容错能力，在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使装置在受到局部损伤时还是可以正常工作的。这些优点使得反向传播神经网络广泛被设计成分类和预测模型。

反向传播神经网络应用在小样本中进行预测时，存在严重的过拟合现象。即网络的训练能力很强，几乎能记住所有的训练数据，这导致网络，预测能力非常低，即出现所谓“过拟合”现象。此外，反向传播神经网络结构和神经元参数的选择至今尚无统一而完整的理论指导，只能由经验选定。但是网络结构选择过大，训练中效率不高，可能出现过拟合现象，造成网络性能低，容错性下降，若选择过小，则又会造成网络可能不收敛。

因此，如何提升小样本数据在模型预测过程中的训练能力和泛化能力，如何选择合适的网络结构，确定网络中的各种超参数，成为亟待解决的问题。

发明内容

本发明实施例提供一种小样本数据预测方法及装置，用以解决现有小样本数据训练数据较少，使得小样本数据训练得到的神经网络出现“过拟合”现象，预测能力较低的缺陷，实现对数据更精确的预测。

第一方面，本发明实施例提供一种小样本数据预测方法，包括：

将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值；

其中，所述神经网络预测模型是根据双立方插值后的样本数据进行训练后得到的。

第二方面，本发明实施例提供一种小样本数据预测装置，包括：

模型建立模块，用于根据双立方插值后的样本数据进行训练，获得神经网络预测模型。

模型预测模块，用于将待预测样本数据输入神经网络预测模型，输出待预测样本数据对应的预测值。

第三方面，本发明实施例提供一种电子设备，包括：

至少一个处理器、至少一个存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的小样本数据预测方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的小样本数据预测方法。