[发明专利]模型预测优化方法、装置、设备及可读存储介质

权利要求书

1.一种模型预测优化方法，其特征在于，所述模型预测优化方法包括以下步骤：

将第一训练样本数据输入预先部署在机器学习框架tensorflow内的深度神经网络集，在通过所述第一训练样本数据训练所述深度神经网络集中的各个深度神经网络时，通过随机算法按照预置隐藏比例，随机隐藏各个深度神经网络中的神经元，得到隐藏神经元后的深度神经网络以及输出所述各个深度神经网络的第一预测结果；

通过归一化算法对所述隐藏神经元后的深度神经网络所输出的第一预测结果进行归一化处理，得到预测结果集合，所述预测结果集合中包括多个第一预测结果；

根据第一实际结果计算所述预测结果集合中各个第一预测结果的准确度，以及基于所述准确度为各个隐藏神经元后的深度神经网络设置权重，得到第一预测模型；

通过所述第一预测模型对第一待预测数据进行预测，得到第二预测结果；

根据第二实际结果判断所述第二预测结果是否满足预置准确率；

若是，则得第二预测模型，若否，则通过反向传播算法调节各个深度神经网络所占的权重，直至所述第二预测结果满足预置准确率；

通过所述第二预测模型对第二待预测数据进行预测，得到第三预测结果；

判断所述第三预测结果中错误数据量是否大于预置纠错码对错误数据的处理量；

若是，则通过预先部署在机器学习框架tensorflow内的支持向量机模型对当前数据进行分类，得到错误数据与正确数据以及将所述正确数据传送至数据接收端，若否，则将所述第三预测结果传送至数据接收端；

在所述通过所述第一预测模型对第一待预测数据进行预测，得到第二预测结果的步骤之前，还包括以下步骤：

接收光信号，并对所述光信号进行时域采样操作，得到多帧子光信号；

将所述子光信号转换为数字信号；

对所述数字信号进行标准化处理，得到第一待预测数据；

在将第一训练样本数据输入预先部署在机器学习框架tensorflow内的深度神经网络集，在通过所述第一训练样本数据训练所述深度神经网络集中的各个深度神经网络时，通过随机算法按照预置隐藏比例，随机隐藏各个深度神经网络中的神经元，得到隐藏神经元后的深度神经网络以及输出所述各个深度神经网络的第一预测结果的步骤之前，还包括以下步骤：

将多帧用于训练的子光信号转换为多帧用于训练的数字信号；

对所述多帧用于训练的数字信号进行标注，得到每帧用于训练的数字信号的标注信息；

对所述多帧用于训练的数字信号进行标准化处理，得到多帧标准数据；

基于所述标注信息，将所述多帧标准数据分为多组，其中，每组中的标准数据的标注信息相同；

从每组中获取相同数量级的标准数据，组成训练样本；

所述对所述多帧用于训练的数字信号进行标注，得到每帧用于训练的数字信号的标注信息包括以下步骤：

通过正交振幅调制QAM将每一帧用于训练的数字信号映射至正交调幅星座图；

并根据每一帧用于训练的数字信号在希尔伯特空间的分布情况，确定所述正交调幅星座图上与每一帧用于训练的数字信号最近的点；

根据所述最近的点的坐标信息，得到每一帧用于训练的数字信号的标注信息。

2.如权利要求1所述的模型预测优化方法，其特征在于，在所述将第一训练样本数据输入预先部署在机器学习框架tensorflow内的深度神经网络集，在通过所述第一训练样本数据训练所述深度神经网络集中的各个深度神经网络时，通过随机算法按照预置隐藏比例，随机隐藏各个深度神经网络中的神经元，得到隐藏神经元后的深度神经网络以及输出所述各个深度神经网络的第一预测结果的步骤之前，还包括以下步骤：

根据预先设置的随机隐藏神经元的策略，通过随机算法随机隐藏同一深度神经网络的神经元；

采用第二训练样本数据训练所述隐藏神经元后的深度神经网络，得到初始深度神经网络；

通过所述初始深度神经网络对第三待预测数据进行预测，得到初始预测结果集合，所述初始预测结果集合包括多个初始预测结果；

根据预置人工预测结果从所述初始预测结果集合中筛选出正确率最高的初始预测结果，以及基于所述正确率最高的初始预测结果确定隐藏神经元之间的预置隐藏比例。