[发明专利]模型预测优化方法、装置、设备及可读存储介质

说明书

本发明涉及人工智能技术领域，公开了一种模型预测优化方法，包括以下步骤：通过隐藏神经元后的深度神经网络输出第一预测结果；对第一预测结果归一化处理，得到预测结果集合；基于预测结果的准确度为各个深度神经网络设置权重，对第一待预测数据进行预测得到第二预测结果；判断第二预测结果是否满足预置准确率；若否，则调节各个深度神经网络所占的权重，得到第三预测结果；判断数据中的错误数据量是否大于预置纠错码对错误数据的处理量。本发明还公开了一种模型预测优化装置、设备及计算机可读存储介质。本发明提供的模型预测优化方法提高了模型对待预测数据的预测效果。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种模型预测优化方法、装置、设备及计算机可读存储介质。

背景技术

目前，现有的通信系统一般包括发送端和接收端，接收端需要对来自发送端的信号进行数据后处理。在后处理过程中需要对信号进行纠错处理，目前普遍依赖于纠错码进行纠错处理，例如重复累加RA码和多边型LDPC码。然而，RA码和多边型LDPC码具有相当高的字错误率，并且在非常低的信噪比下，RA编码具有较差的效率，从而导致通信系统的传输性能较低。如何对预测模型进行优化，以提高模型对待传输数据的预测效果，是目前本领域技术人员亟待解决的问题。

发明内容

本发明的主要目的在于提供一种模型预测优化方法、装置、设备及计算机可读存储介质，旨在解决现有技术中，模型对待传输数据预测结果的准确率低的技术问题。

为实现上述目的，本发明提供一种模型预测优化方法，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；

若所述第二预测结果满足预置准确率，则得第二预测模型，若所述第二预测结果不满足预置准确率，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；

若当前数据中的错误数据量大于预置纠错码对错误数据的处理量，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所述当前数据进行分类，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，若当前数据中的错误数据量小于或等于预置纠错码对错误数据的处理量，则将所述第三预测结果传送至数据接收端。

可选地，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；