[发明专利]一种基于贪婪算法的神经网络自荐方法

权利要求书

1.一种基于贪婪算法的神经网络自荐方法，其特征在于，包括如下步骤：

步骤S1：准备一测试数据集和一预训练好的神经网络模型合集，其中，测试数据集样本容量为D组测试数据，神经网络模型合集中网络模型个数为N，D、N均为自然数；

步骤S2：选网第一阶段，取测试数据集中1/3D组测试数据，设置探索概率Pe为a，采用神经网络模型合集对每一组测试数据进行迭代探索，探索后，统计每一神经网络模型平均检测精度，对每个网络模型进行排序，形成第一排序神经网络模型合集，其中，1a0；

步骤S3：选网第二阶段，先设置探索概率Pe为b，采用所述第一排序神经网络模型合集对剩余的2/3D组测试数据进行迭代探索，探索后，统计每一神经网络模型平均检测精度，对每个网络模型进行排序，排序后，当探索的最优网络模型检测精度90％，或者迭代运算次数达到D时，设置探索概率Pe衰减为50％，并使用排序后的神经网络模型合集对剩余的2/3D组测试数据中未使用的测试数据再次进行迭代探索，探索后，统计每一神经网络模型的平均检测精度，对各神经网络模型进行再次排序，形成第二排序神经网络模型合集；其中，1ab0；

步骤S4：选网第三阶段，当所述第二排序神经网络模型合集的全部神经网络模型平均检测精度在200次迭代中平均值波动0.1％时，逐次设置探索概率Pe衰减20％、50％，采用所述第二排序神经网络模型合集对测试数据集中测试数据再分两次进行迭代探索，其中，每次迭代探索后，均统计每一神经网络模型的平均检测精度，对每个网络模型进行排序，并使用排序后的神经网络模型合集进行下次探索，最终形成第三排序神经网络模型合集；

步骤S5：设置停止选网条件，选出最佳神经网络模型。

2.如权利要求1所述的基于贪婪算法的神经网络自荐方法，其特征在于，所述选网第一阶段、选网第二阶段、选网第三阶段中每次迭代探索操作包括：

先选择神经网络模型，由智能选网的投票模块生成一(0，1)之间的随机数v，如果v落到区间(0，Pe]，则在神经网络模型合集中随机选择一个网络模型；如果v落入区间(Pe，1)，则选择目前为止性能最优的网络模型；

再根据网络模型之前的被选次数和上一次的平均检测精度，计算网络模型当前的平均检测精度。

3.如权利要求2所述的基于贪婪算法的神经网络自荐方法，其特征在于，所述网络模型的平均检测精度记为A_M_R_n，则：

A_M_R_n＝(S_C-1)(A_M_R_n-1+A_R)/S_C

其中：

S_C为被选网络的累积被选次数；

A_M_R_n-1为被选网络模型上一次被选时的平均检测精度；

A_R为精度回报；若网络模型被选择，则A_R＝1，若网络模型未被选择，则A_R＝0。

4.如权利要求1所述的基于贪婪算法的神经网络自荐方法，其特征在于，所述步骤S2中a为0.45；所述步骤S3和步骤S4中b为0.1。

5.如权利要求1所述的基于贪婪算法的神经网络自荐方法，其特征在于，所述步骤S5中具体执行：设置停止选网的条件包括：

(1)排名最高的神经网络模型平均检测精度达到要求；

(2)若有多个候选神经网络模型的平均检测精度都达到要求，则它们的精度排名顺序要至少50次迭代不变；

(3)满足条件(1)或(2)的神经网络模型均需满足：在近150次迭代中，得到的5个Mean₃₀之间的波动要小于0.1％，其中，Mean₃₀为神经网络模型平均检测精度每30次的平均值；

若均满足条件(1)、(2)和(3)的要求，且只有一个候选网络达到检测精度要求，则将此候选网络作为最佳神经网络模型；

若均满足条件(1)、(2)和(3)的要求，但有多个候选网络达到精度要求，则选择检测速度最快的候选网络模型作为最佳神经网络模型；

若条件(1)、(2)或(3)其中任一条件或多个条件未能被满足，智能选网继续，直到迭代次数达到N×D，则智能选择网络结束，没有候选网络模型满足要求。