[发明专利]模糊神经网络模型的优化方法及系统

说明书

本发明涉及计算机技术领域，公开了一种模糊神经网络模型的优化方法及系统，所述方法包括：获取模糊神经网络模型的待优化参数，基于待优化参数生成预设灰狼种群中每个种群个体的初始位置信息，根据初始位置信息计算每个种群个体对应的第一适应度值，对所述初始位置信息进行更新，获得更新后的初始位置信息，并将更新后的所述初始位置信息作为目标位置信息，根据目标位置信息计算每个种群个体对应的第二适应度值，基于第一适应度值和第二适应度值对目标位置信息进行迭代处理，判断迭代处理后的目标位置信息是否满足预设迭代停止条件，若满足，则根据迭代处理后的目标位置信息输出优化后的模糊神经网络模型以减少模型训练时间，提高模型收敛精度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种模糊神经网络模型的优化方法及系统。

背景技术

模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域，而模糊神经网络的就是将模糊理论与神经网络进行结合的产物，它是一种多层前向网络，具有强大的自学习能力与映射能力。该网络主要有五层，输入层、模糊化层、模糊规则层、模糊决策层、输出层，其中模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值是可以使用群体智能优化算法进行优化的。在具体应用中，根据不同的实际需求，会建立不同的模糊神经网络模型，但仍可通过群体智能优化算法对模糊化层中隶属度函数的中心点、宽度向量以及输出层的权值进行训练以提高模糊神经网络模型的模型精度，现有技术多是通过蚁群算法，粒子群算法，人工蜂群算法，鸡群算法等群体智能优化算法对所述模糊神经网络模型进行优化，较少通过灰狼算法(Grey Wolf Optimizer)对所述模糊神经网络模型进行优化，然而灰狼算法在解决目标优化问题时，与早期提出的遗传算法、粒子群算法等相比，已被证明具有更高的收敛精度与更快的收敛速度，因此，如何基于灰狼算法对所述模糊神经网络模型进行模型优化以减少模型训练时间，提高模型收敛精度成为一个亟待解决的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种模糊神经网络模型的优化方法及系统，旨在解决如何基于灰狼算法对所述模糊神经网络模型进行模型优化以减少模型训练时间，提高模型收敛精度的技术问题。

为实现上述目的，本发明提供了一种模糊神经网络模型的优化方法，所述方法包括以下步骤：

获取模糊神经网络模型的待优化参数，基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息；

根据所述初始位置信息计算每个种群个体对应的第一适应度值；

对所述初始位置信息进行更新，获得更新后的初始位置信息，并将更新后的所述初始位置信息作为目标位置信息；

根据所述目标位置信息计算每个种群个体对应的第二适应度值，并基于所述第一适应度值和所述第二适应度值对所述目标位置信息进行迭代处理；

判断迭代处理后的目标位置信息是否满足预设迭代停止条件，若满足，则根据迭代处理后的所述目标位置信息输出优化后的模糊神经网络模型。

优选地，所述获取模糊神经网络模型的待优化参数，基于所述待优化参数生成预设灰狼种群中每个种群个体的初始位置信息的步骤之前，还包括：

获取待测指标的属性信息和类别信息，并将所述属性信息和所述类别信息作为模糊神经网络模型的输出指标；

对所述输出指标进行相关性分析，获得所述输出指标的关联指标及所述关联指标对应的相关度；

选取所述相关度大于预设相关度的关联指标作为所述模糊神经网络模型的输入指标；

对所述输入指标对应的指标信息进行归一化处理，获得待测指标信息；