[发明专利]网络的训练方法和温度预测方法、装置、设备及存储介质

权利要求书

1.一种用于温度预测的神经网络的训练方法，其特征在于，包括：

获取多组样本温度数据，样本温度数据包括被测物体部位的实际温度以及所述部位的周围温度；

获取多组权重参数，分别将每组权重参数作为一个个体，得到包括多个个体的初始种群；

针对每个个体，计算多组样本温度数据分别对应的实际温度、与将所述样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异，并基于所述差异计算所述个体的适应度，所述个体神经网络是利用所述个体作为权重参数训练的神经网络；

基于每个个体的适应度，对所述初始种群进行迭代，得到迭代后种群；

若迭代次数到达预设遗传迭代次数，或所述迭代后种群中个体的适应度满足适应度条件，则从所述迭代后种群中选择目标个体，将所述目标个体作为优化权值参数；

基于所述优化权值参数进行用于温度预测的神经网络的训练。

2.根据权利要求1所述的方法，其特征在于，所述基于个体的适应度，对所述初始种群进行迭代，得到迭代后种群，包括：

重复执行步骤：从当前种群中选择待操作个体，对所述待操作个体进行交叉操作和变异操作，得到操作后个体，将所述操作后个体和其他个体组成迭代后种群，并将迭代次数加1，其中，其他个体包括当前种群中除所述待操作个体之外的个体，所述当前种群是当前迭代的上一次迭代得到的迭代后种群，第一次迭代所对应的当前种群是所述初始种群。

3.根据权利要求2所述的方法，其特征在于，所述从当前种群中选择待操作个体，包括：

针对每个个体，根据所述个体的适应度计算所述个体的个体选择概率；

利用所述个体选择概率，从当前种群中选择待操作个体。

4.根据权利要求3所述的方法，其特征在于，所述根据所述个体的适应度计算所述个体的个体选择概率，包括：

根据所述个体的适应度，通过个体选择概率公式，计算所述个体的个体选择概率；

个体选择概率公式：

其中，P_k为个体k的个体选择概率，F_k个体k的适应度，m为所述迭代后种群中个体的数量。

5.根据权利要求1所述的方法，其特征在于，所述基于所述差异计算所述个体的适应度，包括：

根据多组样本温度数据对应的差异，通过适应度函数：计算所述个体的适应度；

其中，F为个体的适应度，n为多组样本温度数据的数量，y_i为第i个样本温度数据对应的实际温度，o_i为将第i个样本温度数据对应的周围温度输入个体神经网络而得到的输出。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于所述优化权值参数进行用于温度预测的神经网络的训练，包括：

针对每组样本温度数据，将所述样本温度数据输入待训练神经网络，所述待训练神经网络是将所述优化权重参数作为初始的权重参数的神经网络；

通过所述待训练神经网络得到所述样本温度数据对应的预测温度；

计算所述预测温度与所述样本温度数据对应的实际温度之间的误差；

基于所述误差调整模型参数，直至满足训练结束条件，得到训练好的神经网络，所述训练好的神经网络是包含满足所述训练结束条件时的模型参数的神经网络。

7.一种温度预测方法，其特征在于，包括：

获取目标部位的周围温度；

将所述周围温度输入用于温度预测的神经网络，通过所述神经网络输出所述目标部位的预测温度；

其中，所述用于温度预测的神经网络是通过上述权利要求1至6任一项所述的训练方法得到的。