[发明专利]一种基于梯度下降的时序模糊认知图的学习方法及系统在审
| 申请号： | 201810592605.2 | 申请日： | 2018-06-11 |
| 公开（公告）号： | CN108875960A | 公开（公告）日： | 2018-11-23 |
| 发明（设计）人： | 冯禹洪;李宸;华静静;周才清;钟皓明;苗春燕 | 申请（专利权）人： | 深圳大学 |
| 主分类号： | G06N99/00 | 分类号： | G06N99/00;G06N7/02 |
| 代理公司： | 深圳市恒申知识产权事务所(普通合伙) 44312 | 代理人： | 袁文英 |
| 地址： | 518060 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明适用于时间序列分析技术领域，提供了时序模糊认知图的学习方法，包括：对样本数据进行预处理后划分，得到训练样本集和预测样本集，使用基于时序的皮尔逊相关系数初始化权值函数，在训练样本集中内构建全连接的时序模糊认知图网络；根据迭代次数，使用批量梯度下降法对初始化后的权值函数进行优化，用损失函数度量每次优化后的权值函数的误差；选取使得损失函数最小的权值函数，构建最优时序模糊认知图网络，利用预测样本集对最优时序模糊认知图进行验证，本发明使用批量梯度下降算法学习出tFCM模型，使用基于时序的皮尔逊相关系数来初始化权值，让搜索范围落在一个有统计意义的区间，降低陷入局部最优解的可能性。 | ||
| 搜索关键词： | 时序 模糊认知图 权值函数 损失函数 初始化 样本集 构建 预处理 时间序列分析 系数初始化 训练样本集 下降算法 训练样本 样本数据 下降法 最优解 预测 迭代 度量 学习 优化 搜索 网络 验证 统计 | ||
【主权项】：
1.一种基于梯度下降的时序模糊认知图的学习方法，其特征在于，包括：步骤A，获取初始样本数据，对所述初始样本数据进行预处理，得到样本数据；步骤B，对所述样本数据进行划分，得到训练样本集和预测样本集；步骤C，使用基于时序的皮尔逊相关系数初始化权值函数，在所述训练样本集中内构建全连接的时序模糊认知图网络；步骤D，根据预置的迭代次数，使用批量梯度下降法对初始化后的权值函数进行优化，用损失函数度量每次优化后的权值函数的误差；步骤E，选取使得损失函数最小的权值函数，构建最优时序模糊认知图网络，所述最优时序模糊认知图表示所述样本数据中每个节点在不同时间段内的互相影响；步骤F，利用所述预测样本集对所述最优时序模糊认知图进行验证。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于深圳大学，未经深圳大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810592605.2/，转载请声明来源钻瓜专利网。
