[发明专利]基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法在审

专利信息
申请号: 201610991870.9 申请日: 2016-11-10
公开(公告)号: CN106779797A 公开(公告)日: 2017-05-31
发明(设计)人: 刘震;冯永;彭识路;刘成;丁彦丹 申请(专利权)人: 重庆医药数据信息科技有限公司;重庆大学
主分类号: G06Q30/02 分类号: G06Q30/02
代理公司: 重庆市前沿专利事务所(普通合伙)50211 代理人: 路宁
地址: 400010 重庆市渝*** 国省代码: 重庆;85
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 反比例 多项式 函数 萤火虫 优化 算法 支持 向量 药品 预测 方法
【说明书】:

技术领域

发明涉及计算机预测领域,尤其涉及一种基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法。

背景技术

基于计算智能通过对人工神经网络、模糊系统、演化计算这3个主要分支的相互有机融合而形成新的科学方法的特点,决定了其在大数据分析中的巨大的应用潜力。混杂多样、多变的大数据,决定了模型驱动的方法存在本质上的局限性,往往难以根据先验知识建立精确的模型。其次,精度是大数据的一个重要维度,对不确定性的处理和管理的需求源于数据采集的手段、系统状态变化和自然环境等随机因素的干扰,同时也源于大数据固有的不确定性。最后,大数据的规模和复杂性意味着大数据分析需要巨大的计算时空开销,因此计算智能方法具有启发式特征,通过模拟人类和其他生物体的智慧求解问题,具有高度的自组织、自适应性、泛化和抽象的能力,为大规模复杂问题的求解提供了有效的手段。

集成学习,将多个不同的基模型之间的差异提高模型的泛化性能。选择性集成学习方法是通过剔除分类性能不好的基分类器,选择部分精度较高、差异度较大的基分类器进行集成,具有更好的泛化性能。目前常用的选择性集成方法主要有基于遗传算法、聚类算法的集成学习,上述算法虽然取得较好效果,但依然存在计算复杂度高、参数敏感等缺点。萤火虫优化算法是一种仿生优化算法,通过模拟自然界中萤火虫的发光行为形成的一种群智能优化算法,简单、易实现、鲁棒性强。萤火虫通过领域内的荧光强弱互相吸引,且每只萤火虫位置对应空间的一个解,每一次迭代会模拟萤火虫的移动,最终使得萤火虫聚集到较好的位置,即达到问题最优解。

但是在药品销售预测过程中,现有技术并不能够准确的获取预测信息,对于后续对于药品的备货或者生产造成很大困惑,不能有效的统筹管理药品销售情况,这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法。IPFFA-SVM(Improved Firefly Algorithm-Support Vector Machine)

为了实现本发明的上述目的,本发明提供了一种基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法,包括如下步骤:

S1,获取药品销售数量数据生成学习样本;

S2,确定SVM的常数c和核函数σ的取值范围,以及迭代结束条件即迭代次数;

S3,初始FA算法,根据每一次迭代计算萤火虫光强值I,判断是否对萤火虫光强度I进行位置更新;

S4,判断迭代结束条件,找到最优二维向量(c,g),将该最优二维向量(c,g)代入SVM向量机进行训练和验证,对学习样本进行调整,最终得到药品销售预测结果。

所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法,优选的,所述S3初始FA算法包括:

初始FA算法中α,γ,β0的值:α是[0.1]上的随机变量,γ为光强吸收系数,为大于0的随机数,β0为r=0处的吸引力大小,可取初始值为1。随机产生n只萤火虫位置,每一只萤火虫的位置对应的一个二维向量(c,g)其中σ为核函数分布宽度。

所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法,优选的,所述S3萤火虫光强值步骤包括:

若Ij>Ii,则根据位置更新公式

第一项为变换前的空间坐标位置,第二项为移动偏移量,与吸引力大小相关,最后一项为随即项,其中α为[0.1]上的随机变量,rand服从[0.1]分布;

将xi进行更新,并同时根据公式

将当前各只萤火虫光强度I进行更新。

所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法,优选的,所述S4包括:

S4-1,达到迭代结束条件,则停止迭代,找到光强最大的萤火虫xmax,则找到最优的二维向量(c,g);

S4-2,为加快SVM运算速度,对即将输入SVM的数据进行0-1归一化处理

S4-3,将最优解(c,g)带入SVM向量机进行模型训练和验证。

所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法,优选的,还包括:

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重庆医药数据信息科技有限公司;重庆大学,未经重庆医药数据信息科技有限公司;重庆大学许可,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/pat/books/201610991870.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top