[发明专利]一种拟合多尺度数据集的多尺度神经网络方法

说明书

本发明公开了一种拟合多尺度数据集的多尺度神经网络方法，包括步骤：针对数据集中的训练集，确定数据样本标签数据的尺度效应系数c；确定神经网络网络结构和多尺度代价函数J；将训练集的输入数据输入神经网络，通过前向计算过程，确定多尺度代价函数值；根据所述多尺度代价函数值，确定神经网络输出层和隐藏层的误差分量；根据误差分量确定神经网络的权重更新梯度，更新权重参数；迭代训练神经网络，直至神经网络的代价函数J小于预设数值χ或达到预定迭代训练次数。采用本发明，通过构造适用于多尺度数据的代价函数，从而确保神经网络能够精准学习数据的多尺度特征，本发明方法简单、实用，便于推广，具有很大的应用价值。

技术领域

本发明涉及一种神经网络领域，尤其涉及一种拟合多尺度数据集的多尺度神经网络方法。

背景技术

神经网络是处理非线性数据关系的重要方法。神经网络的主要用途包括数据拟合，数据分类和数据聚类分析。在拟合多尺度数据集过程中，神经网络模型对特定数据的拟合结果存在较大偏差。多尺度数据集是指由多个数据量级组成，数据间数量级差距较大的数据集。现有神经网络模型在数据拟合时，往往忽略了数据本身的尺度效应，对不同尺度数据采用相同的数据处理方式和建模方法。最终导致既有神经网络模型对多尺度数据集中不同尺度数据的学习效果不同。这种差异性效果表现在对量级较大的数据学习效果良好，对量级较小的数据学习效果较差。因此，需要考虑数据本身多尺度特征，确定建立不同的神经网络。

经对现有技术文献检索发现，目前采用神经网络对各领域的多尺度数据进行拟合时，并未考虑数据的多尺度特征。向华等于2019年在《组合机床与自动化加工技术》发表的《基于神经网络的机床误差数据拟合与预测方法》一文中，采用神经网络方法拟合了机床误差数据；李克钢等于2013年在《岩土力学》发表的《干湿循环作用下砂岩力学特性及其本构模型的神经网络模拟》一文中，采用神经网络描述了砂岩的多尺度应力应变关系；Ghaboussi等于1998年在《Computers and Geotechnics》发表的《New nested adaptiveneural networks(NANN)for constitutive modeling》一文中，采用神经网络拟合了饱和砂土在排水和不排水条件，以及多尺度围压条件下的土体应力应变行为。但上述方法均未考虑数据本身的尺度效应，因而结果存在较大偏差。目前尚没有考虑多尺度数据集尺度效应的神经网络方法。

发明内容

本发明所要解决的技术问题在于，提供一种拟合多尺度数据集的多尺度神经网络方法。可克服传统神经网络无法准确学习和预测多尺度数据的缺陷，采用尺度效应系数标定数据多尺度效应，构造适用于多尺度数据的代价函数，从而确保神经网络能够精准学习数据的多尺度特征，方法简单，易于推广。

为了解决上述技术问题，本发明提供了一种拟合多尺度数据集的多尺度神经网络方法，包括以下步骤：

第一步、针对数据集中的训练集，确定数据样本标签数据的尺度效应系数c；

优选地，所述数据集是指：神经网络需要拟合的数据样本的集合；

优选地，所述训练集是指：在数据集中选取一定比例的数据样本，用于训练神经网络；

优选地，在数据集中除训练集以外的数据样本作为测试集，用于测试神经网络；

优选地，所述数据样本是指：完成神经网络一次训练迭代所需的最小数据组成，包括输入数据和标签数据；

优选地，所述尺度效应系数c是指：衡量多尺度数据集尺度效应程度的系数，系数越大，表明尺度效应越明显，满足公式(1)：

c＝log(|y|_max)-log(|y|_min) (1)

其中，y为训练集中所有数据样本的标签数据集合。

更优选地，所述输入数据是指：输入神经网络的数据；