[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

说明书

本公开实施例提供了一种网络的训练方法和温度预测方法、装置、设备及存储介质，涉及计算机应用技术领域。具体方案：获取多组样本温度数据；获取多组权重参数；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，并基于差异计算个体的适应度；基于每个个体的适应度，对初始种群进行迭代，得到迭代后种群；若迭代次数到达预设遗传迭代次数，或迭代后种群中个体的适应度满足适应度条件，则从迭代后种群中选择目标个体，将目标个体作为优化权值参数；基于优化权值参数进行用于温度预测的神经网络的训练。本公开能够提高神经网络预测温度的准确性。

技术领域

本公开涉及计算机应用技术领域，特别是涉及一种用于温度预测的神经网络的训练方法和温度预测方法、装置、设备及存储介质。

背景技术

在工业生产和家电控温等场景中，温度精准测量非常重要，但在实际应用中，存在需要准确知道被测物体某个部位的温度，但又不方便直接测量该部位的温度的情况。

发明内容

本公开实施例的目的在于提供一种用于温度预测的神经网络的训练方法和温度预测方法、装置、设备及存储介质，以提高神经网络预测温度的准确性。具体技术方案如下：

第一方面，本公开实施例提供了一种用于温度预测的神经网络的训练方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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；