The invention discloses a model fusion method and system based on hidden factors, which comprises more than two neural network models for predicting model variables and obtaining corresponding prediction results of more than two models, in which the model variables include hidden variables and/or explicit variables, and the input layer is used for inputting hidden variables affecting model effects. The above first full connection layer corresponds to more than two neural network models and is used to learn weights from the hidden variables; the first output layer is used to output weights corresponding to more than two neural network models; and the fusion module is used to predict the model results of more than two neural network models according to the weights. Fusion results can be obtained, so that the advantages and disadvantages of each model can be fully considered, making the effect of fusion more significant, greatly improving the accuracy of model fusion.
【技术实现步骤摘要】
基于隐藏因素的模型融合方法及系统
本专利技术涉及计算机
,特别是一种基于隐藏因素的模型融合方法及其应用该方法的系统。
技术介绍
传统的模型融合,是通过综合考虑不同模型的情况,将各个模型的输出结果进行融合。例如:如图1所示,现有技术的一种模型融合方法是采用并联式融合方法,通过将模型变量输入各个模型中,分别输出各个模型的预测结果,然后将各个预测结果融合到一起。如图2所示,现有技术的另一种模型融合方法是采用串联式融合方法,通过将模型变量输入第一模型中,输出第一模型的预测结果,再根据第一模型的预测结果将模型变量输入第二模型中,输出第二模型的预测结果,以此类推得到最终预测结果。但是,传统的模型融合并未考虑隐藏因素对各个模型的影响,从而使得融合后的效果不好,准确率较低,影响模型的适用范围。
技术实现思路
本专利技术为解决上述问题,提供了一种基于隐藏因素的模型融合方法及系统,能够提高模型融合的准确率,扩大模型的适用范围。为实现上述目的,本专利技术采用的技术方案为:本专利技术的目的之一在于提供一种基于隐藏因素的模型融合系统,其包括:两个以上的神经网络模型,用于对模型变量进行预测,得到对应的两个以上的模型预测结果;其中,所述模型变量包括隐藏变量和/或显性变量;输入层,用于输入对模型效果产生影响的隐藏变量;两个以上的第一全连接层,其与所述的两个以上的神经网络模型相对应,并用于根据所述隐藏变量进行权值的学习;第一输出层,用于输出所述的两个以上的神经网络模型对应的权值;融合模块,用于根据所述权值对所述的两个以上的神经网络模型的模型预测结果进行融合,得到融合预测结果。优选的,所述 ...
【技术保护点】
1.一种基于隐藏因素的模型融合系统,其特征在于,包括:两个以上的神经网络模型,用于对模型变量进行预测,得到对应的两个以上的模型预测结果;其中,所述模型变量包括隐藏变量和/或显性变量;输入层,用于输入对模型效果产生影响的隐藏变量;两个以上的第一全连接层,其与所述的两个以上的神经网络模型相对应,并用于根据所述隐藏变量进行权值的学习;第一输出层,用于输出所述的两个以上的神经网络模型对应的权值;融合模块,用于根据所述权值对所述的两个以上的神经网络模型的模型预测结果进行融合,得到融合预测结果。
【技术特征摘要】
1.一种基于隐藏因素的模型融合系统,其特征在于,包括:两个以上的神经网络模型,用于对模型变量进行预测,得到对应的两个以上的模型预测结果;其中,所述模型变量包括隐藏变量和/或显性变量;输入层,用于输入对模型效果产生影响的隐藏变量;两个以上的第一全连接层,其与所述的两个以上的神经网络模型相对应,并用于根据所述隐藏变量进行权值的学习;第一输出层,用于输出所述的两个以上的神经网络模型对应的权值;融合模块,用于根据所述权值对所述的两个以上的神经网络模型的模型预测结果进行融合,得到融合预测结果。2.根据权利要求1所述的基于隐藏因素的模型融合系统,其特征在于,所述融合模块进一步包括:模型层,用于将所述的两个以上的神经网络模型的模型预测结果分别与对应的权值进行乘法运算,得到目标变量;第二全连接层,用于对所述目标变量进行融合预测;第二输出层,用于输出融合预测结果。3.根据权利要求2所述的基于隐藏因素的模型融合系统,其特征在于,所述输入层、第一全连接层、第二全连接层、第一输出层采用ReLu激活函数,所述第二输出层采用softmax激活函数或sigmoid激活函数。4.一种基于隐藏因素的模型融合方法,其特征在于,包括以下步骤:通过两个以上的神经网络模型对模型变量进行预测,得到对应的两个以上的模型预测结果;其中,所述模型变量包括隐藏变量和/或显性变量;获取对模型效果产生影响的隐藏变量,并根据所述隐藏变量进行权值的学习,得到所述的两个以上的神经网络模型对应的权值;根据所述权值对所述的两个以上的神经网络模型的模型预测结果进行融合,得到融合预测结果。5.一种基于隐藏因素的声纹模型融合系统,其特征在于,包括:两个以上的声纹模型,用于对语音数据进行预测,得到对应的两个以上的模型预测结果;其中,所述语音数据包括隐藏数据和/或显性数据,并经量化处理和归一化处理后分别得到对应的隐藏变量和显性变量;输入层,用于输入对模型效果产生影响的隐藏变量;两个以上的第一...
【专利技术属性】
技术研发人员:洪国强,肖龙源,蔡振华,李稀敏,刘晓葳,谭玉坤,
申请(专利权)人:厦门快商通信息技术有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。