一种高精度的多阶神经网络分类方法及系统技术方案

本发明专利技术公开了一种高精度的多阶神经网络分类方法，包括获取已分类的样本对象、对应的原始样本数据、分类信息；对原始样本数据进行预处理，获取训练样本数据和/或验证样本数据；根据分类结构设置神经网络阶层结构；将训练样本数据输入多阶神经网络结构分别对每个训练样本数据进行预测；利用验证样本数据对多阶神经网络进行验证；对待分类对象所对应的原始数据进行预处理后，将其输入多阶神经网络结构，获取待分类对象的分类结果。本发明专利技术技术方案针对现有的神经网络在对多个分类对象进行分类时准确度无法满足需求的情况，采用多阶神经网络结构，从多个角度对待分类对象进行分类然后然后再综合判断，可以有效调高多种分类情况下分类的准确度。

A High Precision Multilevel Neural Network Classification Method and System

【技术实现步骤摘要】
一种高精度的多阶神经网络分类方法及系统
本专利技术属于对大量对象进行分类识别领域，具体涉及一种高精度的多阶神经网络分类方法及系统。
技术介绍
现在的社会是一个高速发展的社会，科技发达，信息流通，人们之间的交流越来越密切，生活也越来越方便，大数据就是这个高科技时代的产物。随着云时代的来临，大数据(Bigdata)也吸引了越来越多的关注。对于经营数据和以数据为生的公司来说，数据的生产和应用都是需要投入大量的人力物力的。在现今的社会，大数据的应用越来越彰显他的优势，它占领的领域也越来越大，电子商务、O2O、物流配送等，各种利用大数据进行发展的领域正在协助企业不断地发展新业务，创新运营模式。有了大数据这个概念，对于消费者行为的判断，产品销售量的预测，精确的营销范围以及存货的补给已经得到全面的改善与优化。由此，对于某些数据型公司来说，如何正确地对这些数据进行应用以进行风险规避就是亟待解决的问题。例如，对于金融行业的企业来说，其所拥有的数据可以进行多个维度的分析以获取有效信息，如通过贸易进出口数据变换、汇率变化、交易参与者信息变化等，从中获取金融市场的变化信息。那么在上述数据行为中，对象分类识别本文档来自技高网...

【技术保护点】
1.一种高精度的多阶神经网络分类方法，其特征在于，包括S1获取已分类的样本对象，每个样本对象所对应的原始样本数据，以及每个样本对象被分入的分类结构；S2对样本对象所对应的原始样本数据进行预处理，获取包含足够有效信息的训练样本数据和/或验证样本数据；S3根据分类结构设置神经网络阶层结构，并确定每个阶层中每个神经网络模型的层数和神经元个数；S4将训练样本数据输入多阶神经网络结构的初始阶层，分别对训练样本数据属于每个分类的概率进行预测，并将预测结果输入下一阶层直至完成当前样本的训练；S5利用验证样本数据对多阶神经网络进行验证，若验证结果满足精确度阈值，则完成多阶神经网络结构的训练进入步骤S6，否则返...

【技术特征摘要】
1.一种高精度的多阶神经网络分类方法，其特征在于，包括S1获取已分类的样本对象，每个样本对象所对应的原始样本数据，以及每个样本对象被分入的分类结构；S2对样本对象所对应的原始样本数据进行预处理，获取包含足够有效信息的训练样本数据和/或验证样本数据；S3根据分类结构设置神经网络阶层结构，并确定每个阶层中每个神经网络模型的层数和神经元个数；S4将训练样本数据输入多阶神经网络结构的初始阶层，分别对训练样本数据属于每个分类的概率进行预测，并将预测结果输入下一阶层直至完成当前样本的训练；S5利用验证样本数据对多阶神经网络进行验证，若验证结果满足精确度阈值，则完成多阶神经网络结构的训练进入步骤S6，否则返回步骤S3；S6对待分类对象所对应的原始数据进行预处理，获取包含足够有效信息的分类数据，将其输入多阶神经网络结构，获取待分类对象的分类结果。2.根据权利要求1所述的一种高精度的多阶神经网络分类方法，其中，步骤S2中包括，S21根据样本对象的唯一识别信息，获取样本对象的全部关联数据形成该样本对象的特征识别信息；S22对特征识别信息进行识别和筛选，确定无效数据相对于特征识别信息的无效数据占比；S23将无效数据占比与有效数据比例进行比较，若无效数据占比不小于有效数据比例，则将该样本对象丢弃，否则进入步骤S24；S24将当前样本对象的无效数据用常量替代后对有效值进行归一化处理，获取包含足够有效信息的训练样本数据和/或验证样本数据。3.根据权利要求1或2所述的一种高精度的多阶神经网络分类方法，其中，步骤S2中包括，S21’获取样本对象所对应的特征识别信息进行识别和筛选，确定无效数据相对于特征识别信息的无效数据占比；S22’确定样本对象所对应的特征识别信息中有效数据信息的填充阈值和/或丢弃阈值，且填充阈值小于丢弃阈值；S23’将无效数据占比与填充阈值和/或丢弃阈值进行比较，若无效数据占比不大于填充阈值则进入步骤S24’，若无效数据占比不小于丢弃阈值则丢弃该样本对象，否则进入步骤S25’；S24’保留该样本对象特征识别信息的有效值，并将无效值用第一常数代替，然后对该样本对象特征识别信息的有效值进行归一化处理，获取当前样本对象对应的训练样本数据和/或验证样本数据；S25’将该样本对象特征识别信息分为数值信息和状态信息；所述数值信息中保留该样本对象特征识别信息的有效值并进行归一化处理，否则用第二常数代替；所述状态信息中该样本对象特征识别信息的有效值置为第一状态参量，否则置为第二状态参量；获取当前样本对象对应的训练样本数据和/或验证样本数据；S26’遍历所有样本对象对应的原始样本数据，获取获取全部包含足够有效信息的训练样本数据和/或验证样本数据。4.根据权利要求1～3任一项所述的一种高精度的多阶神经网络分类方法，其中，步骤S3中包括，S31确定样本对象的最小分类，每个最小分类对应设置一个初阶神经网络模型，以对训练、验证或待测对象属于本最小分类的概率进行预测；S32确定最小分类的二阶分类，每个二级分类对应设置一个二阶神经网络模型，以对训练、验证或待测对象属于本二阶分类的概率进行预测；S33根据分类结构，顺次完成多阶神经网络结构，并确定每个阶层中每个神经网络模型的层数和神经元个数。5.根据权利要求1～4～任一项所述的一种高精度的多阶神经网络分类方法，其中，步骤S4包括，S41将当前训练样本数据分别输入多阶神经网络结构初始阶层的每个初阶神经网络模型，对当前训练样本数据属于每个最小分类的概率进行预测；S42初阶神经网络模型将当前训练样本数据属于对应分类的概率输出到自己对应的二阶神经网络模型，对当前训练样本数据属于每个二阶分类的概率进行预测；S43根据多阶神经网络结构，顺次完成当前训练样本属于对应分类的概率预测，并对应输出当前训练样本所属的分类信息，完成当前样本的训练。6.一种高精度的多阶神经网络分类系统，其特征在于，包括分类信息模块，用于获取已分类的样本对象，每个样本对象所对应的原始样本数据，以及每个样本对象被分入的分类结构；样本信息模块，用于对样本对象所对应的原始样本数据进行预处理，获取包含足够有效信息的训练样本数据和/或验证样本数据；神经网络模块，用于根据分类结构设置神经网络阶层结构，并确定每个阶层中每个神经网络模型的层数和神经元个数；样本训练模块，用于将训练样本数据输入多阶神经网络结构的初始阶层，分别对训练样本数据属于每个分类的概率进行预测，并将预测结果输入下一阶层直至完成当前样本的训练；样本验证模块，用于利用验证样本数据对多阶神经网络进行验证，若验证结果满足精确度阈值，则完成多阶神经网络结构的训练进入步骤S6，否则返回步骤S3；系统应用模块，用于对待分类对象所对应的原始数据进行预处理,获取包含足够有效信息的分类数据，将其输入多阶神经网络结构，获取待分类对象的分类结果。7.根据权利要求6所述的一种高精度的多阶神经网络分类系统，其中，样本信息模块中包括，特征信息...

【专利技术属性】
技术研发人员：屈夏，刘岩，赵军，
申请(专利权)人：嘉迈科技海南有限公司，
类型：发明
国别省市：海南,46