【技术实现步骤摘要】
基于双头或多头神经网络的预测方法及系统
本专利技术涉及计算、推算领域，具体地，涉及一种基于双头或多头神经网络的预测方法及系统。
技术介绍
深度学习被用在解决单一的任务学习模型比如人脸识别、语音识别、行人检测等问题上取得了很好的效果。但是目前经常会碰到一类问题：同样的数据，需要训练和预测多个不同目标，同时这多个目标最终一起来决定一个大的学习任务的问题时，会碰到不一致的问题。比如说，在预测蛋白质三级结构中，会根据蛋白质的数据来学习蛋白质中任意两个氨基酸的距离；同时也需要根据这个数据来学习蛋白质中相邻的两个蛋白质的结合时的扭转角度。因此，同样的一份蛋白质结构的数据，如图1所示，需要分别学习并获得距离模型M1(i，j)和角度M2(i)模型。最终在预测蛋白质结构中，需要利用这两个模型分别预测的氨基酸之间距离和相邻的两个氨基酸角度，最后结合起来共同预测蛋白质的结构。也就是说最终蛋白质的结构由距离M1(i，j)和角度M2(i)来共同决定。其中神经网络通过最小化m1与真实值zm1之间的差。具体来说，参数θ1在损失函数...
【技术保护点】
1.一种基于双头或多头神经网络的预测方法，其特征在于，包括：/n特征获取步骤：从数据库中获取已有对象的数据特征；/n输入步骤：向一个共享神经网络输入获取的特征并进行运算，所述共享神经网络的末端包括两个或两个以上输出头；/n输出步骤：每个输出头根据所述共享神经网络的运算结果输出一个预测模型；/n拟合步骤：对共享神经网络和所有预测模型进行拟合，得到多目标预测模型；/n预测步骤：根据多目标预测模型，对单个或者多个目标进行预测。/n
【技术特征摘要】
1.一种基于双头或多头神经网络的预测方法，其特征在于，包括：
特征获取步骤：从数据库中获取已有对象的数据特征；
输入步骤：向一个共享神经网络输入获取的特征并进行运算，所述共享神经网络的末端包括两个或两个以上输出头；
输出步骤：每个输出头根据所述共享神经网络的运算结果输出一个预测模型；
拟合步骤：对共享神经网络和所有预测模型进行拟合，得到多目标预测模型；
预测步骤：根据多目标预测模型，对单个或者多个目标进行预测。
2.一种基于双头或多头神经网络的预测方法，其特征在于，包括：
特征获取步骤：从数据库中获取已有蛋白质三级结构数据的特征；
输入步骤：向一个共享神经网络输入获取的特征并进行运算，所述共享神经网络的末端包括两个或两个以上输出头；
输出步骤：每个输出头根据所述共享神经网络的运算结果输出一个预测模型；
拟合步骤：对享神经网络和所有预测模型进行拟合，得到多目标预测模型；
预测步骤：根据多目标预测模型分别预测蛋白质的氨基酸距离和氨基酸扭转角度，并最终预测蛋白质的三级结构。
3.一种基于双头或多头神经网络的预测方法，其特征在于，包括：
特征获取步骤：从数据库中获取已有交通流量数据的特征；
输入步骤：向一个共享神经网络输入获取的特征并进行运算，所述共享神经网络的末端包括两个或两个以上输出头；
输出步骤：每个输出头根据所述共享神经网络的运算结果输出一个预测模型；
拟合步骤：对共享神经网络和所有预测模型进行拟合，得到多目标预测模型；
预测步骤：根据多目标预测模型预测交通流量，并对全局信号灯进行协同控制。
4.根据权利要求1、2或3所述的基于双头或多头神经网络的预测方法，其特征在于，输入所述共享神经网络的特征包括得到所有所述预测模型所需的特征的拼接。
5.根据权利要求1、2或3所述的基于双头或多头神经网络的预测方法，其特征在于，共享神经网络N＝fθ(X)，θ为网络参数，X为输入的特征，f为特征X对共享神经网络Y的拟合函数；
网络参数θ在损失函数loss上通过梯度下降来进行拟合：
N＝fθ(X)loss＝(m1-zm1)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值；
zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值；
c为控制L2权重正则化的参数，防止过...
【专利技术属性】
技术研发人员：薛雅琪，
申请(专利权)人：上海天壤智能科技有限公司，
类型：发明
国别省市：上海;31
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。