更新信息预测网络的网络参数的方法、装置、介质及设备制造方法及图纸

本公开提供一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备；涉及人工智能技术领域，包括：服务器采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；服务器通过目标适应度函数值更新信息预测网络的网络参数。本公开能够提升网络参数更新效率。

Methods, devices, media and devices for updating network parameters of information prediction network

【技术实现步骤摘要】
更新信息预测网络的网络参数的方法、装置、介质及设备
本公开涉及人工智能
，具体而言，涉及一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备。
技术介绍
BP(BackPropagation)神经网络是一种多层的前馈神经网络。其训练过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，训练后的BP神经网络可以用于预测、识别等。通过上述训练过程训练BP网络通常需要多次的前向传播和反向传播，进而通过对权重和偏置等网络参数的多次更新，提升BP神经网络的预测效果或识别准确率，但是，通过上述方式进行网络参数更新会存在效率较低的问题。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备，在一定程度上克服网络参数更新效率较低的问题，通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的第一方面，提供一种更新信息预测网络的网络参数的方法，包括：服务器从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；服务器通过目标适应度函数值更新信息预测网络的网络参数。在本公开的一种示例性实施例中，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，服务器标注样本数据所属的原始类别信息，包括以下步骤：服务器确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。在本公开的一种示例性实施例中，服务器通过信息预测网络确定样本数据所属的类别信息之前，该方法还可以包括以下步骤：服务器对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。在本公开的一种示例性实施例中，服务器通过信息预测网络确定样本数据所属的类别信息，包括以下步骤：服务器对样本数据进行特征提取，得到与样本数据对应的特征向量；服务器将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；服务器确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；服务器根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；服务器通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果和第二权重值确定样本数据所属的类别信息。在本公开的一种示例性实施例中，服务器计算类别信息与原始类别信息之间的损失函数值，包括以下步骤：服务器确定原始类别信息对应的多个第一特征值和类别信息对应的多个第二特征值；其中，第一特征值与第二特征值一一对应；服务器确定第一特征值与对应的第二特征值之间的损失函数值。在本公开的一种示例性实施例中，服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，包括以下步骤：服务器计算损失函数值的绝对值之和，作为信息预测网络中网络参数对应的适应度函数值。在本公开的一种示例性实施例中，服务器对适应度函数值进行多次筛选处理，得到目标适应度函数值，包括以下步骤：服务器根据预设阈值对适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。在本公开的一种示例性实施例中，服务器通过目标适应度函数值更新信息预测网络的网络参数，包括以下步骤：服务器将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数。根据本公开的第二方面，提供一种更新信息预测网络的网络参数的装置，包括信息采集单元、信息预测单元、适应度函数值计算单元以及网络参数更新单元，其中：信息采集单元，用于从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；信息预测单元，用于通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；适应度函数值计算单元，用于根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；网络参数更新单元，用于通过目标适应度函数值更新信息预测网络的网络参数。在本公开的一种示例性实施例中，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，信息采集单元标注样本数据所属的原始类别信息的方式具体可以为：信息采集单元确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。在本公开的一种示例性实施例中，该装置还可以包括初始化单元，其中：初始化单元，用于在信息预测单元通过信息预测网络确定样本数据所属的类别信息之前，对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。在本公开的一种示例性实施例中，信息预测单元通过信息预测网络确定样本数据所属的类别信息的方式具体可以为：信息预测单元对样本数据进行特征提取，得到与样本数据对应的特征向量；信息预测单元将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；信息预测单元确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；信息预测单元根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；信息预测单元通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果本文档来自技高网...

【技术保护点】
1.一种更新信息预测网络的网络参数的方法，其特征在于，所述方法包括：/n服务器从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；/n所述服务器通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；/n所述服务器根据所述损失函数值计算所述信息预测网络的网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；/n所述服务器通过所述目标适应度函数值更新所述信息预测网络的网络参数。/n

【技术特征摘要】
1.一种更新信息预测网络的网络参数的方法，其特征在于，所述方法包括：
服务器从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；
所述服务器通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；
所述服务器根据所述损失函数值计算所述信息预测网络的网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；
所述服务器通过所述目标适应度函数值更新所述信息预测网络的网络参数。


2.根据权利要求1所述的方法，其特征在于，所述样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，所述服务器标注所述样本数据所属的原始类别信息，包括：
所述服务器确定所述多个患者分别对应的病情结果并将所述病情结果分别标注为对应患者的原始类别信息；其中，所述病情结果包括结局事件和结局体征参数中至少一种，所述结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。


3.根据权利要求1所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息之前，所述方法还包括：
所述服务器对所述信息预测网络的网络结构进行初始化，以确定所述网络结构中各层对应的神经元节点数量；其中，所述网络结构包括输入层、隐含层以及输出层。


4.根据权利要求3所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息，包括：
所述服务器对所述样本数据进行特征提取，得到与所述样本数据对应的特征向量；
所述服务器将所述特征向量输入所述信息预测网络，并确定所述输入层的各神经元节点与所述隐含层的各神经元节点之间的第一权重值；
所述服务器确定所述隐含层的各神经元节点与所述输出层的各神经元节点之间的第二权重值；其中，所述网络参数包括所述第一权重值和所述第二权重值；
所述服务器根据所述第一权重值与所述第一权重值对应的特征向量计算所述隐含层的各神经元节点分别对应的加权和；
所述服务器通过所述隐含层的神经元节点对所述加权和进行特征变换处理，并根据特征变换结果和所述第二权...

【专利技术属性】
技术研发人员：邢金栓，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京;11