基于神经网络的效能评估方法、系统、设备与存储介质技术方案

本发明专利技术提出一种基于神经网络的效能评估方法、系统、设备与存储介质。该基于神经网络的效能评估方法包括：获取预设神经网络模型；获取预设参数，根据预设参数配置预设神经网络模型中各个神经元的参数；获取训练样本，根据训练样本对预设神经网络模型中的参数进行修改，使得损失函数值减小，获得效能评估模型；获取检测参数，将检测参数输入效能评估模型，得到效能评估结果。本申请有利于提高效能评估的准确性。确性。确性。

【技术实现步骤摘要】
基于神经网络的效能评估方法、系统、设备与存储介质


[0001]本专利技术涉及效能评估领域，尤其是涉及了一种基于神经网络的效能评估方法、系统、设备与存储介质。

技术介绍

[0002]效能评估已经涉及到产品研制的各个阶段。通常，效能是指系统或设备在规定的工作条件下和规定的时间内，能够满足运用要求的概率。
[0003]效能评估方法非常广泛，包括解析法、指数法、统计法、计算机仿真方法以及研讨法等。效能评估不仅涉及分析评估的理论、方法，还涉及需求分析和想定描述，以及系统体系结构和模型体系框架等问题。可见，效能评估是一个非常宽、非常难的研究课题。

技术实现思路

[0004]本专利技术提出一种基于神经网络的效能评估方法、系统、设备与存储介质，有利于获得准确的效能评估结果。
[0005]第一方面，提供一种基于神经网络的效能评估方法，包括：获取预设神经网络模型；获取预设参数，根据所述预设参数配置预设神经网络模型中各个神经元的参数；获取训练样本，根据所述训练样本对所述预设神经网络模型中的参数进行修改，使得损失函数值减小，获得效能评估模型；获取检测参数，将检测参数输入效能评估模型，得到效能评估结果。
[0006]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，所述获取预设参数，包括：确定与预设神经网络模型中神经元对应的参数，得到参数信息；根据参数信息并按照预设参数生成规则产生多套参数值，分别将所述每套参数值按预设顺序排列，得到多个解向量；建立目标函数，其中，所述解向量的目标函数值越大则所述解向量越接近最优解向量；根据目标函数对多个解向量进行迭代演变多次，得到迭代演变后的多个解向量；从迭代演变后的多个解向量选择目标函数值最大的解向量，得到优化解向量；根据优化解向量中参数值，确定所述预设参数；所述迭代演变包括：获取当前循环的多个解向量，根据各个解向量的目标函数值确定选择概率，根据选择概率选取预设数量的解向量，得到多个目标解向量，其中，所述选择概率与所述目标函数值正相关；所述多个目标解向量中，根据交叉概率将选取的两个目标解向量中对应的参数值进行交换，得到交换后的多个目标解向量，其中，所述交叉概率与所述目标函数值负相关；
所述交换后的多个目标解向量中，根据替换概率将目标解向量中的参数值采用新参数值进行替换，得到下一循环的多个解向量。
[0007]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，所述获取训练样本，包括：获取初始训练样本，并对初始训练样本进行分析，确定初始训练样本特征；根据所述初始训练样本特征，产生新样本；基于所述初始训练样本与所述新样本，得到所述训练样本。
[0008]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，获取初始训练样本，并对初始训练样本进行分析，确定初始训练样本特征，包括：对初始训练样本进行聚类处理，得到多个类别的初始训练样本；根据初始训练样本的类别，确定初始训练样本特征。
[0009]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，根据所述初始训练样本特征，产生新样本，包括：获取各个类别中初始训练样本数量，分别计算各个类别中初始训练样本数量与总的初始训练样本数量之比，得到各个类别的占比；按照各个类别的占比分别从每个类别初始训练样本中随机对初始训练样本进行复制，得到新样本。
[0010]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，根据所述初始训练样本特征，产生新样本，包括：对各个类别的初始训练样本分别进行复制，得到中间样本；分别计算各个类别的中间样本对应的方差，得到类别方差；对每个中间样本获取一个随机数，所述随机数的绝对值的平均值小于或等于所述中间样本对应的类别方差；将所述中间样本与对应的随机数相加，得到新样本。
[0011]其中的一个实施方式中，所述的基于神经网络的效能评估方法，其中，所述根据所述训练样本对所述预设神经网络模型中的参数进行修改，使得损失函数值减小，获得效能评估模型，包括：将所述训练样本划分为第一类样本和第二类样本；将第一类样本输入所述预设神经网络模型中，得到多个第一输出值；根据多个第一输出值分别与对应的真实值确定多个第一损失函数值，按照所述第一损失函数值减小的方向调节所述预设神经网络模型中的参数；将第二类样本输入所述神经网络模型中，得到多个第二输出值；根据所述多个第二输出值的平均值与多个对应真实值平均值确定第二损失函数值，按照第二损失函数值减小的方向调节所述预设神经网络模型中的参数。
[0012]第二方面，提供一种基于神经网络的效能评估系统，包括：获取模块，用于获取预设神经网络模型，获取预设参数，获取训练样本以及获取检测参数；配置模块，用于根据所述预设参数配置预设神经网络模型中各个神经元的参数；训练模块，用于根据所述训练样本对所述预设神经网络模型中的参数进行修改，
使得损失函数值减小，获得效能评估模型；评估模块，用于将检测参数输入效能评估模型，得到效能评估结果。
[0013]第三方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其中，当所述处理器执行所述程序时，实现如上所述的基于神经网络的效能评估方法的步骤。
[0014]第四方面，提供一种存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时，实现如上所述的基于神经网络的效能评估方法的步骤。
[0015]本专利技术通过对预设神经网络模型进行训练，获得效能评估模型，再通过效能评估模型完成效能评估。本专利技术采用效能评估模型进行效能评估，有利于减少主观评价指标造成的误差，从而提高效能评估的准确性。
附图说明
[0016]通过阅读下文优选的具体实施方式中的详细描述，本专利技术各种其他的优点和益处对于本领域普通技术人员来说将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术一个实施例的基于神经网络的效能评估方法的流程图；图2是本专利技术一个实施例的基于神经网络的效能评估系统的结构示意图；图3为本专利技术一个实施例的电子设备的结构示意图。
实施方式
[0018]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0019]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的效能评估方法，其特征在于，包括：获取预设神经网络模型；获取预设参数，根据所述预设参数配置预设神经网络模型中各个神经元的参数；获取训练样本，根据所述训练样本对所述预设神经网络模型中的参数进行修改，使得损失函数值减小，获得效能评估模型；获取检测参数，将检测参数输入效能评估模型，得到效能评估结果。2.根据权利要求1所述的基于神经网络的效能评估方法，其特征在于，所述获取预设参数，包括：确定与预设神经网络模型中神经元对应的参数，得到参数信息；根据参数信息并按照预设参数生成规则产生多套参数值，分别将每套参数值按预设顺序排列，得到多个解向量；建立目标函数，其中，所述解向量的目标函数值越大则所述解向量越接近最优解向量；根据目标函数对多个解向量进行迭代演变多次，得到迭代演变后的多个解向量；从迭代演变后的多个解向量选择目标函数值最大的解向量，得到优化解向量；根据优化解向量中参数值，确定所述预设参数；所述迭代演变包括：获取当前循环的多个解向量，根据各个解向量的目标函数值确定选择概率，根据选择概率选取预设数量的解向量，得到多个目标解向量，其中，所述选择概率与所述目标函数值正相关；所述多个目标解向量中，根据交叉概率将选取的两个目标解向量中对应的参数值进行交换，得到交换后的多个目标解向量，其中，所述交叉概率与所述目标函数值负相关；所述交换后的多个目标解向量中，根据替换概率将目标解向量中的参数值采用新参数值进行替换，得到下一循环的多个解向量。3.根据权利要求1所述的基于神经网络的效能评估方法，其特征在于，所述获取训练样本，包括：获取初始训练样本，并对初始训练样本进行分析，确定初始训练样本特征；根据所述初始训练样本特征，产生新样本；基于所述初始训练样本与所述新样本，得到所述训练样本。4.根据权利要求1所述的基于神经网络的效能评估方法，其特征在于，获取初始训练样本，并对初始训练样本进行分析，确定初始训练样本特征，包括：对初始训练样本进行聚类处理，得到多个类别的初始训练样本；根据初始训练样本的类别，确定初始训练样本特征。5.根据权利要求4所述的基于神经网络的效能评估方法，其特征在于，根据所述初始训练样本特征，产生新样本，包括：获取各个类别中初...

【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：