一种基于神经网络的误差修正方法及系统技术方案

本发明专利技术公开了一种基于神经网络的误差修正方法及系统，所述方法包括以下步骤：将当前时刻的采样数据输入基于领域知识的物理表达式模块；通过机器学习算法的目标期望输出数据、误差模块、机器学习模块；将机器学习算法的目标期望输出数据与机器学习模块输出送入互相关函数模块；互相关模块分别计算当前时刻的采样数据中的特征参数与误差模块输出的误差的皮尔逊相关系数，并对其进行归一化，将归一化后的所有皮尔逊相关系数替换基于领域知识的物理表达式模块中的权系数；将下一时刻的采样数据作为当前时刻的采样数据，重复执行前述步骤，直至误差模块输出的误差满足要求为止。本发明专利技术提升了机器学习算法的预测性能。本发明专利技术提升了机器学习算法的预测性能。本发明专利技术提升了机器学习算法的预测性能。

【技术实现步骤摘要】
一种基于神经网络的误差修正方法及系统


[0001]本专利技术涉及机器学习
，特别是一种基于神经网络的误差修正方法及系统。

技术介绍

[0002]经过几十年的发展，机器学习已经成为建立数字孪生模型的有力工具。机器学习算法，尤其是神经网络，能够基于大量的训练数据自主学习，有效找到变量之间复杂的映射关系，并构建预测模型。因此，近几年来，诸多机器学习算法从计算机领域中延伸出来，在许多科学和工程领域中得到广泛的应用。
[0003]虽然机器学习算法拟合强非线性映射关系的能力符合实际工程问题的需求，但是在具体应用机器学习算法的过程中，出现了一些与应用场景相关的亟待解决的问题，这些问题制约了机器学习尤其是神经网络的有效应用。尤其当前神经网络与工程实践的结合过于直接，以单向应用为主，很少参考具体的领域知识。已有研究表明通过引入领域知识，可以打破模型效果提升的瓶颈，进一步提升模型的预测准确度。因此，在神经网络与具体应用场景结合时，需要更多考虑领域知识，引入物理表达式，通过将其转化为模型的约束条件或者先验信息来加以利用。实际上，领域知识不仅仅有助于提升神经网络在具体工程问题上的预测准确度，通过借鉴领域知识，对神经网络算法本身也可能带来改进与提升。

技术实现思路

[0004]鉴于此，本专利技术提供一种基于神经网络的误差修正方法及系统，针对领域知识的物理表达式与神经网络智能算法相互结合，用于提升神经网络的预测性能。
[0005]本专利技术公开了一种基于神经网络的误差修正方法，其包括以下步骤：
[0006]步骤1：将当前时刻的采样数据输入基于领域知识的物理表达式模块；
[0007]步骤2：将基于领域知识的物理表达式模块的输出、当前时刻的采样数据和机器学习算法的目标期望输出数据共同输入机器学习模块；
[0008]步骤3：将机器学习模块的输出和机器学习算法的目标期望输出数据共同输入误差模块；
[0009]步骤4：将误差模块输出的误差以及当前时刻的采样数据共同输入互相关函数模块；
[0010]步骤5：互相关模块分别计算当前时刻的采样数据中的特征参数与误差模块输出的误差的皮尔逊相关系数，并对其进行标准差归一化，将标准差归一化后的所有皮尔逊相关系数替换基于领域知识的物理表达式模块中的权系数；
[0011]步骤6：将下一时刻的采样数据作为当前时刻的采样数据，重复执行步骤1至步骤6，直至误差模块输出的误差满足要求为止。
[0012]进一步地，设当前时刻的采样数据为(mi,ni,
…
,qi)，其中，(mi,ni,
…
,qi)为第i时刻，即当前时刻对m、n,
…
,q的采样数据；i为正整数；m、n,
…
,q为j个不同的特征参数；机
器学习算法的目标期望输出数据为Y＝y1,y2,
…
yi。
[0013]进一步地，将当前时刻的采样数据(mi,ni,
…
,qi)输入基于领域知识的物理表达式模块的物理表达式函数，得到i时刻的输出f(λ1
×
mi,λ2
×
ni,
…
,λj
×
qi)，其中，f为具备物理含义的解析表达式，λ1,λ2,
…
,λj为预设的权系数，通过权系数调整m,n,
…
,q的大小。
[0014]进一步地，λ1,λ2,
…
,λj的初始值全部设置为1。
[0015]进一步地，所述步骤3包括：
[0016]将机器学习模块的输出Z＝z1,z2,
…
,zk以及机器学习算法的目标期望输出数据Y共同送入误差模块。
[0017]进一步地，所述步骤4包括：
[0018]将误差模块输出的误差Y
‑
Z和当前时刻的采样数据(mi,ni,
…
,qi)输入互相关函数模块。
[0019]本专利技术还公开了一种基于神经网络的误差修正系统，其包括：
[0020]基于领域知识的物理表达式模块，用于获取当前时刻的采样数据；
[0021]机器学习模块，用于对基于领域知识的物理表达式模块的输出、当前时刻的采样数据和机器学习算法的目标期望输出数据进行处理，并将输出数据输入误差模块；
[0022]误差模块，用于对机器学习算法的目标期望输出数据和机器学习模块的输出进行差值计算；
[0023]互相关函数模块，用于分别计算当前时刻的采样数据中的特征参数与误差模块输出的误差的皮尔逊相关系数，并对其进行标准差归一化，将标准差归一化后的所有皮尔逊相关系数替换基于领域知识的物理表达式模块中的权系数。
[0024]进一步地，还包括：
[0025]输入模块，用于将下一时刻的采样数据作为当前时刻的采样数据，重复进入基于领域知识的物理表达式模块、机器学习模块、误差模块、互相关函数模块，直至误差模块输出的误差满足要求为止。
[0026]进一步地，在基于领域知识的物理表达式模块中：
[0027]基于领域知识的物理表达式模块的物理表达式获取当前时刻的采样数据(mi,ni,
…
,qi)，以得到i时刻的输出f(λ1
×
mi,λ2
×
ni,
…
,λj
×
qi)，其中，f为具备物理含义的解析表达式，λ1,λ2,
…
,λj为预设的权系数，通过权系数调整m,n,
…
,q的大小；(mi,ni,
…
,qi)为第i时刻，即当前时刻对m、n,
…
,q的采样数据；i为正整数；m、n,
…
,q为j个不同的特征参数。
[0028]由于采用了上述技术方案，本专利技术具有如下的优点：
[0029]1、本专利方法简单，可实现性高；
[0030]2、工程问题背后的物理机理对于提升机器学习模型是非常重要的，通过某些方式将问题背后的物理机理作为先验信息结合到模型当中，能够构造出更适用于具体工程问题的机器学习模型。通过这种双向机制，问题本身的特点可以反哺算法与模型，使得模型与问题更加全面有效的结合，并改善模型性能。
附图说明
[0031]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0032]图1为一种神经网络结构示意图；
[0033]图2为本专利技术实施例的一种基于神经网络的误差修正方法示意图；
[0034]图3为本专利技术实施例的灵敏度计算值和目标值示意图；
[0035]图4为本专利技术实施例的UV功能输入参数平均值曲线和灵敏度误差曲线示意图；
[0036]图5为本专利技术实施例的机器学习算法输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的误差修正方法，其特征在于，包括以下步骤：步骤1：将当前时刻的采样数据输入基于领域知识的物理表达式模块；步骤2：将基于领域知识的物理表达式模块的输出、当前时刻的采样数据和机器学习算法的目标期望输出数据共同输入机器学习模块；步骤3：将机器学习模块的输出和机器学习算法的目标期望输出数据共同输入误差模块；步骤4：将误差模块输出的误差以及当前时刻的采样数据共同输入互相关函数模块；步骤5：互相关模块分别计算当前时刻的采样数据中的特征参数与误差模块输出的误差的皮尔逊相关系数，并对其进行标准差归一化，将标准差归一化后的所有皮尔逊相关系数替换基于领域知识的物理表达式模块中的权系数；步骤6：将下一时刻的采样数据作为当前时刻的采样数据，重复执行步骤1至步骤6，直至误差模块输出的误差满足要求为止。2.根据权利要求1所述的方法，其特征在于，设当前时刻的采样数据为(mi,ni,
…
,qi)，其中，(mi,ni,
…
,qi)为第i时刻，即当前时刻对m、n,
…
,q的采样数据；i为正整数；m、n,
…
,q为j个不同的特征参数；机器学习算法的目标期望输出数据为Y＝y1,y2,
…
yi。3.根据权利要求2所述的方法，其特征在于，将当前时刻的采样数据(mi,ni,
…
,qi)输入基于领域知识的物理表达式模块的物理表达式函数，得到i时刻的输出f(λ1
×
mi,λ2
×
ni,
…
,λj
×
qi)，其中，f为具备物理含义的解析表达式，λ1,λ2,
…
,λj为预设的权系数，通过权系数调整m,n,
…
,q的大小。4.根据权利要求3所述的方法，其特征在于，λ1,λ2,
…
,λj的初始值全部设置为1。5.根据权利要求3所述的方法，其特征在于，所述步骤3包括：将机器学习模块的输出Z＝z1,...

【专利技术属性】
技术研发人员：马雅男，唐小峰，
申请(专利权)人：成都天奥测控技术有限公司，
类型：发明
国别省市：