一种图形化编程应用平台制造技术

本申请适用于深度学习技术领域，提供了一种图形化编程应用平台，其中，模型展示模块图形化显示数据处理模型的功能；模型选择模块获取用户输入的第一指令对应的数据处理模型；模型构建模块根据图形化第二指令对应的数据处理模型的组件，并根据第三指令，对组件进行组合和对设置组件的接口参数；模型加载模块将数据处理模型加载到模型训练模块中；模型训练模块根据历史数据，训练数据处理模型进行；模型优化模块根据神经网络结构搜索算法，对组件的接口参数进行更新，得到最终成果模型；模型预测模块利用最终成果模型对待测数据进行预测。本申请能够提高基于图形化编程的数据预测方法的准确度。法的准确度。法的准确度。

【技术实现步骤摘要】
一种图形化编程应用平台


[0001]本申请属于深度学习
，尤其涉及一种图形化编程应用平台。

技术介绍

[0002]对于数据处理，一般来说，数据处理(DataProcessing)是对数据的采集、存储、查找、加工、变换和传输。根据处理设备的结构方式、工作方式，以及数据的时间空间分布方式的不同，数据处理有不同的方式。不同的处理方式要求不同的处理工具。每种处理方式都有自己的特点，应当根据应用问题的实际环境选择合适的处理方式。
[0003]数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。现实生活中很多原始数据都是杂乱的、非结构化的数据，无法直接拿来使用，需要按照使用要求对原始数据进行一定的处理，比如删除无用数据、对数据结构重新排列组合、对不同的数据指定对应标签、增强或减弱某些数据的特征，甚至从头开始采集或生成一些需要的数据。
[0004]目前，深度学习为主的人工智能应用被引入数据处理，在数据预测方面，由于其优异的模型性质得以迅速发展，但传统的基于深度学习人工智能数据预测方法，往往需要依赖大量的、复杂的代码，这对于刚接触该领域的从业人员而言，无疑是学习成本巨大，门槛较高。而现有的，基于图形化编程的数据预测平台，虽然能够让用户避免构建大量的代码，但准确性不高。

技术实现思路

[0005]本申请实施例提供了一种图形化编程应用平台，可以解决目前基于图形化编程的数据预测的准确度不高的问题。
[0006]本申请实施例提供了一种图形化编程应用平台，包括模型展示模块、模型选择模块、模型构建模块、模型加载模块、模型训练模块、模型优化模块以及模型预测模块；
[0007]模型展示模块用于图形化显示预先训练的多个数据处理模型的功能；
[0008]模型选择模块用于根据用户输入的第一指令，从多个数据处理模型中获取第一指令对应的数据处理模型；
[0009]模型构建模块用于根据用户输入的第二指令，图形化第二指令对应的数据处理模型的组件，并根据用户输入的第三指令，对该数据处理模型的组件进行组合并通过图形化方法对组件的接口参数进行设置，得到新的数据处理模型；
[0010]模型加载模块用于将第一指令对应的数据处理模型加载到模型训练模块中；或者，将新的数据处理模型加载到模型训练模块中；
[0011]模型训练模块用于根据预先获取的历史数据对自身的数据处理模型进行训练，并图形化显示该数据处理模型训练过程中的预测精确度，得到训练成果模型；
[0012]模型优化模块用于根据神经网络结构搜索算法，通过图形化方法对训练成果模型的组件的接口参数进行更新，得到最终成果模型；
[0013]模型预测模块用于根据最终成果模型对待测数据进行预测。
[0014]可选的，第二指令包括用户选择数据处理模型的组件以及用户定义数据处理模型的组件的连接关系；
[0015]第三指令包括用户设置数据处理模型的组件的接口参数；
[0016]模型构建模块，具体用于根据用户选择的数据处理模型的组件、用户定义的数据处理模型的组件的连接关系以及用户设置的数据处理模型的组件的接口参数，构建初始数据处理模型。
[0017]可选的，模型训练模块，具体用于利用预先获取的历史数据对初始数据处理模型进行训练，当预测精确度满足预设训练停止要求，则停止训练，得到训练成果模型。
[0018]可选的，模型优化模块具体用于执行以下步骤：
[0019]步骤1，设置种群大小p、最大世代数T、交配概率μ、突变概率v、每个区块节点数取值范围(M
min
,M
max
)以及区块数取值范围(N
min
,N
max
)；
[0020]步骤2，基于初始化算法的编码策略，根据训练成果模型的组件的接口参数，生成初始父代种群；初始父代种群中的一种群个体表示训练成果模型的组件的一组接口参数值；
[0021]步骤3，将初始父代种群的基因转换成模型，评估每个模型的适合度并获取每个种群个体的适合值和指纹；
[0022]步骤4，针对初始父代种群中任意两个种群个体，执行以下步骤：
[0023]对该两个种群个体进行交叉操作，产生一交叉个体，并获取该交叉个体的指纹；
[0024]对该两个种群个体进行变异操作，产生一变异个体，并获取该变异个体的指纹；
[0025]将交叉个体和变异个体，加入初始父代种群，得到中间父代种群；
[0026]步骤5，将中间父代种群中的基因转换成模型，计算中间父代种群中每个种群个体的合适度；
[0027]步骤6，利用非支配排序算法对中间父代种群中所有种群个体的合适度进行排序，保留满足预设合适度标准的种群个体，删除不满足预设合适度标准的种群个体，得到中间代种群；
[0028]步骤7，当中间代种群满足预设进化停止条件，则将中间代种群中合适度最高的种群个体作为训练成果模型的组件的接口参数值，得到最终成果模型；否则将中间代种群作为步骤4中的初始父代种群，返回执行步骤4。
[0029]可选的，在执行步骤7之前，模型优化模块还包括：
[0030]统计中间代种群的生成次数；
[0031]若生成次数大于等于最大世代数，则判断中间代种群满足预设种群进化终止条件；否则，
[0032]判断中间代种群不满足预设种群进化终止条件。
[0033]可选的，图形化方法利用编程语言进行构建。
[0034]本申请的上述方案有如下的有益效果：
[0035]在本申请的一些实施例中，利用模型构建模块，根据用户选择的数据处理模型的
组件、数据处理模型的组件的连接关系以及数据处理模型的组件的接口参数，构建初始数据处理模型，然后利用模型训练模块，利用预先获取的历史数据对初始数据处理模型进行训练，当预测精确度满足预设要求，则停止训练，得到训练成果模型，再利用模型优化模块，基于神经网络结构搜索算法，对训练成果模型的组件的接口参数进行更新，得到最终成果模型，最后利用模型预测模块，利用最终成果模型对待测数据进行预测。其中，模型优化模块能够求解最优的接口参数值，从而提高基于图形化编程的数据预测的准确度。
[0036]本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0037]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，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。
[0038]图1为本申请一实施例提供的图形化编程应用平台的框架图；
[0039]图2为本申请一实施例提供的模型构建模块示意图。...

【技术保护点】

【技术特征摘要】
1.一种图形化编程应用平台，其特征在于，包括模型展示模块、模型选择模块、模型构建模块、模型加载模块、模型训练模块、模型优化模块以及模型预测模块；所述模型展示模块用于图形化显示预先训练的多个数据处理模型的功能；所述模型选择模块用于根据用户输入的第一指令，从所述多个数据处理模型中获取所述第一指令对应的数据处理模型；所述模型构建模块用于根据用户输入的第二指令，图形化所述第二指令对应的数据处理模型的组件，并根据用户输入的第三指令，对该数据处理模型的组件进行组合并通过图形化方法对组件的接口参数进行设置，得到新的数据处理模型；所述模型加载模块用于将所述第一指令对应的数据处理模型加载到模型训练模块中；或者，将所述新的数据处理模型加载到模型训练模块中；所述模型训练模块用于根据预先获取的历史数据对自身的数据处理模型进行训练，并图形化显示该数据处理模型训练过程中的预测精确度，得到训练成果模型；所述模型优化模块用于根据神经网络结构搜索算法，通过所述图形化方法对所述训练成果模型的组件的接口参数进行更新，得到最终成果模型；所述模型预测模块用于根据所述最终成果模型对待测数据进行预测。2.根据权利要求1所述的图形化编程应用平台，其特征在于，所述第二指令包括用户选择数据处理模型的组件以及用户定义数据处理模型的组件的连接关系；所述第三指令包括用户设置数据处理模型的组件的接口参数；所述模型构建模块，具体用于根据用户选择的数据处理模型的组件、用户定义的数据处理模型的组件的连接关系以及用户设置的数据处理模型的组件的接口参数，构建初始数据处理模型。3.根据权利要求1所述的图形化编程应用平台，其特征在于，所述模型训练模块，具体用于利用预先获取的历史数据对所述初始数据处理模型进行训练，当所述预测精确度满足预设训练停止要求，则停止训练，得到训练成果模型。4.根据权利要求1所述的图形化编程应用平台，其特征在于，所述模型优化模块具体用于执行以下步骤：步骤1...

【专利技术属性】
技术研发人员：黄建龙，
申请(专利权)人：湖南建安鑫信息科技有限公司，
类型：发明
国别省市：