【技术实现步骤摘要】
本专利技术涉及人工智能，特别涉及一种基于神经网络的实验模型构建方法与系统。
技术介绍
1、深度学习(dl，deep learning)是机器学习领域中一个研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
2、cn115510943a公开了一种在电子设备上利用神经网络分析量子系统相关实验数据的方法。包括：根据实验数据生成训练数据集；对训练数据集执行一个或多个过滤操作，以生成一个或多个分别对应于所述过滤操作的已过滤训练数据集；将所述训练数据集输入到所述第一神经网络中以训练第一神经网络；将所述已过滤训练数据集输入到第二神经网络以训练第二神经网络；将测试数据集输入到已训练第一神经网络中，得到所述已训练第一神经网络的标准分类精度，其中所述测试数据集由另一实验数据所生成；对所述测试数据集执行一个或多个过滤操作，以生成一个或多个已过滤测试数据集；将所述已过滤测试数据集输入到所述已训练第一神经网络中，获得与所述已过滤测试数据集分别对应的一个或多个第一分类精度；将所述已过滤测试数据集输入已训练第二神经网络，获得与所述已过滤测试数据集分别对应
3、cn111583592a公开了一种基于多维卷积神经网络的实验环境安全预警方法，包括以下步骤：s1、利用实验室布局的数据采集模块采集实验室数据；s2、将采集到的所述实验室数据进行人工标注标签，判断每一组实验室数据是否属于故障预警数据；将所述实验室数据进行归一化处理，形成归一化样本集(x,y)，并将所述归一化样本集分为训练集和测试集；其中x表示实验室数据，y表示x表示的实验室数据的情况是否需要进行安全预警；s3、根据所述实验室数据的特点，确定符合所述特点的模型的深度学习的框架，建立多维度卷积神经网络；所述多维度卷积神经网络包括一维卷积层、二维卷积层、池化层和全连接层；所述多维度卷积神经网络的建立包括以下步骤：s301、利用所述一维卷积层对所述实验室数据进行特征提取，形成特征图；s302、对所述特征图进行维度转换，将所述特征图的维度从一维转化为二维；s303、通过所述二维卷积层从两种维度对转化为二维的所述特征图进行特征提取，形成二维特征图；s304、利用所述池化层对所述二维特征图进行进一步的特征提取，并将所述二维特征图进行降维；s305、利用所述全连接层将张量形式的从所述池化层的输出展开为一个向量，与神经网络进行连接，进行神经网络运算；s306、在神经网络的最后一层建立分类层，对所述实验室数据是否属于所述故障预警数据进行分辨；s4、利用步骤s2中的训练集对步骤s3中的所述多维度卷积神经网络进行训练，形成实验室安全预警模型；将所述训练集中的所述实验室数据作为所述多维度卷积神经网络的输入，并输出所述多维度卷积神经网络的预测分辨结果，并将所述预测分辨结果，与输入的所述训练集中的所述实验室数据相对应的所述人工标注标签相比较；根据所述预测分辨结果和所述人工标注标签的偏差值，对所述多维度卷积神经网络模型的内部参数进行调整，形成可以根据所诉实验室数据进行精准分辨的所述实验室安全预警模型；s5、根据步骤s2中测试集对步骤s4中的所述实验室安全预警模型进行性能测试，根据所述性能测试的结果判断所述实验室安全预警模型是否存在问题，若存在问题，则重复步骤s3-步骤s5，直至所述实验室安全预警模型通过所述性能测试；s6、将步骤s5中通过性能测试的实验室安全预警模型用于实际的实验室安全检测中，利用所述数据采集模块采集实验室的所述实时数据，并作为输入应用到所述实验室安全预警模型中，所述实验室安全预警模型输出所述实时数据对应的所述人工标注标签；s7、当步骤s6只中输出的所述人工标注标签为所述实施数据属于故障预警数据时，则触发报警功能，否则，不触发报警功能。
4、在现有技术中，实验模型通常属于多变量输入和多变量输出，为了获得实验数据，需要不断地调整输入变量的组合，不仅实验效率不高，而且消耗大量的资源和能量。
技术实现思路
1、经过长期实践发现，现有模拟实验模型往往采用预先设置权值的方式，从而使得实验模型输入因素和输出因素之间采用预设固定权值关联，一方面预设固定权值依赖于丰富的实验经验，另一方面更难以设置过多的预设固定权值，不仅效率低，而且难以表征输入因素和输出因素之间的非线性关联关系等问题。
2、有鉴于此，本专利技术提供了一种基于神经网络的实验模型构建方法，所述基于神经网络的实验模型构建方法包括，
3、步骤s1，从实验活动的历史数据中提取实验活动的输入因素集和输出因素集，其中，输入因素集至少包括第一实验环境数据、流程数据、实验材料数据、能量数据；输出因素集包括第二实验环境数据、实验结果数据；
4、步骤s2，将所述输入因素集和所述输出因素集中的数据分别进行标准化和归一化处理后，形成第一数据集和第二数据集；将所述第二数据集中的数据采用水平值-水平值模型处理，使用基于均匀分布进行区间分割，将分割出来的自然值区间从小到大度量，形成水平值，同时对水平值进行处理，使用优选法获取关键水平值作为第三数据集；再将所述第一数据集作为自变量，所述第三数据集作为因变量，通过回归模型将所述第一数据集与所述第三数据集建立映射关系；
5、步骤s3，建立神经网络模型，从所述第一数据集、所述第三数据集随机选取训练集后，训练神经网络模型；
6、步骤s4，从所述第一数据集、所述第三数据集随机选取测试集，测试所述神经网络模型的准确度达到阈值后，输出神经网络模型作为实验模型。
7、优选地，所述神经网络模型包括输入层、隐含层和输出层，根据所述第一数据集的数量确定所述输入层神经元的数量；由所述第三数据集的数量确定所述输出层神经元的数量，根据所述第一数据集与所述第三数据集建立映射关系确定隐含层的神经元数量和隐含层层数。
8、优选地，步骤s4中，当测试所述神经网络模型次数达到预设值后，所述神经网络模型的准确度仍达不到阈值，则返回步骤s3，修改神经网络模型结构。
9、优选地，在步骤s2中，使用优选法获取关键水平值，将输出因素集的输出水平值本文档来自技高网...
【技术保护点】
1.一种基于神经网络的实验模型构建方法，其特征在于，所述基于神经网络的实验模型构建方法包括，
2.根据权利要求1所述的基于神经网络的实验模型构建方法，其特征在于，所述神经网络模型包括输入层、隐含层和输出层，根据所述第一数据集的数量确定所述输入层神经元的数量；由所述第三数据集的数量确定所述输出层神经元的数量，根据所述第一数据集与所述第三数据集建立映射关系确定隐含层的神经元数量和隐含层层数。
3.根据权利要求2所述的基于神经网络的实验模型构建方法，其特征在于，步骤S4中，当测试所述神经网络模型次数达到预设值后，所述神经网络模型的准确度仍达不到阈值，则返回步骤S3，修改神经网络模型结构。
4.根据权利要求1所述的基于神经网络的实验模型构建方法，其特征在于，在步骤S2中，使用优选法获取关键水平值，将输出因素集的输出水平值进行组合计算，作为所述神经网络模型的分类值Ni，
5.根据权利要求1-4任意一项所述的基于神经网络的实验模型构建方法，其特征在于，在步骤S2中，根据水平值出现的频次建立帕累托图，频次大于等于预设频次的水平值为关键水平值；频次
6.一种用于如权利要求1-5中任意一项所述的基于神经网络的实验模型构建方法的系统，其特征在于，所述系统包括，
7.根据权利要求6所述的系统，其特征在于，所述模型单元还包括结构优化模块，所述结构优化模块用于根据所述第一数据集的数量确定所述输入层神经元的数量；由所述第三数据集的数量确定所述输出层神经元的数量，根据所述第一数据集与所述第三数据集建立映射关系确定隐含层的神经元数量和隐含层层数。
8.根据权利要求7所述的系统，其特征在于，所述结构优化模块还包括用于当测试所述神经网络模型次数达到预设值后，所述神经网络模型的准确度仍达不到阈值，修改神经网络模型中神经元连接结构。
9.一种电子设备，其特征在于，至少一个处理器；以及
10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请如权利要求1-5中任意一项所述的基于神经网络的实验模型构建方法。
...【技术特征摘要】
1.一种基于神经网络的实验模型构建方法，其特征在于，所述基于神经网络的实验模型构建方法包括，
2.根据权利要求1所述的基于神经网络的实验模型构建方法，其特征在于，所述神经网络模型包括输入层、隐含层和输出层，根据所述第一数据集的数量确定所述输入层神经元的数量；由所述第三数据集的数量确定所述输出层神经元的数量，根据所述第一数据集与所述第三数据集建立映射关系确定隐含层的神经元数量和隐含层层数。
3.根据权利要求2所述的基于神经网络的实验模型构建方法，其特征在于，步骤s4中，当测试所述神经网络模型次数达到预设值后，所述神经网络模型的准确度仍达不到阈值，则返回步骤s3，修改神经网络模型结构。
4.根据权利要求1所述的基于神经网络的实验模型构建方法，其特征在于，在步骤s2中，使用优选法获取关键水平值，将输出因素集的输出水平值进行组合计算，作为所述神经网络模型的分类值ni，
5.根据权利要求1-4任意一项所述的基于神经网络的实验模型构建方法，其特征在于，在步骤s2中，根据水平值出现的频次建立帕...
【专利技术属性】
技术研发人员：沈灿波，林冰洁，温建刚，夏瑞晨，周婧，谢天宇，许熠，吴吉顺，钱洁，
申请(专利权)人：杭州万澜科技有限公司，
类型：发明
国别省市：
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。