一种系统建模方法及装置与流程
本发明涉及数据分析及处理技术领域，尤其涉及一种系统建模方法及装置。
背景技术：
模型建立是研究与分析系统的基础，也是数据分析和处理的关键技术之一。只有建立了相应的系统模型，才能对系统进行进一步的分析和处理，模型的可靠性和精确度是后续信号分析和处理工作具有意义和价值的重要前提和保证。模型可以根据系统的机理建立，也可以通过对系统的实验或统计处理获得。对于多参数复杂系统，由于其影响的变量过多，其机理分析往往难以获得清晰准确的模型，随着计算机技术的发展，通过实验数据建立模型的方法得到广泛运用。
目前，一般都是采用比较常见的多元线性回归模型作为系统模型对数据进行分析和处理，但是，在实际使用过程中，各个参数之间不是完全独立，参数之间可能存在线性关系而使得部分参数冗余，加上在多参数复杂系统中，参数的个数往往非常大，不仅增加了系统预测计算的负担，也会导致过拟合现象发生，使得建立的模型鲁棒性较差。
技术实现要素：
本发明实施例提供了一种系统建模方法及装置，通过在所有参数中选择预定值个数的参数进行建模，不仅降低了系统预测计算的负担，同时提高了模型的鲁棒性。
本发明实施例第一方面公开了一种系统建模方法，包括：
获取包含N个参数的全集，从所述全集中选取Mf个参数得到第一子集；
从所述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；
将所述第一子集与各第二子集分别组合得到P个第三子集，根据所述P 个第三子集分别建立P个回归模型；
计算所述P个回归模型中的各个回归模型的均方差值，并对计算得到的所述均方差值排序；
依据所述均方差值的排序结果对所述第二子集中的参数赋权值，其中，所述均方差值越小对应的所述第二子集中的参数的权值越大；
计算所述P个第二子集中各参数的权值的和，将目标参数添加到所述第一子集中得到目标子集，其中，所述目标参数为权值的和最大的参数；
若所述目标子集的回归模型的均方差值小于第一预设阈值，或者，所述目标子集中的参数个数等于所述预定值，则将所述目标子集的回归模型作为目标回归模型。
作为一种可选的实施方式，所述将所述目标子集的回归模型作为目标回归模型之前，所述方法还包括：
判断所述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断所述目标子集中的参数个数是否等于所述预定值。
作为一种可选的实施方式，所述判断所述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断所述目标子集中的参数个数是否等于所述预定值之后，所述方法还包括：
若所述目标子集的回归模型的均方差值大于第一预设阈值，以及，所述目标子集中的参数个数小于所述预定值，则执行从所述目标子集的补集中抽取P个第二子集的步骤，每个第二子集中包含的参数个数与所述目标子集中的参数个数的和等于所述预定值。
作为一种可选的实施方式，所述将所述目标子集的回归模型作为目标回归模型之后，所述方法还包括：
判断所述目标回归模型的均方差值是否大于所述第一预设阈值；
若是，则按照预设规则增加所述目标子集中的参数的个数，直到利用增加后的参数个数建立的回归模型的均方差值小于所述第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值；
确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上 一个回归模型作为最优回归模型。
作为一种可选的实施方式，所述判断所述目标回归模型的均方差值是否大于所述第一预设阈值之后，所述方法还包括：
若所述目标回归模型的均方差值小于所述第一预设阈值，则按照预设规则减小所述目标子集中的参数的个数，直到利用减小后的参数个数建立的回归模型的均方差值大于所述第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第三预设阈值；
确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上一个回归模型作为最优回归模型。
本发明实施例第二方面公开了一种系统建模装置，包括：
第一获取单元，用于获取包含N个参数的全集，从所述全集中选取Mf个参数得到第一子集；
第二获取单元，用于从所述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；
模型建立单元，用于将所述第一子集与各第二子集分别组合得到P个第三子集，根据所述P个第三子集分别建立P个回归模型；
均方差处理单元，用于计算所述P个回归模型中的各个回归模型的均方差值，并对计算得到的所述均方差值排序；
权值处理单元，用于依据所述均方差值的排序结果对所述第二子集中的参数赋权值，其中，所述均方差值越小对应的所述第二子集中的参数的权值越大；
目标子集确定单元，用于计算所述P个第二子集中各参数的权值的和，将目标参数添加到所述第一子集中得到目标子集，其中，所述目标参数为权值的和最大的参数；
目标模型确定单元，用于在所述目标子集的回归模型的均方差值小于第一预设阈值，或者，所述目标子集中的参数个数等于所述预定值时，将所述目标子集的回归模型作为目标回归模型。
作为一种可选的实施方式，所述装置还包括：
第一判断单元，用于判断所述目标子集的回归模型的均方差值是否小于 第一预设阈值，以及，判断所述目标子集中的参数个数是否等于所述预定值。
作为一种可选的实施方式，
所述第二获取单元，还用于在所述目标子集的回归模型的均方差值大于第一预设阈值，以及，所述目标子集中的参数个数小于所述预定值时，从所述目标子集的补集中抽取P个第二子集，每个第二子集中包含的参数个数与所述目标子集中的参数个数的和等于所述预定值。
作为一种可选的实施方式，所述装置还包括：
第二判断单元，用于判断所述目标回归模型的均方差值是否大于所述第一预设阈值；
第一调整单元，用于在所述目标回归模型的均方差值大于所述预设阈值时，按照预设规则增加所述目标子集中的参数的个数，直到利用增加后的参数个数建立的回归模型的均方差值小于所述第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值；
第一调整处理单元，用于确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上一个回归模型作为最优回归模型。
作为一种可选的实施方式，所述装置还包括：
第二调整单元，用于在所述目标回归模型的均方差值小于所述第一预设阈值时，按照预设规则减小所述目标子集中的参数的个数，直到利用减小后的参数个数建立的回归模型的均方差值大于所述第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第三预设阈值；
第二调整处理单元，用于确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上一个回归模型作为最优回归模型。
从以上技术方案可以看出，本发明实施例具有以下优点：从含有N个参数的集合中获取Mf个参数组成第一子集，并从该第一子集的补集中抽取出P个第二子集；根据第一子集以及P个第二子集建立P个回归模型；根据P个回归模型中各回归模型的均方差值的排序结果为第二子集中的参数赋权值，其中，均方差值越小对应的第二子集中的参数的权值越大，然后将所有第二 子集中权值和最大的参数加入第一子集中得到目标子集，最后在目标子集的回归模型的均方差值小于第一预设阈值，或者，目标子集中的参数个数等于预定值时，将目标子集的回归模型作为目标回归模型。实施本发明实施例，通过在所有参数中选择预定值个数的参数进行建模，不仅降低了系统预测计算的负担，同时提高了模型的鲁棒性。
附图说明
为了更清楚地说明本发明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要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种系统建模方法的流程示意图；
图2是本发明实施例公开的另一种系统建模方法的流程示意图；
图3是本发明实施例公开的一种参数个数及模型优化方法的流程示意图；
图4是本发明实施例公开的一种装置的结构示意图；
图5是本发明实施例公开的另一种装置的结构示意图；
图6是本发明实施例公开的另一种装置的实体结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方 法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种系统建模方法及装置，通过在所有参数中选择预定值个数的参数进行建模，不仅降低了系统预测计算的负担，同时提高了模型的鲁棒性。以下将分别进行详细说明。
请参阅图1，图1是本发明实施例公开的一种系统建模方法的流程示意图。其中，图1所示的系统建模方法可以包括以下步骤：
101：获取包含N个参数的全集，从该全集中选取Mf个参数得到第一子集；
本发明实施例中，可以通过实验获取包含N个参数的全集，N的个数取决于系统的特征和实验的手段和方法。并从该全集中选取Mf个参数得到第一子集，其中，Mf的个数可以根据N的值以及经验参数进行确定。
102：从上述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；
本发明实施例中，通过步骤101确定含有Mf个参数的第一子集后，可以从第一子集的补集中抽取P个第二子集，可以采用蒙特卡罗法从第一子集的补集中随机抽取P次，并将每一次抽取的Mr个参数组成第二子集，一共可以有P个第二子集，其中，Mr与Mf的和等于预定值，该预定值表示从N个参数中抽取出的拿来建立回归模型的参数的个数，可以由系统特性及获得的经验参数确定。其中，P的个数决定了系统模型的精度，P越大，越可能获得精确的回归模型，但是计算量会增加，因此需要根据系统需求折中选择合适的次数P。
103：将上述第一子集与各第二子集分别组合得到P个第三子集，根据上述P个第三子集分别建立P个回归模型；
本发明实施例中，通过步骤102获取P个第二子集后，可以将上述第一子集与各第二子集分别组合得到P个第三子集，其中，第三子集中的参数个数等于上述预定值。并根据该P个第三子集分别建立P个回归模型，其中，可以采用最小二乘法建立回归模型。
104：计算上述P个回归模型中的各个回归模型的均方差值，并对计算得到的均方差值排序；
本发明实施例中，可以根据实验样本个数以及实验系统输出值以及回归模型的估计值计算回归模型的均方差值。并依次计算出P个回归模型中的每一个回归模型的均方差值，并按均方差值的大小顺序进行排序。
105：依据均方差值的排序结果对上述第二子集中的参数赋权值，其中，均方差值越小对应的第二子集中的参数的权值越大；
本发明实施例中，通过步骤104将均方差值进行排序之后，可以依据均方差值的排序结果对第二子集中的参数赋权值，并且均方差值越小，则该均方差值对应的回归模型的第二子集中的参数的权值越大。
106：计算上述P个第二子集中各参数的权值的和，将目标参数添加到上述第一子集中得到目标子集，其中，上述目标参数为权值的和最大的参数；
本发明实施例中，通过步骤105为各第二子集中的参数赋权值之后，可以计算P个第二子集中的各个参数对应的权值的和，并将权值和最大的参数添加到上述第一子集中得到目标子集。
107：若上述目标子集的回归模型的均方差值小于第一预设阈值，或者，上述目标子集中的参数个数等于预定值，则将上述目标子集的回归模型作为目标回归模型。
本发明实施例中，通过步骤106得到对第一子集进行更新后的目标子集之后，若根据目标子集建立的回归模型的均方差值小于第一预设阈值，或者，目标子集中的参数个数等于预定值，则将根据目标子集建立的回归模型作为目标回归模型，其中，第一预设阈值可以根据试验或者经验值确定，用于判断回归模型的精度是否满足要求。
在图1所描述的方法中，从含有N个参数的集合中获取Mf个参数组成第一子集，并从该第一子集的补集中抽取出P个第二子集；根据第一子集以及P个第二子集建立P个回归模型；根据P个回归模型中各回归模型的均方差值的排序结果为第二子集中的参数赋权值，其中，均方差值越小对应的第二子集中的参数的权值越大，然后将所有第二子集中权值和最大的参数加入第一子集中得到目标子集，最后在目标子集的回归模型的均方差值小于第一预设阈值，或者，目标子集中的参数个数等于预定值时，将目标子集的回归模型作为目标回归模型。实施本发明实施例，通过在所有参数中选择预定值个数 的参数进行建模，不仅降低了系统预测计算的负担，同时提高了模型的鲁棒性。
进一步地，请参阅图2，图2是本发明实施例公开的另一种系统建模方法的流程示意图。其中，图2所示的系统建模方法可以包括以下步骤：
201：获取包含N个参数的全集，从该全集中选取Mf个参数得到第一子集；
202：从上述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；
203：将上述第一子集与各第二子集分别组合得到P个第三子集，根据上述P个第三子集分别建立P个回归模型；
204：计算上述P个回归模型中的各个回归模型的均方差值，并对计算得到的均方差值排序；
205：依据均方差值的排序结果对上述第二子集中的参数赋权值，其中，均方差值越小对应的第二子集中的参数的权值越大；
206：计算上述P个第二子集中各参数的权值的和，将目标参数添加到上述第一子集中得到目标子集，其中，上述目标参数为权值的和最大的参数；
207：判断上述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断上述目标子集中的参数个数是否等于所述预定值；
本发明实施例中，通过步骤201～步骤206为第一子集添加目标参数得到目标子集之后，可以判断目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断目标子集中的参数个数是否等于预定值，其中，第一预设阈值可以用来确定模型是否满足精度要求，预定值表示建模过程中需要的参数个数。
208：若上述目标子集的回归模型的均方差值小于第一预设阈值，或者，上述目标子集中的参数个数等于预定值，则将上述目标子集的回归模型作为目标回归模型；
本发明实施例中，若目标子集的回归模型满足精度要求，或者目标子集中的参数个数达到预定值，则可以将利用上述目标子集建立的回归模型作为目标回归模型。
可选地，若上述目标子集的回归模型的均方差值大于第一预设阈值，以及，上述目标子集中的参数个数小于所述预定值，则执行从该目标子集的补集中抽取P个第二子集的步骤，每个第二子集中包含的参数个数与该目标子集中的参数个数的和等于上述预定值。
本发明实施例中，若利用上述目标子集建立的回归模型精度不满足要求，以及，目标子集中的参数个数小于预定值，则需要继续为目标子集中添加参数，此时，需要循环执行步骤202～步骤207，而且，在执行202时，步骤202中所陈述的第一子集的补集表示添加参数之后的第一子集的补集，P个第二子集中的参数个数等于预定值与添加参数之后的第一子集中的参数个数的差值。直到满足步骤208中的条件之后，结束循环，获得目标回归模型。
进一步地，实施例1以及实施例2中的预定值的个数的选择非常重要，如果预定值过大，则不仅增加计算量而且可能存在过拟合现象，如果预定值过小，则可能无法获得可靠、精确的模型。因此，本发明实施例具体介绍了如何优化预定值的方法，请参阅图3，图3表示一种参数个数及模型优化方法的流程示意图，其中，图3所示的参数个数及模型优化方法可以包括以下步骤：
301：判断上述目标回归模型的均方差值是否大于第一预设阈值；
本发明实施例中，目标回归模型表示根据实施例1及实施例2中的系统建模方法根据预定值建立的回归模型，该预定值表示从N个参数中选取的建模需要的参数个数。通过步骤301可以判断目标回归模型的精度是否满足要求。
302：若是，则按照预设规则增加目标子集中的参数的个数，直到利用增加后的参数个数建立的回归模型的均方差值小于第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值；
303：确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型；
本发明实施例中，若目标回归模型的精度不满足要求，即目标回归模型的均方差值大于第一预设阈值，则可以按照预设规则(例如每次增加一个参 数)增加目标子集中的参数的个数，并按照实施例1及实施例2中的系统建模方法根据增加后的参数的个数建立回归模型，并判断该回归模型的均方差值是否小于第一预设阈值(即精度是否满足要求)，以及，该回归模型的均方差值与上一个回归模型的均方差值之间的差量是否小于第二预设阈值(即判断回归模型的精度改善是否显著)，若当前回归模型的均方差值大于第一预设阈值(即精度不满足要求)，以及当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第二预设阈值(即回归模型的精度改善显著)，则循环执行按照预设规则增加当前参数个数的步骤，直到利用增加后的参数个数建立的回归模型的均方差值小于第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值。则表示当前模型精度满足要求，并且当前模型精度较上一个模型精度改善不显著。则确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型。
304：若目标回归模型的均方差值小于第一预设阈值，则按照预设规则减小目标子集中的参数的个数，直到利用减小后的参数个数建立的回归模型的均方差值大于第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第三预设阈值；
305：确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型。
本发明实施例中，若目标回归模型的精度满足要求，即目标回归模型的均方差值小于第一预设阈值，则可以按照预设规则(例如每次减小一个参数)减少目标子集中的参数的个数，并按照实施例1及实施例2中的系统建模方法根据减少后的参数的个数建立回归模型，并判断该回归模型的均方差值是否小于第一预设阈值(即精度是否满足要求)，以及，该回归模型的均方差值与上一个回归模型的均方差值之间的差量是否大于第三预设阈值(即判断回归模型的精度恶化是否显著)，若当前回归模型的均方差值小于第一预设阈值(即精度满足要求)，或者当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第三预设阈值(即回归模型的精度恶化不显著)，则循环执行按照预设规则减少当前参数个数的步骤，直到利用减小后的参数个数建 立的回归模型的均方差值大于第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第三预设阈值。则表示当前模型精度不满足要求，或者，当前模型精度较上一个模型精度恶化显著。则确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型。
为了更清楚的说明上述实施例中的系统建模方法及参数个数以及模型优化方法，本发明实施例以无创血红蛋白仪为例作进一步说明。
无创血红蛋白仪是一种无创的检测人体血红蛋白浓度的仪器，其原理是采用近红外光谱法，根据朗伯特-比尔(lambert-beer)定律，光线通过溶液后其被吸收的程度与该溶液的吸收系数、浓度、光程、光线波长等参数相关，将多个波段的光线透射人体组织，经过人体内血液吸收之后，其光线的吸收程度包含了血液中血红蛋白成分的浓度信息，因而通过两者之间的联系，可以计算出总血红蛋白浓度、碳氧血红蛋白浓度及高铁血红蛋白浓度等生理参数。由于人体组织结构复杂，血液成分也多种多样，故难以从机理上建立足够精确的反映光线吸收程度与血红蛋白浓度关系的模型，而往往需要通过实验数据分析来获得其模型。
作为一种优选的实施方案，选择在600nm～1300nm范围内的8个波长的光线(分别记为λ1、λ2...λ8)分别依序透射手指，8个光线被手指中血液吸收部分光线后分别被光电转换传感器接收而转换为电信号，该信号经过硬件电路放大、滤波、数据采集等处理后进入CPU中成为数字信号。同时通过采集血液并利用血气分析仪获得有创血红蛋白浓度作为参考数据。通过数据分析和处理，建立光线数字信号与血红蛋白浓度的回归模型并用来估计和预测血红蛋白浓度。
设接收到的光线强度为Ii,i＝1、2...8，由于手指脉搏的波动，其交流成分ACi＝ΔIi表示光线的波动幅度，而直流成分表示光线的平均强度。
令
根据朗伯特-比尔定律，血红蛋白浓度值与Rij密切相关，可以建立Rij与血红蛋白浓度值的回归模型。
建立Rij的幂级数参数集其中表示Rij的n次方，本 实例中仅以4次方以内的数据进行回归，不考虑参数的5次方及以上的数据回归模型。有创血气分析获得的参考血红蛋白浓度分别为总血红蛋白浓度YtHb、碳氧血红蛋白浓度YCOHb、高铁血红蛋白浓度YMetHb。下面仅以总血红蛋白浓度为例阐述回归模型的建立。
显然参数集X的元素个数为N＝224(8*7*4)个，必须建立较简化且可靠的回归模型。初始化回归模型的参数个数为M＝30，按如下步骤建立回归模型：
1、确定系统参数集X的两个子集setf和setr，其中setf元素个数为Mf(setf初始值为空，Mf＝0)，setr是根据蒙特卡罗法在setf的补集(X-setf)中随机抽取的元素个数为Mr＝M-Mf的子集。
2、将setf和setr两个子集组合成并利用最小二乘法建立的回归模型。并计算该回归模型的均方差其中L为样本的个数，Yk和分别表示第k个样本的系统输出值及其回归模型的估计值。
3、重复步骤1～2，直到获得p个回归模型。将获得的p个回归模型按均方差值err从小到大进行排序，并给对应的setr子集中的元素分别赋予权值(err越小权值越大)。计算所有setr子集中元素的权值和，并将权值和最大的元素定义为Xmax。
4、将元素Xmax更新到子集setf中，即令setf＝setfl+{Xmax}，其中setfl表示上一次的setf集。
5、重复步骤1～4，直到setf的元素个数达到M个，或回归模型的精度满足要求(即均方差小于指定阈值)，并将此时的回归模型确定为系统模型。
并可以按如下的步骤确定最终模型的参数个数M的值：
1、根据系统特性及获得的经验参数确定M初始值为30，并按上述的建模方法建立当前回归模型并获得相应的均方差值。如果当前模型的精度不满足要求(例如均方差值errc大于指定阈值)则转入步骤2，否则如果当前模型的精度已经满足要求则转入步骤4。
2、增加参数个数(可以令Mc＝Ml+1，Ml为上一次建模的参数个数)，建立当前Mc个参数的回归模型并计算相应的均方差值errc。
3、重复步骤2，直到当前模型的精度达到要求(例如err≤1.0)，并且当 前模型精度较上个模型精度改善不显著(例如errl-errc≤0.02，其中errl为上个模型即Ml个参数的回归模型的均方差)。确定最终的参数个数M＝Ml，其所对应的回归模型为最终的模型。
4、减小参数个数(可令Mc＝Ml-1)，建立当前Mc个参数的回归模型并计算相应的均方差值errc。
5、重复步骤4，直到当前模型精度较上个模型精度显著恶化(例如errl-errc＞0.05)，或者当前模型精度不满足要求。确定最终的参数个数M＝Ml，其所对应的回归模型为最终的模型。
按照上述建模的方法，本实施例中最终建立了总血红蛋白的12参数的回归模型，均方差为0.95。并按照同样的方法，建立了碳氧血红蛋白的20参数的回归模型，均方差为1.7，高铁血红蛋白的8参数回归模型，均方差为0.91。
请参阅图4，图4是本发明实施例公开的一种系统建模装置的结构示意图，如图4所示，该装置可以包括：
第一获取单元401，用于获取包含N个参数的全集，从上述全集中选取Mf个参数得到第一子集；
第二获取单元402，用于从上述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；
模型建立单元403，用于将上述第一获取单元401获取的第一子集与第二获取单元402获取的各第二子集分别组合得到P个第三子集，根据上述述P个第三子集分别建立P个回归模型；
均方差处理单元404，用于计算上述模型建立单元403建立的P个回归模型中的各个回归模型的均方差值，并对计算得到的均方差值排序；
权值处理单元405，用于依据上述均方差处理单元404得到的均方差值的排序结果对上述第二子集中的参数赋权值，其中，均方差值越小对应的第二子集中的参数的权值越大；
目标子集确定单元406，用于根据上述权值处理单元405赋予的权值计算上述P个第二子集中各参数的权值的和，将目标参数添加到上述第一获取单元401获取的第一子集中得到目标子集，其中，上述目标参数为权值的和最大的参数；
目标模型确定单元407，用于在上述目标子集的回归模型的均方差值小于第一预设阈值，或者，上述目标子集中的参数个数等于上述预定值时，将上述目标参数确定单元406确定的目标子集的回归模型作为目标回归模型。
请一并参阅图5，图5是本发明实施例公开的另一种装置的结构示意图。其中，图5所示的装置是由图4所示的装置进行优化得到的，与图4所示的装置相比，上述装置还包括：
第一判断单元408，用于判断上述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断上述目标子集中的参数个数是否等于上述预定值。
可选地，在图5所示的装置端中，
上述第二获取单元402，还用于在上述目标子集的回归模型的均方差值大于第一预设阈值，以及，上述目标子集中的参数个数小于上述预定值时，从上述目标子集的补集中抽取P个第二子集，每个第二子集中包含的参数个数与上述目标子集中的参数个数的和等于上述预定值。
可选地，在图5所示的装置中，该装置还可以包括：
第二判断单元409，用于判断上述目标回归模型的均方差值是否大于上述第一预设阈值；
第一调整单元410，用于在上述目标回归模型的均方差值大于上述述预设阈值时，按照预设规则增加上述目标子集中的参数的个数，直到利用增加后的参数个数建立的回归模型的均方差值小于第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值；
第一调整处理单元411，用于确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型。
可选地，在图5所示的装置中，该装置还可以包括：
第二调整单元412，用于在上述目标回归模型的均方差值小于第一预设阈值时，按照预设规则减小上述目标子集中的参数的个数，直到利用减小后的参数个数建立的回归模型的均方差值大于第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第三预设阈 值；
第二调整处理单元413，用于确定该上一个回归模型对应的参数的个数为最优预定值，并将该上一个回归模型作为最优回归模型。
请参见图6，图6是本发明实施例提供的一种系统建模装置的结构示意图。如图6所示，本发明实施例提供的一种系统建模装置600可以包括：至少一个总线601、与总线相连的至少一个处理器602以及与总线相连的至少一个存储器603。
其中，处理器602通过总线601，调用存储器603中存储的代码以用于获取包含N个参数的全集，从所述全集中选取Mf个参数得到第一子集；从所述第一子集的补集中抽取P个第二子集，每个第二子集包含的参数个数均为Mr，且Mr与Mf的和等于预定值；将所述第一子集与各第二子集分别组合得到P个第三子集，根据所述P个第三子集分别建立P个回归模型；计算所述P个回归模型中的各个回归模型的均方差值，并对计算得到的所述均方差值排序；依据所述均方差值的排序结果对所述第二子集中的参数赋权值，其中，所述均方差值越小对应的所述第二子集中的参数的权值越大；计算所述P个第二子集中各参数的权值的和，将目标参数添加到所述第一子集中得到目标子集，其中，所述目标参数为权值的和最大的参数；若所述目标子集的回归模型的均方差值小于第一预设阈值，或者，所述目标子集中的参数个数等于所述预定值，则将所述目标子集的回归模型作为目标回归模型。
可选地，在本发明的一些可能的实施方式中，所述处理器602调用存储器603中存储的代码，在将所述目标子集的回归模型作为目标回归模型之前，还用于：
判断所述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断所述目标子集中的参数个数是否等于所述预定值。
可选地，在本发明的一些可能的实施方式中，所述处理器602调用存储器603中存储的代码，在判断所述目标子集的回归模型的均方差值是否小于第一预设阈值，以及，判断所述目标子集中的参数个数是否等于所述预定值之后，还用于：
若所述目标子集的回归模型的均方差值大于第一预设阈值，以及，所述 目标子集中的参数个数小于所述预定值，则执行从所述目标子集的补集中抽取P个第二子集的步骤，每个第二子集中包含的参数个数与所述目标子集中的参数个数的和等于所述预定值。
可选地，在本发明的一些可能的实施方式中，所述处理器602调用存储器603中存储的代码，在将所述目标子集的回归模型作为目标回归模型之后，还用于：
判断所述目标回归模型的均方差值是否大于所述第一预设阈值；
若是，则按照预设规则增加所述目标子集中的参数的个数，直到利用增加后的参数个数建立的回归模型的均方差值小于所述第一预设阈值，以及，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量小于第二预设阈值；
确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上一个回归模型作为最优回归模型。
可选地，在本发明的一些可能的实施方式中，所述处理器602调用存储器603中存储的代码，在判断所述目标回归模型的均方差值是否大于所述第一预设阈值之后，还用于：
若所述目标回归模型的均方差值小于所述第一预设阈值，则按照预设规则减小所述目标子集中的参数的个数，直到利用减小后的参数个数建立的回归模型的均方差值大于所述第一预设阈值，或者，直到当前回归模型的均方差值与上一个回归模型的均方差值之间的差量大于第二预设阈值；
确定所述上一个回归模型对应的参数的个数为最优预定值，并将所述上一个回归模型作为最优回归模型。
可以理解的是，本实施例的系统建模装置600的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的系统建模方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表 述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随 机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
- 还没有人留言评论。精彩留言会获得点赞！