一种储备池数据处理方法、装置、电子设备和存储介质与流程

1.本发明涉及人工智能技术领域，特别是涉及一种储备池数据处理方法、一种储备池数据处理装置、一种电子设备和一种存储介质。


背景技术：

2.随着人工智能(artificialinteligence，ai)的热潮席卷各行各业，作为人工智能核心的“ai芯片”变得炙手可热，它是所有智能设备必不可少的核心器件，专门用于处理ai相关的计算任务。ai芯片领域不光是半导体芯片公司竞争的舞台，连互联网公司、云计算公司都纷纷发布推出芯片的计划。
3.ai芯片包含两个领域的内容：一个是计算机科学领域，简单地说就是软件，即研究如何设计出高效率的智能算法；另一个是半导体芯片领域，简单地说就是硬件，即研究如何把这些算法有效地在硅片上实现，变成能与配套软件相结合的最终产品。其中，采用储备池已经发展成为一种ai芯片中使用动态系统对时间序列数据进行处理的方案。但是，现有的储备池输出层过拟合确定方式复杂，导致储备池输出层的误差较大，储备池需要重复运行处理，使得储备池的运行效率低下。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种储备池数据处理方法、一种储备池数据处理装置、一种电子设备和一种存储介质。
5.在本发明的第一个方面，本发明实施例公开了一种储备池数据处理方法，包括：
6.在测试验证阶段，获取输入层数据；
7.基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
8.对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
9.依据所述输入拟合值和所述输出拟合值确定拟合差值；
10.当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
11.可选地，所述储备池的随机权重包括输入连通性权重矩阵、储备池连通性权重矩阵和输出权重矩阵；所述基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据的步骤包括：
12.获取输入时间矢量；
13.确定所述时间矢量与所述输入连通性权重矩阵的第一乘积值；
14.确定所述输入层数据与所述储备池连通性权重矩阵的第二乘积值；
15.基于所述第一乘积值和所述第一乘积值，确定储备池状态矢量；
16.依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据。
17.可选地，所述依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据的步骤包括：
18.计算所述储备池状态矢量与所述输出权重矩阵的第三乘积值；
19.确定所述第三乘积值为所述输出层数据。
20.可选地，所述对所述输入层数据进行岭回归得到输入拟合值的步骤包括：
21.将所述输入层数据进行正则化，得到输入正则值；
22.计算所述输入正则值与预设第一正则化项的和值，并确定所述输入正则值与所述预设第一正则化项的和值为所述输入拟合值。
23.可选地，所述对所述输出层数据进行所述岭回归得到输出拟合值的步骤包括：
24.将所述输出层数据进行正则化，得到输出正则值；
25.计算所述输出正则值与预设第二正则化项的和值，并确定所述输出正则值与所述预设第二正则化项的和值为所述输出拟合值。
26.可选地，所述依据所述输入拟合值和所述输出拟合值确定拟合差值的步骤包括：
27.计算所述输入拟合值和所述输出拟合值的第一差值；
28.确定所述第一差值的绝对值为所述拟合差值。
29.可选地，所述方法还包括：
30.当所述拟合差值不大于所述过拟合阈值时，确定所述储备池验证成功。
31.在本发明的第二个方面，本发明实施例还公开了一种储备池数据处理装置，包括：
32.获取模块，用于在测试验证阶段，获取输入层数据；
33.演变模块，用于基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
34.拟合模块，用于对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
35.差值模块，用于依据所述输入拟合值和所述输出拟合值确定拟合差值；
36.过拟合确定模块，用于当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
37.在本发明的第三个方面，本发明实施例公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的储备池数据处理方法的步骤。
38.在本发明的第四个方面，本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的储备池数据处理方法的步骤。
39.本发明实施例包括以下优点：
40.本发明实施例通过在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。通过在测试验证阶段利用储备池的时间演变计算出输出层数据，再将输入层数据和输出层数据基于岭回归确
定出过拟合值，在拟合值过高时对储备池的随机权重进行调整，使得储备池的输出层得到优化，提高储备池的运行效率。
附图说明
41.图1是本发明的一种储备池数据处理方法实施例的步骤流程图；
42.图2是本发明的另一种储备池数据处理方法实施例的步骤流程图；
43.图3是本发明的一种储备池数据处理方法示例的执行示意图；
44.图4是本发明的一种储备池数据处理装置实施例的结构框图。
具体实施方式
45.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
46.储备池就是随机生成的、大规模的、稀疏连接(通常保持1％-5％连接)的递归结构，最初被定义为训练循环神经网络(rnn)的一种轻量级方法，但现在已经发展成为一种使用动态系统对时间序列数据进行计算的方法。读出层通常是储备池状态的线性组合。使用监督学习技术确定读出权重，其中网络由教师样例输入驱动，并将其输出与相应的教师数据输出进行比较以估计误差。然后，可以在线下训练中使用任何封闭形式的回归技术来计算权重，如果需要在线训练，则可以使用自适应技术来计算权重。但是计算出权重后，并不能基于权重确定储备池输出层过拟合情况，导致目前针对于储备池输出层过拟合确定方式复杂，储备池输出层的误差较大，储备池需要重复运行处理才能得到满足要求的运算结果，储备池的运行效率低下。
47.本发明实施例的核心构思之一在于，先基于储备池的随机权重对输入层数据进行时间演变，生成输出层数据，采用岭回归算法的回归技术，对输出层数据处理得到输出拟合值，再将输入层数据处理得到输入拟合值，进行差值计算大于预设过拟合阈值时判定过拟合，对储备池的随机权重进行调整。
48.参照图1，示出了本发明的一种储备池数据处理方法实施例的步骤流程图，所述储备池数据处理方法具体可以包括如下步骤：
49.步骤101，在测试验证阶段，获取输入层数据；
50.基于储备池构建的神经网络模型，会采用训练集进行模型训练，当该基于储备池构建的神经网络模型训练完成后，则进入测试验证阶段，在测试验证阶段中对该基于储备池构建的神经网络模型进行验证，确定其是否满足使用要求。
51.在测试验证阶段，从预设存储地址获取验证数据集即获取输入层数据。其中，预设存储地址可以是设备自身的存储空间对应的存储地址(区间)，也可以是与设备连接的第三方数据库的存储空间对应的存储地址(区间)，还可以是与设备连接的云存储空间对应的存储地址。
52.步骤102，基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
53.由于储备池内部的节点都是固定的，为此，可以基于储备池中每个节点之间的随机权重，将输入层数据作为输入，对输入层数据进行时间演变计算，对输入层数据的动态进
行分析计算，生成该输入层在动态的状态下，经过时间演变的输出层数据。
54.步骤103，对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
55.得到输出层数据后，可以对输出层数据和输入层数据进行拟合，确定对应的拟合值。因此，可以对输入层数据进行岭回归，将输入层数据中的权重回归分析，确定输入拟合值。相应地，可以对输出层数据进行岭回归，将输出层数据中的权重回归分析，确定输出拟合值。其中，输入拟合值和输出拟合值可以采用百分比进行表示，也可以采用分数进行表示，本领域技术人员还可以根据需求设置其他的表示方式，本发明实施例对此不作限定。需要说明的是，输入拟合值和输出拟合值需要采用同一种表示方式。
56.步骤104，依据所述输入拟合值和所述输出拟合值确定拟合差值；
57.得到输入拟合值和输出拟合值后，可以依据输入拟合值和输出拟合值确定两者之间的拟合差值，通过拟合差值表征拟合值和输出拟合值之间的差异。其中，拟合差值与输入拟合值、输出拟合值采用相同的表示方式。如输入拟合值和输出拟合值都采用百分比进行表示时，拟合差值也需要采用百分比进行表示。
58.步骤105，当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
59.当拟合差值大于预设过拟合阈值时，即基于储备池构建的神经网络模型训练情况和验证情况的差距较大，可以确定储备池过拟合。此时可以调整储备池的随机权重确定方法，并重复执行上述步骤进行测试验证，直至拟合差值不大于过拟合阈值时结束测试。
60.其中，预设拟合阈值的表示方式也需要与拟合差值的表示方式一样，即拟合差值、输入拟合值、输出拟合值和，预设拟合阈值采用相同的表示方式。预设拟合阈值的大小可以根据实际情况进行确定，本发明实施例对此不作限定。
61.在本发明的一示例中，所述预设拟合阈值为10％，令储备池可以快速调整随机权重，以使储备池的误差可以满足使用要求。
62.本发明实施例通过在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。通过在测试验证阶段利用储备池的时间演变计算出输出层数据，再将输入层数据和输出层数据基于岭回归确定出过拟合值，在拟合值过高时对储备池的随机权重进行调整，使得储备池的输出层得到优化，提高储备池的运行效率。
63.参照图2，示出了本发明的另一种储备池数据处理方法实施例的步骤流程图，所述储备池数据处理方法具体可以包括如下步骤：
64.步骤201，在测试验证阶段，获取输入层数据；
65.在基于储备池构建的神经网络模型完成训练，进入到测试验证阶段时，获取针对该神经网络模型进行验证测试的输入层数据。其中，输入层数据为针对该神经网络模型进行验证测试的测试数据集。
66.可以从存储该输入层数据的存储空间地址(区间)中获取。
67.步骤202，基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
68.当输入层数据进入储备池后，储备池内计算节点之间使用随机权重，节点之间利用随机稀疏连通性进行互连。输入和储备池的连接初始化后就固定了，可以基于储备池的随机权重，对输入层数据进行时间演变计算，引入时间矢量对动态系统进行分析，生成输出层数据。
69.在本发明的一实施例中，所述储备池的随机权重包括输入连通性权重矩阵、储备池连通性权重矩阵和输出权重矩阵；所述基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据的步骤具体包括如下子步骤：
70.子步骤s2021，获取输入时间矢量；
71.在本发明实施例中，储备池的随机权重可以包括输入连通性权重矩阵w
in
、储备池连通性权重矩阵w
res
和输出权重矩阵w
out
；通过输入连通性权重矩阵作为时间随机权重，储备池连通性权重矩阵作为输入过程中各节点的计算随机权重，输出权重矩阵作为输出层各节点的随机权重。
72.在进行时间演变计算时，可以从储备池中获取输入时间矢量，通过该输入时间矢量来对动态进行描述。
73.子步骤s2022，确定所述时间矢量与所述输入连通性权重矩阵的第一乘积值；
74.在本发明实施例中，可以确定时间矢量与输入连通性权重矩阵的第一乘积值。即将时间矢量与输入连通性权重矩阵相乘，得到的乘积即为第一乘积值。
75.子步骤s2023，确定所述输入层数据与所述储备池连通性权重矩阵的第二乘积值；
76.在本发明实施例中，确定输入层数据与储备池连通性权重矩阵的第二乘积值，即将输入层数据与储备池连通性权重矩阵相乘，得到的乘积即为第二乘积值。以对输入层的各计算节点进行计算。
77.子步骤s2024，基于所述第一乘积值和所述第一乘积值，确定储备池状态矢量；
78.得到第一乘积值和第一乘积值后，采用储备池在储备层中的传导函数，基于第一乘积值和第一乘积值作为传导函数的自变量，传导函数输出的因变量即为储备池状态矢量。
79.子步骤s2025，依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据。
80.将储备池状态矢量与输出权重矩阵进行结合，对输出层的计算节点进行处理，生成输出层数据。
81.具体地，所述依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据的步骤具体可以包括如下子步骤：
82.子步骤s20251，计算所述储备池状态矢量与所述输出权重矩阵的第三乘积值；
83.在实际应用中，可以将储备池状态矢量与输出权重矩阵相乘，计算得到第三乘积值，即第三乘积值为储备池状态矢量与输出权重矩阵的乘积值。
84.子步骤s20252，确定所述第三乘积值为所述输出层数据。
85.得到第三乘积值后，确定该第三乘积值为输出层数据。
86.综上，子步骤s2021～子步骤s2025采用公式说明即为：
87.x(t+1)＝f(w
res
·
x(t)+w
in
·
u(t))
88.y(t)＝w
out
·
x
′
(t)
89.其中，w
in
为输入连通性权重矩阵；
90.w
res
为储备池连通性权重矩阵；
91.w
out
为输出权重矩阵；
92.f是储备池节点的传递函数，通常是双曲正切，但也可以使用s形或线性函数；
93.x
′
(t)表示的常数1扩展的储备池状态矢量；
94.x(t)为输入层数据；
95.u(t)为时间矢量。
96.步骤203，对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
97.得到输出层数据后，可以对输入层数据和输出层数据进行回归，对输入层数据进行岭回归得到输入拟合值，对输出层数据进行岭回归得到输出拟合值。分别对输入层数据和输出层数据分析，确定处于储备池构建的神经网络模型的训练情况。
98.在实际应用于中，可以采用岭回归方法构建权重回归模型，预测防止机器学习过程中储备池输出数据与模拟输入数据过拟合。
99.具体地，所述对所述输入层数据进行岭回归得到输入拟合值的步骤可以包括如下子步骤：
100.子步骤s2031，将所述输入层数据进行正则化，得到输入正则值；
101.在对输入层数据进行岭回归时，可以首先对输入层数据进行正则化，得到输入正则值。以使输入层数据可以滤除因方向造成的噪声，使得输入拟合结果更加准确。
102.子步骤s2032，计算所述输入正则值与预设第一正则化项的和值，并确定所述输入正则值与所述预设第一正则化项的和值为所述输入拟合值。
103.得到输入正则值后，可以计算输入正则值和预设的第一正则化项的和值，即将输入正则值和预设的第一正则化项相加得到和值。并且确定为输入正则值和预设第一正则化项的和值，作为输入拟合值。
104.需要说明的是，该第一正则化项为回归过程中对输入层数据的惩罚损失函数对应的补偿值。本领域技术人员可以根据实际计算过程确定，本发明实施例对此不作限定。
105.具体地，所述对所述输出层数据进行所述岭回归得到输出拟合值的步骤可以包括如下子步骤：
106.子步骤s2033，将所述输出层数据进行正则化，得到输出正则值；
107.相应地，在对输出层数据进行岭回归时，可以首先对输出层数据进行正则化，得到输出正则值。以使输出层数据可以滤除因方向造成的噪声，使得输出拟合结果更加准确。
108.子步骤s2034，计算所述输出正则值与预设第二正则化项的和值，并确定所述输出正则值与所述预设第二正则化项的和值为所述输出拟合值。
109.得到输入正则值后，可以计算输入正则值和预设的第一正则化项的和值，即将输入正则值和预设的第一正则化项相加得到和值。并且确定为输入正则值和预设第一正则化项的和值，作为输入拟合值。
110.需要说明的是，该第一正则化项为回归过程中对输入层数据的惩罚损失函数对应
的补偿值。本领域技术人员可以根据实际计算过程确定，本发明实施例对此不作限定。
111.综上，子步骤s2031～子步骤s2034，采用公式对岭回归方法构建权重回归模型即：
112.||xθ-y||
2-||rθ||2113.r＝ai
114.θ(a)＝(x
t
x+ai)-1
x
ty115.其中，x＝输入；
116.y＝输出；
117.||＝正则；
118.θ为拟合超参数；
119.t是权重常量；
120.a是单位矩阵的权重；
121.θ(a)为a确定的情况下去求θ；
122.l是单位矩阵。
123.步骤204，依据所述输入拟合值和所述输出拟合值确定拟合差值；
124.得到输入层的输入拟合值和输出层的输出拟合值后，可以依据输入拟合值和输出拟合值计算出拟合差值，通过拟合差值确定是否存在过拟合。
125.具体地，所述依据所述输入拟合值和所述输出拟合值确定拟合差值的步骤可以包括如下子步骤：
126.子步骤s2041，计算所述输入拟合值和所述输出拟合值的第一差值；
127.在实际应用中，可以计算输入拟合值和输出拟合值的第一差值，即可以采用输入拟合值减去输出拟合值，得到第一差值；也可以采用输出拟合值减去输入拟合值，得到第一差值。
128.子步骤s2042，确定所述第一差值的绝对值为所述拟合差值。
129.计算第一差值的绝对值，避免输入拟合值和所述输出拟合值的方向引起的错误；确定第一差值的绝对值为拟合差值。
130.步骤205，当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值；
131.在本发明实施例中，可以采用拟合差值与预设过拟合阈值进行比较；当拟合差值大于预设过拟合阈值时，可以确定储备池过拟合，需要为储备池进行调整，可调整储备池的随机权重确定方式，直至拟合差值不大于过拟合阈值。
132.步骤206，当所述拟合差值不大于所述过拟合阈值时，确定所述储备池验证成功。
133.当拟合差值不大于过拟合阈值时，说明储备池不存在过拟合，储备池构成的神经网络模型的误差在可使用范围内，确定储备池验证成功，可以对该储备池进行使用。
134.本发明实施例通过在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值；当所述拟合差值不大于所述过拟合阈值时，确定所述储备池验证成功。通过在测试验证阶段利用储备池的时
间演变计算出输出层数据，再将输入层数据和输出层数据基于岭回归确定出过拟合值，在拟合值过高时对储备池的随机权重进行调整，使得储备池的输出层得到优化，提高储备池的运行效率。并且在确定储备池的过拟合值满足要求时，确定储备池验证成功，便于确定储备池的验证状态。
135.为了使本领域技术人员能够更好地理解本发明实施例，下面通过一个例子对本发明实施例加以说明：
136.参照图3，示出了本发明的一种储备池数据处理方法示例的示意图。
137.在本示例中，基于储备池构建的神经网络模型包括三部分：输入层、储备层和输出层。
138.首先获取输入层数据；
139.对储备池的输入层数据进行多批输入数据时间演变计算。当输入层数据进入储备池后，储备池内计算节点之间使用随机权重，节点之间利用随机稀疏连通性进行互连，输入层和储备层的连接初始化后就固定了，通常无须进行修改。通过输入层和储备层的计算得到输出层数据。
140.在进行岭回归之前，可以首先基于岭回归方法构建权重回归模型，通过权重回归模型预测防止机器学习过程中储备池输出数据与模拟输入数据是否过拟合。
141.将输入层数据输入至权重回归模型，得到输入拟合值；
142.将输出层数据输入至权重回归模型，得到输出拟合值；
143.判断输入拟合值和输出拟合值的差值是否大于10％(预设过拟合阈值)。
144.如果差值大于10％，则确定存在过拟合则，则需要对储备池计算中的节点之间使用随机权重进行更改。
145.需要说明的是，对于方法实施例，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，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，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，所涉及的动作并不一定是本发明实施例所必须的。
146.参照图4，示出了本发明的一种储备池数据处理装置实施例的结构框图，所述储备池数据处理装置具体可以包括如下模块：
147.获取模块401，用于在测试验证阶段，获取输入层数据；
148.演变模块402，用于基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
149.拟合模块403，用于对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
150.差值模块404，用于依据所述输入拟合值和所述输出拟合值确定拟合差值；
151.过拟合确定模块405，用于当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
152.在本发明的一可选实施例中，所述储备池的随机权重包括输入连通性权重矩阵、储备池连通性权重矩阵和输出权重矩阵；所述演变模块402包括：
153.第一获取子模块，用于获取输入时间矢量；
154.第一确定子模块，用于确定所述时间矢量与所述输入连通性权重矩阵的第一乘积值；
155.第二确定子模块，用于确定所述输入层数据与所述储备池连通性权重矩阵的第二乘积值；
156.第三确定子模块，用于基于所述第一乘积值和所述第一乘积值，确定储备池状态矢量；
157.第一输出子模块，用于依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据。
158.在本发明的一可选实施例中，所述第一输出子模块包括：
159.计算单元，用于计算所述储备池状态矢量与所述输出权重矩阵的第三乘积值；
160.输出单元，用于确定所述第三乘积值为所述输出层数据。
161.在本发明的一可选实施例中，所述拟合模块403包括：
162.第一正则子模块，用于将所述输入层数据进行正则化，得到输入正则值；
163.第一计算子模块，用于计算所述输入正则值与预设第一正则化项的和值，并确定所述输入正则值与所述预设第一正则化项的和值为所述输入拟合值。
164.在本发明的一可选实施例中，所述拟合模块403还包括：
165.第二正则子模块，用于将所述输出层数据进行正则化，得到输出正则值；
166.第二计算子模块，用于计算所述输出正则值与预设第二正则化项的和值，并确定所述输出正则值与所述预设第二正则化项的和值为所述输出拟合值。
167.在本发明的一可选实施例中，所述差值模块404包括：
168.第三计算子模块，用于计算所述输入拟合值和所述输出拟合值的第一差值；
169.第四确定子模块，用于确定所述第一差值的绝对值为所述拟合差值
170.在本发明的一可选实施例中，所述装置还包括：
171.验证模块，用于当所述拟合差值不大于所述过拟合阈值时，确定所述储备池验证成功。
172.本发明实施例通过在测试验证阶段利用储备池的时间演变计算出输出层数据，再将输入层数据和输出层数据基于岭回归确定出过拟合值，在拟合值过高时对储备池的随机权重进行调整，使得储备池的输出层得到优化，提高储备池的运行效率。
173.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
174.本发明实施例还提供了一种电子设备，包括：
175.处理器和存储介质，所述存储介质存储有所述处理器可执行的计算机程序，当电子设备运行时，所述处理器执行所述计算机程序，以执行如本发明实施例任一项所述的方法。具体实现方式和技术效果与方法实施例部分类似，这里不再赘述。
176.存储介质可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储介质还可以是至少一个位于远离前述处理器的存储装置。
177.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器
(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
178.本发明实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如本发明实施例任一项所述的方法。具体实现方式和技术效果与方法实施例部分类似，这里不再赘述。
179.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
180.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
181.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
182.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
183.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
184.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
185.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
186.以上对本发明所提供的一种储备池数据处理方法、装置、电子设备和存储介质，进
行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。