本发明涉及神经网络，更具体地说，本发明涉及一种自适应神经网络求解方法。
背景技术：
1、神经网络是一个由生物神经元组成的网络或电路，或者从现代意义上讲，是一个由人工神经元或节点组成的人工神经网络，因此，一个神经网络要么是由生物神经元组成的生物神经网络，要么是用于解决人工智能(ai)问题的人工神经网络，生物神经元的连接在人工神经网络中被建模为节点之间的权重，正的权重反映了兴奋性连接，而负值意味着抑制性连接，所有的输入都被一个权重修改并加总，这种活动被称为线性组合，最后，一个激活函数控制输出的振幅，例如，可接受的输出范围通常在0和1之间，也可以是-1和1，这些人工网络可用于预测建模、自适应控制和可通过数据集进行训练的应用，经验导致的自我学习可以在网络中发生，它可以从复杂的、看似不相关的信息集中得出结论。
2、现有技术中的神经网络求解方法在实际应用时，存在过拟合的问题，同时其泛化能力较弱，导致其适用范围小，这就导致现有技术中的神经网络求解方法实际应用效果不理想。
3、因此，需要一种自适应神经网络求解方法。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种自适应神经网络求解方法，使用随机梯度下降的方法，在模型训练过程中，随机选择单个样本，用其求梯度并作为本次下降的梯度，可以有效避免过拟合，并提高模型的泛化能力，同时l2正则化，对网络中参数施加惩罚，使模型更加稳健，防止过拟合，然后采用早停法，也可以有效避免过拟合，使得本发明的适用范围广，实际应用效果较为理想，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种自适应神经网络求解方法，包括以下步骤：
3、步骤一：准备数据，准备包含输入变量和相应的输出控制变量的数据集；
4、步骤二：构建神经网络模型，导入所需的库和模块，通过代码创建基本的神经网络模型，确定使用三个全连接的隐藏层，每层隐藏层的神经元数量为20，激活函数为relu，最后一个输出层无激活函数；
5、步骤三：编译模型，指定损失函数、优化器和评估指标；
6、步骤四：随机梯度下降，在模型训练过程中，随机选择单个样本，用其求梯度并作为本次下降的梯度；
7、步骤五：ridge回归，l2正则化，对网络中参数施加惩罚，使用tf.contrib.layers.l2_regularizer(regularizer)函数，损失函数为loss＝tf.keras.losses.mean_squared_error(y_true,y_pred)+tf.contrib.layers.l2_regularizer(regularizer)(w)；
8、步骤六：早停法监视，监视验证集的误差率，当验证集的误差率不再显著降低时，停止训练。
9、在一个优选的实施方式中，所述步骤三中编译模型指定的损失函数为均方误差。
10、在一个优选的实施方式中，所述步骤三中编译模型指定的优化器为adam。
11、在一个优选的实施方式中，所述步骤三中编译模型指定的评估指标为准确率。
12、在一个优选的实施方式中，所述步骤五中损失函数的w为模型的权重。
13、本发明的技术效果和优点：
14、本发明首先准备数据，准备包含输入变量和相应的输出控制变量的数据集，构建神经网络模型，导入所需的库和模块，通过代码创建基本的神经网络模型，确定使用三个全连接的隐藏层，每层隐藏层的神经元数量为20，激活函数为relu，最后一个输出层无激活函数，编译模型，指定损失函数、优化器和评估指标，损失函数为均方误差，优化器为adam，评估指标为准确率，随机梯度下降，在模型训练过程中，随机选择单个样本，用其求梯度并作为本次下降的梯度，ridge回归，l2正则化，对网络中参数施加惩罚，使用tf.contrib.layers.l2_regularizer(regularizer)函数，损失函数为loss＝tf.keras.losses.mean_squared_error(y_true,y_pred)+tf.contrib.layers.l2_regularizer(regularizer)(w)，w为模型的权重，早停法监视，监视验证集的误差率，当验证集的误差率不再显著降低时，停止训练，本发明使用随机梯度下降的方法，在模型训练过程中，随机选择单个样本，用其求梯度并作为本次下降的梯度，可以有效避免过拟合，并提高模型的泛化能力，同时l2正则化，对网络中参数施加惩罚，使模型更加稳健，防止过拟合，然后采用早停法，也可以有效避免过拟合，使得本发明的适用范围广，实际应用效果较为理想。
1.一种自适应神经网络求解方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自适应神经网络求解方法，其特征在于：所述步骤三中编译模型指定的损失函数为均方误差。
3.根据权利要求1所述的一种自适应神经网络求解方法，其特征在于：所述步骤三中编译模型指定的优化器为adam。
4.根据权利要求1所述的一种自适应神经网络求解方法，其特征在于：所述步骤三中编译模型指定的评估指标为准确率。
5.根据权利要求1所述的一种自适应神经网络求解方法，其特征在于：所述步骤五中损失函数的w为模型的权重。