参数形式不相同；这样，通过将ANN预测算法和ANN分类算法同时使用，充分利用有限数据，减少了对大量训练样本量的需求，同时也能够提高神经网络算法的精度。
[0021]基于上述实施例，本申请另一实施例还提供了一种基于神经网络的预测系统，如图3所示，包括常规训练模块11，用于按照常规神经网络预测算法和常规神经网络分类算法对训练数据分别进行训练，分别得到预测模型和分类模型;测试模块13，用于将测试数据分别输入预测模型和分类模型，分别得到预测结果和分类结果;判断模块15，用于根据所得到的预测结果和分类结果的区间关系，确定预测结果的正确性；以及预测模块17，用于在确定出预测结果正确后，输出按所得的预测模型预测的预测结果。其中各模块的实现及其功能描述可参考前述例如图1和图2所示实施例的相关内容，在此不作重述。
[0022]通过以上描述可知，本申请实施例将ANN预测算法和ANN分类算法相互结合，相互印证，筛选出不一致的结果，可以在得到神经网络预测算法的预测结果和分类算法的分类结果的基础上，能够提高结果的准确性，实现提高神经网络算法的精度，同时这样还可以减少对训练样本量的需求，对于后续研究人员使用ANN算法进行科研将有重要的意义。进一步地，模型建立成功后，实际预测过程中，对同一个数据输入进行复制后再输入模型中，从而可获得多个预测值，对这些预测值去掉最大值和最小值，然后求平均值，作为最终的预测结果，进一步提高ANN算法的精度。
[0023]本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
[0024]以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。
【主权项】
1.一种基于神经网络的预测方法，其特征在于，包括: 常规训练步骤:按照常规神经网络预测算法和常规神经网络分类算法对训练数据分别进行训练，分别得到预测模型和分类模型； 测试步骤:将测试数据分别输入预测模型和分类模型，分别得到预测结果和分类结果； 判断步骤:根据所述预测结果和所述分类结果的区间关系，确定所述预测结果的正确性； 预测步骤:在确定出所述预测结果正确后，输出按所述预测模型预测的预测结果。2.如权利要求1所述的方法，其特征在于，所述判断步骤包括: 判断所述预测结果是否属于所述分类结果所在的区间， 如果所述预测结果不属于所述分类结果所在的区间，则丢弃当前的所述预测模型，按照所述常规神经网络预测算法重新训练预测模型； 如果所述预测结果属于所述分类结果所在的区间，则保留当前的所述预测模型。3.如权利要求2所述的方法，其特征在于，所述预测步骤中，在确定出所述预测结果正确后，直接输出所述预测结果； 或者，所述预测步骤包括:在确定出所述预测结果属于所述分类结果所在的区间后，对每一个测试数据进行复制，得到多个同一测试数据，将所述多个同一测试数据输入所述预测模型进行预测，得到多个预测值，对所述多个预测值去掉最大值和最小值后求取平均值，所述平均值作为最终的预测结果输出。4.如权利要求1所述的方法，其特征在于，在所述常规训练步骤中，应用于常规神经网络预测算法的训练数据和应用于神经网络分类算法的训练数据是同一组数据;所得到的分类模型和预测模型在建立时所使用的参数形式不相同。5.如权利要求1所述的方法，其特征在于，在所述常规训练步骤中，按照常规神经网络预测算法进行训练的训练数据的形式是直接采用的数值方式，按照常规神经网络分类算法进行训练的训练数据的形式是将数值按不同的幅值划分到不同区间，以将对应的区间数值应用于建立神经网络分类网络。6.一种基于神经网络的预测系统，其特征在于，包括: 常规训练模块，用于按照常规神经网络预测算法和常规神经网络分类算法对训练数据分别进行训练，分别得到预测模型和分类模型； 测试模块，用于将测试数据分别输入预测模型和分类模型，分别得到预测结果和分类结果； 判断模块，用于根据所述预测结果和所述分类结果的区间关系，确定所述预测结果的正确性； 预测模块，用于在确定出所述预测结果正确后，输出按所述预测模型预测的预测结果。7.如权利要求6所述的系统，其特征在于，所述判断模块具体用于判断所述预测结果是否属于所述分类结果所在的区间， 如果所述预测结果不属于所述分类结果所在的区间，则丢弃当前的所述预测模型，按照所述常规神经网络预测算法重新训练预测模型； 如果所述预测结果属于所述分类结果所在的区间，则保留当前的所述预测模型。8.如权利要求7所述的系统，其特征在于，所述预测模块用于在确定出所述预测结果正确后，直接输出所述预测结果;或者所述预测模块具体用于在确定出所述预测结果属于所述分类结果所在的区间后，对每一个测试数据进行复制，得到多个同一测试数据，将所述多个同一测试数据输入所述预测模型进行预测，得到多个预测值，对所述多个预测值去掉最大值和最小值后求取平均值，所述平均值作为最终的预测结果输出。9.如权利要求6所述的系统，其特征在于，在所述常规训练模块中，应用于常规神经网络预测算法的训练数据和应用于神经网络分类算法的训练数据是同一组数据;所得到的分类模型和预测模型在建立时所使用的参数形式不相同。10.如权利要求6所述的系统，其特征在于，在所述常规训练模块中，按照常规神经网络预测算法进行训练的训练数据的形式是直接采用的数值方式，按照常规神经网络分类算法进行训练的训练数据的形式是将数值按不同的幅值划分到不同区间，以将对应的区间数值应用于建立神经网络分类网络。
【专利摘要】本申请涉及基于神经网络的预测方法及系统，包括按照常规神经网络预测算法和常规神经网络分类算法对训练数据分别进行训练，分别得到预测模型和分类模型；将测试数据分别输入预测模型和分类模型，分别得到预测结果和分类结果；根据所述预测结果和所述分类结果的区间关系，确定所述预测结果的正确性；在确定出所述预测结果正确后，输出按所述预测模型预测的预测结果。本申请通过采用常规ANN预测算法与分类算法相结合，相互印证，筛选出不一致的结果，由此得到合适的预测模型，从而可以提高预测结果的准确性，并使得即使只有少量训练样本，由于结合了分类算法得到的分类结果予以判断，所以可以提高ANN算法的精度。
【IPC分类】G06N3/02, G06N3/08
【公开号】CN105469141
【申请号】CN201510810308
【发明人】雍珊珊, 王新安, 郭到鑫, 商亚洲, 彭然
【申请人】北京大学深圳研究生院
【公开日】2016年4月6日
【申请日】2015年11月20日