[发明专利]残缺数据深度学习神经网络方法、装置、计算机设备及存储介质

说明书

本发明涉及一种残缺数据深度学习神经网络方法、装置、计算机设备及存储介质，方法包括：获取预先训练好的深度学习神经网络；从待预测数据中获取输入数据；根据所述输入数据和所述预先训练好的深度学习神经网络的输入变量确定至少一个缺少数据的输入变量；将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据；将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据。通过这种方式，能够在输入数据缺少数据的情况，仍然能够通过神经网络输出预测的输出变量，为研究工作提供数据支持，减少了输入数据检测和采集的成本。

技术领域

本发明涉及机器学习领域，特别是涉及一种残缺数据深度学习神经网络方法、装置、计算机设备及存储介质。

背景技术

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

传统技术中，神经网络包括用于深度学习的深度神经网络都是通过输入数据和输出数据对神经网络进行训练，然后在使用阶段将输入数据输入已经训练好的神经网络，从而得到输出数据。但是，在实际使用过程中，输入数据往往都不完整，因此传统技术的神经网络无法根据不完整的输入数据得到输出数据。

发明内容

基于此，有必要针对上述输入数据不完整无法获取输出数据的技术问题，提供一种残缺数据深度学习神经网络方法。

一种深度学习神经网络方法，包括：

获取预先训练好的深度学习神经网络；

从待预测数据中获取输入数据；

根据所述输入数据和所述预先训练好的深度学习神经网络的输入变量确定至少一个缺少数据的输入变量；

将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据；

将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据。

在其中一个实施例中，将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据，包括：

从输入变量范围知识库中检索出缺少数据输入变量对应的预设取值范围；其中，输入变量范围知识库预先存有所有输入变量对应的预设取值范围；或从所有训练输入数据中的每一训练输入数据中获取缺少数据输入变量的值，统计获取到的缺少数据输入变量的最大值和最小值，将从最小值到最大值之间的值范围作为缺少数据输入变量的预设取值范围；或提示并接受用户输入缺少数据输入变量的预设取值范围；

对缺少数据输入变量在对应的预设取值范围内随机地生成预定数量个值对缺少数据的输入变量进行预定数量次赋值；

其中，预定数量由用户输入或预先设置。

在其中一个实施例中，所述将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据，包括：

从样本数据库中随机选取预定数量个训练输入数据，然后提取这预定数量个训练输入数据中该输入变量对应的数据对缺少数据输入变量进行预定数量次赋值；

其中，预定数量由用户输入或将小于或等于样本数据库中输入数据的数量的P％作为预定数量，P小于或等于100，样本数据库中的输入数据都是完整的输入数据。