[发明专利]一种基于支持向量机和卷积神经网络联合的智能定价系统

权利要求书

1.一种基于支持向量机和卷积神经网络联合的智能定价方法，其特征在于，包含以下步骤：

A、采用支持向量机模块通过数据预测未来生鲜的价格；

B、采用卷积神经网络模块来判断生鲜所在等级；

C、将步骤A和B中两个模块预测结果结合，数据进行整理，最后所得数据通过电子标签系统进行显示。

2.根据权利要求1所述的一种基于支持向量机和卷积神经网络联合的智能定价系统，其特征在于，所述步骤A具体是：通过搭建深度信任SVR模型网络，网络由一层高斯分布函数显层节点的RBM、多层隐层RBM和一层SVR模型构成。模型在预训练过程中，输入层的数据联合分布及显隐层条件分布的计算方式其中：Z＝∫∑_hexp(-E(v，h；θ))dv；

中间层为传统的RBM信息转换，即(显层)伯努利-(隐层)伯努利RBM数据转换，其能量函数定义为；

式中：θ为给定模型参数，w_ij表示显层节点v_i和隐层节点h_j之间的关联权值，b_i为显层节点偏移量，α_j为隐层节点偏移量，i为显层结构的节点数，j表示隐层结构的节点数；

RBM显层和隐层节点对应的条件概率定义为：

其中：利用对数似然概率logp(v：θ)的梯度，RBM权值更新公式为：Δw_ij＝E_data(v_ih_j)-E_model(v_ih_j)，

式中：E_data(v_ih_j)为训练数据集的期望，E_model(v_ih_j)为模型中定义的期望；

通过支持向量机，首先需要进行数据采集，如生鲜两年内早中晚的价格数据、销售数据、人流信息、产量、需求信息、城镇人口、人均GDP等进行数据统计。将数据按照年份分为两组，前一年作为训练样本，后一年作为预测样本进行生鲜价格预测系统框架搭建，搭建的生鲜价格预测系统模型训练生成部分采用离线训练，通过事先对模型及训练数据进行训练拟合生成相关模型参数，预测的过程在线完成，即利用离线训练成熟的模型进行在线预测，可以大大提高系统的实时性和稳定性。通过模型完成接下来年份的预测，最终得到以后年份早中晚各种生鲜的价格。

3.根据权利要求1所述的一种基于支持向量机和卷积神经网络联合的智能定价系统，其特征在于，所述步骤B具体是：在早、中、晚对各种生鲜进行大量拍摄，从中选取多张生鲜质量最好的，再选取多张质量稍差的和再差一些的多张，最后选取多张质量无法售卖的，所选张数相同，将这4类分成4组进行训练。训练过程如最好的质量的，选取多张作为训练组，多张作为校正组，多张作为预测组进行训练，所选张数相同，最终完成4组等级分组训练。然后在生鲜区安装摄像头，在早中晚改价前进行识别分类，确定生鲜分在哪组；要完成最终价格智能更改，需要将支持向量机预测模型得到的每天3个价格与卷积神经网络得到4种分类相结合，早上的价格分配给质量最好的一类，中午价格分配到稍差的一组，晚上价格分配到质量更差的一组，第四组质量的出现即进行丢弃处理。