[发明专利]一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法

权利要求书

1.一种一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法，其特征在于，包括以下步骤：

根据拥抱机的不同规格选择影响用户体验的决策参数；

利用用户体验测试系统采集不同决策参数的用户体验结果，构建建模样本集；

将构建的建模样本集进行归一化处理，获得归一化样本集；

根据所述归一化样本集构建GR神经网络模型；

根据所述用户体验测试系统所得到的数据对GR神经网络进行训练，获取神经网络参数；

利用免疫算法对GR神经网络模型进行优化。

2.如权利要求1所述的一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法，其特征在于，

所述决策参数包括，滚筒颜色x₁，滚筒材质x₂，滚筒宽度x₃，滚筒直径x₄，机架长度x₅，机架宽度x₆，机架高度x₇；

输入矩阵X的获得方法包括以下步骤：

第一步：对决策参数数据进行处理，采用数字代码标识决策参数数据；

第二步：构建输入参数矩阵其中，n代表用户数量，i代表每一个用户所对应的拥抱机参数数据，i＝1，2,3,4,5,6,7，分别对应滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长度、机架宽度、机架高度参数数据；

第三步：构造新的矩阵

第四步：计算出矩阵M的特征值，输入矩阵由其特征值构成

3.如权利要求1所述的一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法，其特征在于，采用以下公式获取输出结果Y，

其中，n代表用户数量。

4.如权利要求1所述的一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法，其特征在于，

构建的GRNN模型方程式如下：

其中，表示所有样本观测值Y_i的加权平均；Y_i表示观测值；X网络输入变量；X_i表示第i个神经元对应的学习样本；σ表示网络扩展因子。

5.如权利要求1所述的一种基于GRNN模型的自闭症拥抱机智能设计建模与决策参数优化方法，其特征在于，

所述根据所述归一化样本集构建GR神经网络模型包括以下步骤，

第一步：设置网络扩展因子的取值范围[σ_min,σ_max]，设置σ的取值间距Δh；

第二步：取σ₀＝σ_min，采用样本集A作为训练样本构建GRNN模型，B作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E₁，并令E_min＝E₁，令最佳训练样本集为A；

第三步：取σ₀＝σ_min，采用样本集B作为训练样本GRNN模型，A作为测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集A的预测值与实际值的误差E₂，若E₂＜E₁，则并令E_min＝E₂，令最佳训练样本集为B；否则E_min＝E₁，最佳训练样本集仍为A；

第四步：取σ₁＝σ_min+Δh，重复第二步和第三步过程，如果出现E小于第二步或者第三步中的E_min，则σ₁优于σ₀；否则最佳的网络扩展因子取值仍为σ₀；

第五步：在[σ_min,σ_max]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。