抽象性

农产品销售数据快速开发后,传统预测模型无法满足处理需求基于深学习理论,建议使用软max分类器改进ICM农产品销售预测模型引入稀疏自编码器ICM可减少特征损耗特征也可以提取此外,使用预处理模式基于模糊成员理论,我们可以获取农产产品销售考量和品位的模糊对应同时,进一步优化模型预测精度可以看出,基于改良ICM的农产品销售预测模型可实现农产品销售实时预测最大分类精度可达80.98%,这意味着它有一定实用应用值

开工相关工作

农产品是日常生活必需品随着销售平台的增加,农产品销售模式更加多样化,在线销售模式逐步成为农产品主流销售模式但由于产品特殊性,农产品保有严格架存寿命需要实现在线农产品销售平台的准确销售, 这对于在线农产品销售是一个紧迫问题。当前在线精度销售农产品主要通过浅层深学习网络模型同时,它从大规模农产品销售数据提取值信息预测销售趋势变化,帮助商家实时调整销售策略例举Grasman和Kornelis一号和德苏扎等[2Bass模型和农产品销售数据估计未来农产品销售量,实现库存管理并用置信区间处理并获取所需精度表达式和Cho等分析自服务基本特征同时还阐述了建设自服务网络营销系统的重要性和意义。因此,提出了新销售模式,将独立营销和在线定制结合起来商贸企业和消费者协作完成生产和销售,实现对消费者的精确服务3,4..Tsoumakas和Chen等通过审查视频销售和应用机器学习实现准确短期销售预测这使公司能最小化商店内盘点和过期产品同时,它帮助避免缺失销售5,6..Chen等Eric等在线销售预测农产品使用多任务递归神经网络7,8..浅层模型预测性能有限,因此无法实现农产品交易数据实时分析处理同时,考虑到农业销售数据逐日指数增长,半监督学习模型是预测快速增长数据的主要手段。论文选择半监督深学习模型作为农产品销售预测模型并推出超级帝国冠模型 基础ICM预测农产品销售

二叉基本方法

2.1.ICM模型简介

ICM模型是一个自编码网络模型,内含两层隐藏外加输入节点结构与预测时使用特征向量结构相同自编码网络模型只学习预测特征向量但不分类,该特征通过上层添加分类器使分类预测函数通常可选择ICM分类器实现分类效果并获取软max分类器和相应的概率值

如果输入样本集L级假设函数法用于分析每一种类型j大全归并不同分类概率值p=高山市y市=j#x)和假设函数可表示为[九九万事通 去哪儿 表示模型参数获取成本函数定义为10万事通

添加自编码网络软max分类,图中显示ICM模型结构一号.

训练ICM模型的步骤如下:

第一培训样本输入模型并用两层隐式训练进行不受监督训练样本无标签输出结果获取第二 无标签输出结果输入软max分类器同时标签样本用于训练软max分类器第三,某些函数的值解析,如隐层内核函数、重建误差函数、软max分类器成本函数和所有参数局部衍生物最后,使用从上述步骤获取的参数初始化模型参数并用BP算法解决最优参数问题,以便执行监督训练

2.2.改良ICM模型

从上述分析中可以看出,ICM模型很容易忽略原创非线性数据预测重建,这将影响预测结果为了解决这个问题,稀疏自编码器引入ICM并推荐改良ICM模型

稀疏自编码法不受监督学习线性向量表示方式可用一套基础向量实现 输入矢量中11:

从公式中可以看到(3)k表示输入节点数 表示线性相关系数

隐藏层单元平均激活值j大全正向12万事通

来 ,m=k; 表示隐层单元激活量X级.

设置稀疏参数华府.... ,并使用KL优化惩罚因子,如公式5)隐层神经元活动 近距离控制华府.

稀疏自编码网络的全球成本函数13万事通 去哪儿 表示惩罚系数,值越大,惩罚强度越强来 表示全局损函数可用公式计算7) 负责避免超配14..

表示单元函数 :

输出错误可用公式获取8)

从公式中可以看到它8)该 表示输出层出错; 表示活动函数

隐藏层元误差

SICM模型引入稀疏自编码器实施如下:步骤1.随机分类所有数据 训练数据集测试数据集步骤2.标签测试数据集并随机选择某些数据训练SICM模型余下数据还用于验证经改进的ICM模型步骤3.使用重复实验法确定稀疏自编码网络中隐藏层和图层节点步骤4.选择培训数据集为稀疏自编码网络输入矢量 非监督预培训并输入标签和无标签数据为软max分类器培训步骤5.采行BP算法调和网络参数可获取全局最优参数从公式中可以看到(12)时 ,权衰变函数激活,以更新权重15..

公式显示 表示学习速率16..

权值更新公式可表示为

来 =0表示初始值,权值可按公式获取14)和(b)15)[17..

图中可表示上述过程2.

3级销售预测农产品基于改进ICM

3.1.建楼改进ICM模型

3.1.1参数选择

改良ICM模型参数由农产品销售因素特征变量选择文献显示18号影响农产品销售的特征变量主要包括农产品属性参数、购买者个人因素和促销渠道形成的九维特征矢量因此,本研究中改良ICM模型参数使用 表示九维输入矢量,用于特征学习预处理向量表示 .

3.1.2分类设计

改良ICM模型分类器使用ICM模型软max分类器软max分类器成本函数非约束凸式函数,很容易归到局部最优性19号..因此,本文为成本函数添加权值减值术语并处罚权值过大参数,以便参数很容易归并到全局最优成本函数加加权减值术语可表示为[20码万事通

最优参数值通过最小化获取 ,分类器可用于改良农品销售预测ICM模型

3.1.3模型结构

改良ICM模型有两部分用于农产品销售预测,即数据预处理和深学习网络图中显示特定结构3.输入矢量模型指预处理数据X级输入单元号SAEN级+1N级表示变量和1表示偏移通过处理隐层输入矢量,可获取特征矢量分类SAE只挖掘样本特征向量深度以获取隐藏层权值参数软max分类器需要分类处理隐藏层数据以便获取所有深度特征21号..软max分类器加到模型顶层以获取完全改良ICM模型输出矢量Y级即模型农产品销售预测结果

3.2农产品销售预测过程

改良ICM模型应用到农产品销售预测第一,农产品销售数据预处理稀疏自编码网络还选择非标签农产品销售数据中具有常见特征的表示样本,以便实现自适应特征提取后使用标签和无标签数据训练分类器分类农产品销售水平此外,每一层参数均按回向转换算法和严格凸函数调整以获取全局最优参数值精确分类预测改善ICM模型,实现农产品销售预测最后数据输入预测模型 输出数据为预测结果图中显示基于改良ICM的具体农产品销售预测过程4.

4级模拟实验

4.1.模拟环境数据源

4.1.1.实验环境构造和数据采集

实验模拟64位Windows7系统并编译i386平台爬虫技术从陶保鸡蛋交易数据获取5000套数据每一组数据包括20个样本

4.1.2.数据预处理

计有噪声、不完全性和前后不一致性原创数据,本文对实验前原创数据进行规范化、零相片分解和模糊预处理(1)规范化:对实验数据进行规范预处理,减少数据极化对最终预测结果的影响,如下公式显示[22号: 去哪儿X级_N级表示总样本属性总参数的权重;Z级表示总样本并Y级_N级表示特征向量样本加总数N级属性化(2)零相位组件分析:对归正数据进行零相位组件分析M级样本数据选择将原创数据转换为矩阵X级_一号=V级_一号.单样本维度设为9并用数据集执行ZCA白化处理具体进程显示如下:一集 算矩阵原创数据 .G级表示矩阵规范后 ,并平均值G级矩阵为02计算样本共变矩阵 联想G级获取相应的igenvalues和igenters并按大小排序egenvalue表示 ,并对应生成者 .3乘法 并 获取旋转矩阵23号: 旋转矩阵属性值与单元变异 单位差乘取旋转矩阵中每个属性 带单行元素 内 ,表示所得矩阵 ,去哪儿 用于替换 ,处理数值波动或溢出现象 方法04ZCA白化处理结果如下: 3级模糊处理:通过模糊成员资格理论对数据进行模糊处理,因此获取的数据可用于实验中基于模糊处理法如下:1let .时间矢量V2表示采集样本数据时间与系统时间之间的距离数据随机选择,权值标记数据状态不同 哪里TS_N级表示当前系统处理和TS时间_C级表示数据样本采集时间时间标签格式为年月日使用模糊子权系数法处理时间权值并使用专家评论集法在不同距离设置样本数据权值 3 确定成员功能集成 权值预测中获取的V2中TS的每一项数据,即 .可见因子设置V3判断集Y级和权值矩阵K级选择成员函数 来X级表示V3中的特征矢量;t级表示值 插件内X级脱机和ab/可由不同特征属性判定4通过应用获取V3 步骤1和输入矢量 SAE二步应用V3获取如下:

实验数据可最终通过上述预处理获取表格显示部分数据一号.

从改进ICM模型预测过程可以看出,一部分样本数据被用于培训自编码网络,以获取内核函数、成本函数和衍生函数并使用样本数据的一部分训练软max分类器预处理实验数据应划分为特征学习和分类学习3000样本从实验数据集随机选择为特征学习子集,1000样本选择为分类学习子集,包括600软max分类训练集和400测试集

4.2参数设置

4.2.1.隐层测定

隐藏层设置为1+10并输入500组样本以获取模型分类精度24码上图显示5.图显示,如果隐藏层数小于3,模型分类精度将随着隐藏层的增加逐步提高隐藏层数大于3时模型分类精度不会随隐藏层的增加而变化表示当有3层隐藏时 模型达到了最优分类精度隐藏层数设置为3

4.2.2.2判定隐藏层单位数

迭代为100,隐藏层为3,宽度参数为0.05同时输入1200组数据并增加3层隐藏单元之比3:22,结果显示在图中6.此处隐藏层单元二层和三层修改时,分类精度相应修改单层隐藏为6、4和4时模型分类精度最高隐藏层单元分别设为6、4和4

4.3评价索引

精度和回召用于评价本文模型分类性能,虚正率和虚负率用于评价风险公式显示具体计算方法25码)–(28码)

4.4.4实验结果

4.4.1.模型性能验证

改良ICM用于对不同尺寸的实验数据集分类,分类精度与SVM和软max分类器比较结果显示表2.表显示,随着数据规模的增加,分类精度和召回每种模型,并相应增加分类时间与SVM和软max分类器相比,改进ICM在同一数据尺度下有更高精度和较短分类时间此外,随着数据规模的增加,优势变得更加明显高分类精度可以实现,分类预测优劣度显而易见,因此,拟建模型自学能力强可变大规模农产品销售数据

校验优化前后拟模型分类精度,本文中模型优化前后分类精度取决于迭代数,表显示3.表显示,拟模型优化前分类精度为62.98%,优化后分类精度80.98%,增加18%因此,分类精度可提高微调模型

4.4.2.模型比较

改良ICM模型用于分类和预测从实验样本随机选取的4000套数据,以验证拟模型处理模糊信息的能力。两位模型的虚正反差通过比较分类结果和ICM模型获取,图中显示7.图显示,虚正率和虚负率建议模型明显比内存模型低,这表明拟议的模型可以通过模糊预处理提高模型分类和识别能力。

为了进一步验证经改进的ICM模型分类性能,经改进的ICM模型和ICM模型用于不同数据尺度分类,表显示4.表显示,改良ICM模型在不同数据尺度下比ICM模型分类精度、回溯和分类时间索引更好同时,随着数据规模的增加,这种优势变得更加明显原因是经改进的ICM模型采用稀疏自编码并基于ICM模型以尽量减少数据特征损耗与ICM自编码器相比,经改进ICM模型有更强的特征学习能力此外,模糊成员学位理论加进经改进ICM模型的数据预处理解决ICM模型忽略影响因素与农产品销售品级间模糊对应的问题改良ICM模型高于ICM模型分类预测农产品销售

5级结论

简言之,基于深学习的农产品销售预测法使用稀疏自编码以尽可能减少数据特征损耗同时,我们使用预处理农产品销售数据 基础模糊成员理论 构建改良ICM分类预测模型与ICM模型SVM和软max分类器相比,模型提高销售预测精度当隐藏层数为3和隐藏层数为6、4和4时,模型最大分类精度可达80.98%,可用于预测农产品的实际销售量虽已取得一些成绩,但仍有一些缺陷,例如数据样本采集有限、数据小和没有用噪音验证数据处理能力下一步是进一步讨论经改进的内存大规模数据分类和预测性能,使模型具有更强的普遍性

数据可用性

实验数据支持本研究的结果,可应请求从相关作者处获取。

利益冲突

作者声明不存在利益冲突

感知感知

这项研究部分由农村振兴背景下少数民族地区文化与旅游产业开发研究赞助(2021-GMB-020)。