基于贝叶斯神经网络的产业链完整性评估方法及装置

摘要: 本技术涉及产业链评估,特别涉及一种基于贝叶斯神经网络的产业链完整性评估方法及装置。背景技术:1、产业链的完整性不仅关系到企业的生产效率和产品质量,还直接影响到国...
基于贝叶斯神经网络的产业链完整性评估方法及装置

本技术涉及产业链评估,特别涉及一种基于贝叶斯神经网络的产业链完整性评估方法及装置。

背景技术:

1、产业链的完整性不仅关系到企业的生产效率和产品质量,还直接影响到国家经济的稳定和发展。相关技术中的产业链完整性评估方法主要依赖于专家经验和统计数据分析,但是,专家经验往往受到个人认知的局限,难以全面把握产业链的复杂性,且统计数据分析方法通常需要大量的数据支持,且难以捕捉产业链中的隐性关联关系。

技术实现思路

1、本技术提供一种基于贝叶斯神经网络的产业链完整性评估方法、装置及设备,以解决如何提高产业链完整性评估的准确性和效率等问题。

2、本技术第一方面实施例提供一种贝叶斯神经网络的产业链完整性评估方法,包括以下步骤:获取产业链的图数据;将产业链的图数据输入基于贝叶斯神经网络的预测模型,预测模型输出样本全图嵌入表示,其中,预测模型包括卷积层、归一化层、残差块、池化层、全连接层和输出模块,卷积层从产业链的图数据提取卷积结果,卷积结果经过归一化层和残差块输入全连接层,全连接层输出图数据属于各分类的相对概率值,输出模块将相对概率值转化为样本全图嵌入表示;根据样本全图嵌入表示评估产业链的完整性。

3、可选地,残差块包括多个卷积层、多个归一化层和多个relu。

4、可选地,在将产业链的图数据输入基于贝叶斯神经网络的预测模型之前,还包括:获取产业链完整性风险数据和样本标签;根据产业链完整性风险数据生成多个训练样本,根据多个训练样本和样本标签生成训练数据;利用训练数据对预测模型进行训练,在训练过程中,样本标签和预测模型的预测结果输入损失函数,损失函数输出训练损失;根据训练损失进行贝叶斯反向传播,以更新预测模型的网络参数,根据网络参数服从的概率分布进行随机采样,将采样结果作为当前训练的参数值进行预测模型的前向传播。

5、可选地,损失函数为:

6、loss=-elbo(q)

7、-elbo(q)=e[logq(θ)]-e[logp(d,θ)]

8、=e[logq(θ)]-e[logp(d∣θ)]-e[logp(θ)

9、其中,elbo(q)表示证据下界的负值,又被称为变分自由能,q(θ)表示模型参数θ的变分后验概率,p(d,θ)表示模型参数θ的实际后验分布,p(θ)表示模型参数θ的先验概率,e[logq(θ)表示模型参数θ的变分后验概率对应的证据下界,e[logp(d,θ)]表示模型参数θ的实际后验分布的证据下界,e[logp(θ)]表示模型参数θ的先验概率的证据下界。

10、可选地,根据训练损失进行贝叶斯反向传播,以更新预测模型的网络参数,包括:对训练损失重参数化得到多维标准;在多维标准正态分布下进行随机采样,得到模型参数组;基于正态分布的概率密度函数计算模型参数组的先验概率;基于在可学习的变分分布上的概率计算模型参数组的变分后验概率;基于似然函数计算和模型参数组计算狄利克雷分布;根据先验概率、变分后验概和狄利克雷分布更新预测模型的网络参数。

11、可选地,变分后验概率的计算公式为:

12、

13、其中,l表示神经网络模型参数的总数,θi表示第i个模型参数,n(μ,log2(1+eρ)表示正态分布,其中,μ表示均值,log2(1+eρ)表示预设正态分布的标准差。

14、可选地,变分后验概率的计算公式为:

15、

16、其中,n(μ,log2(1+eρ))表示正态分布,μ表示均值,log2(1+eρ)表示方差。

17、可选地,似然函数的公式为:

18、

19、其中,d表示观测数据集,α表示狄利克雷分布的浓度参数,yi表示输入样本标签,probi表示模型预测结果。

20、本技术第二方面实施例提供一种基于贝叶斯神经网络的产业链完整性评估装置,包括:获取模块,用于获取产业链的图数据;预测模块,用于将产业链的图数据输入基于贝叶斯神经网络的预测模型,预测模型输出样本全图嵌入表示,其中,预测模型包括卷积层、归一化层、残差块、池化层、全连接层和输出模块,卷积层从产业链的图数据提取卷积结果,卷积结果经过归一化层和残差块输入全连接层,全连接层输出图数据属于各分类的相对概率值,输出模块将相对概率值转化为样本全图嵌入表示;评估模块,用于根据样本全图嵌入表示评估产业链的完整性。

21、可选地,残差块包括多个卷积层、多个归一化层和多个relu。

22、可选地,基于贝叶斯神经网络的产业链完整性评估装置,还包括:训练模块,用于在将产业链的图数据输入基于贝叶斯神经网络的预测模型之前,获取产业链完整性风险数据和样本标签;根据产业链完整性风险数据生成多个训练样本,根据多个训练样本和样本标签生成训练数据;利用训练数据对预测模型进行训练,在训练过程中,样本标签和预测模型的预测结果输入损失函数,损失函数输出训练损失;根据训练损失进行贝叶斯反向传播,以更新预测模型的网络参数,根据网络参数服从的概率分布进行随机采样,将采样结果作为当前训练的参数值进行预测模型的前向传播。

23、可选地,损失函数为:

24、loss=-elbo(q)

25、-elbo(q)=e[logq(θ)]-e[logp(d,θ)]

26、=e[logq(θ)]-e[logp(d∣θ)]-e[logp(θ)

27、其中,elbo(q)表示证据下界的负值,又被称为变分自由能,q(θ)表示模型参数θ的变分后验概率,p(d,θ)表示模型参数θ的实际后验分布,p(θ)表示模型参数θ的先验概率,e[logq(θ)表示模型参数θ的变分后验概率对应的证据下界,e[logp(d,θ)]表示模型参数θ的实际后验分布的证据下界,e[logp(θ)]表示模型参数θ的先验概率的证据下界。

28、可选地,训练模块进一步用于对训练损失重参数化得到多维标准;在多维标准正态分布下进行随机采样,得到模型参数组;基于正态分布的概率密度函数计算模型参数组的先验概率;基于在可学习的变分分布上的概率计算模型参数组的变分后验概率;基于似然函数计算和模型参数组计算狄利克雷分布;根据先验概率、变分后验概和狄利克雷分布更新预测模型的网络参数。

29、可选地,先验概率的计算公式为:

30、

31、其中,l表示神经网络模型参数的总数,θi表示第i个模型参数n(0,σ2scale)表示正态分布,其中,0表示均值,σ2scale表示预设正态分布的标准差。

32、可选地,变分后验概率的计算公式为:

33、

34、其中,n(μ,log2(1+eρ))表示正态分布,μ表示均值,log2(1+eρ)表示方差。

35、可选地,似然函数的公式为:

36、

37、其中,d表示观测数据集,α表示狄利克雷分布的浓度参数,yi表示输入样本标签,probi表示模型预测结果。

38、本技术第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序,以实现如上述实施例的基于贝叶斯神经网络的产业链完整性评估方法。

39、由此,本技术包括如下有益效果:

40、本技术实施例采用预测模型将产业链图数据转化为图嵌入表示,并利用变分推断框架中的贝叶斯反向传播方法更新模型参数的概率分布,增强了模型处理复杂数据结构的能力,通过引入修正贝叶斯损失函数和狄利克雷分布浓度参数调整机制,有效解决了传统模型中由于狄利克雷分布浓度参数低导致的不确定性问题,从而显著提高了对产业链完整性风险评估的准确性。

41、本技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。