一种基于CNN-GRU模型的实时策略游戏中稀疏指令的预测方法与流程

技术特征：
1.一种基于cnn
‑
gru模型的实时策略游戏中稀疏指令的预测方法，其特征在于，它包括以下步骤：步骤1：收集游戏平台产生的对战数据；步骤2：对收集到的对战数据进行清理，剔除冗余数据；步骤3：提取出数据中己方、敌方信息相关特征因素，并对获取到的数据进行数据处理；步骤4：进行cnn
‑
gru网络模型的构建，并采用所构建的网络模型进行指令类型的预测。2.根据权利要求1所述的方法，其特征在于，在步骤2中，具体包括以下步骤：1)将从步骤1获取到的对战数据中进行状态信息的提取，同时提取标签信息，其中标签分为两大类一类是空白指令，一类是有效指令；2)剔除掉不符合规范的推演数据；3)删除掉不必要的特征。3.根据权利要求1所述的方法，其特征在于，在步骤3中，对获取到的数据进行min
‑
max归一化，然后采用pca主成分分析法对输入的特征向量进行降维处理；具体的，包括以下步骤：步骤1)构建每一个时间步的输入，所有的时间步组成一个完整的时间序列也就是一场游戏对战的过程；步骤2)把按时间顺序提取到的信息进行补齐操作，使用手工的方式将每一个时间点的向量维度补成相同的长度；步骤3)进行数据的归一化处理，归一化的公式如下：x'
ij
为x
ij
归一化之后的数值，x
ij
是第i列第j维特征，x
i
是第i列特征，min(x
i
)是第i列的所有维度中的数值的最小值，max(x
i
)是第i列所有维度中的数值最大值；步骤4)对上述数据使用pca主成分分析法对数据进行降维处理。4.根据权利要求1所述的方法，其特征在于，在步骤4中，具体包括以下步骤：1)构建卷积神经网络，提取游戏状态特征，生成特征矩阵，卷积神经网络模型的更新公式如下：x
t
＝σ
cnn
(w
cnn
⊙
x
t
b
cnn
)x
t
表示当前状态和动作特征，w
cnn
表示过滤器的权重，b
cnn
表示偏差参数，σ
cnn
是激活函数；2)使用门控循环网络(gru)提取时间序列的依赖特征：gru重置门：r
t
＝σ(w
r
x
t
u
r
h
t
‑1 b
r
)gru更新门：z
t
＝σ(w
z
x
t
u
z
h
t
‑1 b
z
)σ为sigmoid函数，w、u和b为权重和偏置项，x
t
即为卷积神经网络的输出，h
t
‑1为上一个状态所传递下来的信息；更新门和重置门确定历史节点信息对当前节点信息的贡献程度；上一状态信息经过重置后，通过权重和偏置项与当前输入进行聚合更新以形成当前时
刻状态：刻状态：为当前时刻t的候选隐藏状态；w、u和b为权重和偏置项，x
t
为卷积神经网络的输出，r
t
为重置门，h
t
‑1为上一状态的信息；tanh激活函数将数据缩放至
‑
1到1的范围内；最后计算出当前时刻的隐藏状态：h
t
为当前隐藏状态信息，z
t
为更新门，h
t
‑1为上一个状态所传递下来的信息；3)使用dropout对隐藏层节点进行随机丢弃，从而防止过拟合，其计算公式如下：3)使用dropout对隐藏层节点进行随机丢弃，从而防止过拟合，其计算公式如下：bernoulli函数是随机生成一个概率的向量，也就是以一个概率为p的伯努利分布随机地生成与节点数相同的0、1值；4)将经过dropout层之后的gru网络的输出映射到线性空间时，采用以下公式：f1为多层感知机(mlp)5)将多层感知机的输出作为softmax函数的输入来进行标签预测；w为权重，b为偏置项，h
v
为多层感知机的输出，为预测的标签；6)使用带权重的交叉熵函数最小化损失；计算公式如下：计算公式如下：w
j
是权重；m为类别的数量，y
ij
为指示变量，取值为0或1，如果样本i的真实类别与j相同，此时y
ij
取值为1，否则取值为0；为样本i属于类别j的预测概率；是第j类样本类型的样本数量；其中w
j
的计算公式如下：w
j
为第j类类别的权重，n
classes
是数据集中所有类型种类数量，n
samples
是数据集中的样本总数；由以上步骤建立cnn
‑
gru网络模型。5.根据权利要求1所述的方法，其特征在于，它还包括步骤5：将数据分成多份进行交叉
验证，从而选择出更好的超参数。6.一种cnn
‑
gru网络模型的构建方法，其特征在于，它包括以下步骤：步骤一：构建卷积神经网络，提取游戏状态特征，生成特征矩阵，这里卷积神经网络使用多个卷积核，不同的卷积核关注不同的特征；步骤二：使用门控循环网络(gru)提取时间序列的依赖特征；步骤三：使用dropout技术防止过拟合现象；步骤四：使用多层感知器将门控循环神经网络的输出映射到线性空间；步骤五：使用softmax函数进行标签的预测；步骤六：使用带权重的交叉熵函数最小化损失；采用以上步骤建立cnn
‑
gru网络模型。7.根据权利要求6所述的方法，其特征在于，在步骤一中，构建卷积神经网络，提取游戏状态特征，生成特征矩阵，其计算公式如下：x
t
＝σ
cnn
(w
cnn
⊙
x
t
b
cnn
)；x
t
表示当前状态和动作特征，w
cnn
表示过滤器的权重，b
cnn
表示偏差参数，σ
cnn
是激活函数；在步骤二中，使用门控循环网络(6ru)提取时间序列的依赖特征：gru重置门：r
t
＝σ(w
r
x
t
u
r
h
t
‑1 b
r
)gru更新门：z
t
＝σ(w
z
x
t
u
z
h
t
‑1 b
z
)σ为sigmoid函数，w、u和b为权重和偏置项，x
t
即为卷积神经网络的输出，h
t
‑1为上一个状态所传递下来的信息；更新门和重置门确定历史节点信息对当前节点信息的贡献程度；上一状态信息经过重置后，通过权重和偏置项与当前输入进行聚合更新以形成当前时刻状态：刻状态：为当前时刻t的候选隐藏状态；w、u和b为权重和偏置项，x
t
为卷积神经网络的输出，r
t
为重置门，h
t
‑1为上一状态的信息；tanh激活函数将数据缩放至
‑
1到1的范围内；h
t
为当前隐藏状态信息，z
t
为更新门，h
t
‑1为上一个状态所传递下来的信息。8.根据权利要求6所述的方法，其特征在于，在步骤三中，使用dropout对隐藏层节点进行随机丢弃，从而防止过拟合时，采用以下步骤：使用dropout防止过拟合：使用dropout防止过拟合：bernoulli函数是随机生成一个概率的向量，也就是以一个概率为p的伯努利分布随机地生成与节点数相同的0、1值。9.根据权利要求6至8其中之一所述的方法，其特征在于，在步骤四中，将经过dropout
层之后的gru网络的输出映射到线性空间时，采用以下公式：f1为多层感知机(mlp)。10.根据权利要求9所述的方法，其特征在于，在步骤五中，将多层感知机的输出作为softmax函数的输入来进行标签预测时，采用以下方式：w为权重，b为偏置项，h
v
为多层感知机的输出，为预测的标签；在步骤六中，在使用带权重的交叉熵函数最小化损失时；计算公式如下：计算公式如下：w
j
是权重；m为类别的数量，y
ij
为指示变量，取值为0或1，如果样本i的真实类别与j相同，此时y
ij
取值为1，否则取值为0；为样本i属于类别j的预测概率；是第j类样本类型的样本数量；其中w
j
的计算公式如下：w
j
为第j类类别的权重，n
classes
是数据集中所有类型种类数量，n
samples
是数据集中的样本总数。

技术总结
一种基于CNN


技术研发人员：郭鸿村 臧兆祥
受保护的技术使用者：三峡大学
技术研发日：2021.07.05
技术公布日：2021/11/4