基于多模态极限学习机的预测方法、装置、设备及介质

1.本技术涉及大数据技术领域，尤其涉及一种基于多模态极限学习机的预测方法、装置、设备及介质。


背景技术：

2.随着机器学习的不断发展，目前出现了各种各样的机器学习方法，其中极限学习机模型可用于解决分类和回归问题，但是极限学习机模型的随机映射一直是一个难以解决的问题，也即训练过程中不同概率分布下采样得到的隐藏层不同，进而导致产生不同的预测性能，而在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的精度的稳定性。本发明可以应用于解决数据驱动的建模问题，例如图像分类、序列预测、地球物理、信用评价等等。
3.在申请号为cn201810811670.x的发明专利中，公开了一种融合多模态乳腺图像的计算机辅助参考系统及方法，其将提取的glcm、lbp、his纹理特征以及cnn深度特征进行串联融合，构建纹理-深度融合特征模型。这里的多种纹理特征即为多模态，适用于图像分类这种需要事先提取特征的领域。然而在很多领域，例如测井解释，其输入是具有实际物理意义的测井曲线值组成的特征，因此无法提取多种特征。在申请号为cn202110418142.x的发明专利中，公开了一种基于多模态机器学习的服务需求动态预测方法及系统，其分别对文本数据和图像数据进行特征提取，并进行特征共享，得到用户使用服务表达向量，这里的多模态是由文本和图像两种数据形式而产生的。在申请号为cn202110470704.5和cn202011191238.9公开的相关发明专利中，也有关于多模态的技术特征。但是，从已经公开的技术文献来看，其多模态机器学习是针对于多源异构数据本身。事实上，特征映射的不确定性也会带来多种模态，如果选择一种错误的模态将会导致学习精度下降，因此需要充分融合多模态以消除精度的不稳定性。


技术实现要素：

4.本技术的主要目的在于提供一种基于多模态极限学习机的预测方法、装置、设备及介质，旨在解决现有极限学习机模型中由于随机映射导致的精度不稳定的技术问题。
5.为实现上述目的，本技术提供一种基于多模态极限学习机的预测方法，所述基于多模态极限学习机的预测方法包括：
6.获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
7.依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
8.依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
9.计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
10.获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
11.本技术还提供一种基于多模态极限学习机的预测装置，所述基于多模态极限学习机的预测装置包括：
12.获取模块，用于获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
13.中间神经元构建模块，用于依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
14.复合特征构建模块，用于依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
15.核矩阵构建模块，用于计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
16.预测模块，用于获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
17.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于多模态极限学习机的预测方法的程序，所述基于多模态极限学习机的预测方法的程序被处理器执行时可实现如上述的基于多模态极限学习机的预测方法的步骤。
18.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于多模态极限学习机的预测方法的程序，所述基于多模态极限学习机的预测方法的程序被处理器执行时实现如上述的基于多模态极限学习机的预测方法的步骤。
19.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于多模态极限学习机的预测方法的步骤。
20.本技术提供了一种基于多模态极限学习机的预测方法、装置、设备及介质，相比于现有技术中当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选的技术手段，本技术获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元，实现了构建不同概率分布下的隐藏层的目的，进而依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵，实现了通过构建复合特征的方式，将不同概率分布下的若干神经元(隐藏层)融合为核矩阵的目的，使得核矩阵更加稳定可靠，且使得基于核矩阵和标签向量共同构建的极限学习机模型更加稳定可靠，进而获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。可实现基于更加稳定可靠的极限学习机模型进行预测的目的，克服了现有技术中在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的精度的稳定性的技术缺陷，解决了极限学习机模型中由于随机映射导致的精度不稳定的技术问题。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
22.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本技术基于多模态极限学习机的预测方法第一实施例的流程示意图；
24.图2为本技术实施例中基于多模态极限学习机的预测方法涉及的硬件运行环境的设备结构示意图。
25.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
26.为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
27.本技术实施例提供一种基于多模态极限学习机的预测方法，应用于联邦参与方，在本技术基于多模态极限学习机的预测方法的第一实施例中，参照图1，所述基于多模态极限学习机的预测方法包括：
28.步骤s10，获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
29.步骤s20，依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
30.步骤s30，依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
31.步骤s40，计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
32.步骤s50，获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
33.在本实施例中，需要说明的是，所述训练数据用于构建极限学习机模型，所述极限学习机模型为神经网络模型，所述神经网络模型至少包括一神经元，其中，所述神经元为组成神经网络的基本单元；所述神经元权重参数可以为神经元对应的输入权重向量以及神经元对应的输入偏置系数，所述训练数据至少包括一训练样本，一所述训练样本对应一样本标签，所述标签训练为基于各所述训练样本对应的样本标签构建的；所述概率分布为神经元权重参数的概率分布，其中，存在多组输入权重向量和输入偏置系数，每一组中输入权重向量和输入偏置系数均分别符合对应的概率分布，所述概率分布可以为正态分布。
34.步骤s10至步骤s50包括：获取各训练样本以及各概率分布下的输入权重向量和输入偏置系数，依据各所述训练样本对应的样本标签，构建对应的标签向量；根据神经元的定
义公式、各概率分布下的输入权重向量和输入偏置系数，构建每一所述概率分布下的若干中间神经元，其中，所述若干中间神经元构成神经网络的隐藏层；通过将训练样本分别输入各所述若干神经元，计算各所述训练样本共同在每一所述概率分布下的输出特征，将各所述输出特征融合为复合特征；计算所述复合特征对应的二阶特征，得到复合特征对应的二阶样本特征；根据所述二阶样本特征，计算极限学习机模型的核矩阵，根据所述核矩阵和所述标签向量，构建所述极限学习机模型；获取待预测样本，通过将所述待预测样本输入所述极限学习机模型，输出所述待预测样本对应的分类标签，以对所述待预测样本进行预测，将所述分类标签作为预测结果。
35.作为一种示例，步骤s10至步骤s50的具体实现过程如下：
36.s1：收集训练数据集，所述训练数据集至少包括一训练样本，训练样本d为训练样本的初始特征维度，训练样本对应的样本标签为d为训练样本的初始特征维度，训练样本对应的样本标签为表示实数域，设收集的训练样本有n个，则训练数据集为xi为第i个训练样本，yi为xi对应的标签，标签向量定义为y＝[y1,
…
,yn]
t
；
[0037]
下面举例说明数据集的实际含义：
[0038]
以图像分类为例，数据集有n张图像，即可以通过sift(scale-invariant feature transform，尺度不变特征变换)等常用特征提取方法提取出图片的特征向量作为样本，设分类目标有c个，则样本xi对应标签yi∈{1,
…
,c}，如果采用独热编码，yi可写为c维的向量yi，相应的标签向量y要写作标签矩阵的形式，即y＝[y1；
…
；yn]；如果需要以独热编码形式进行运算，在后面涉及的相关运算中将y替换为y即可。该任务是分类任务。
[0039]
以测井解释为例，每个深度上的测井曲线值即组成一个特征向量，即构造出来一个样本，如果一口井有n个深度点，即得到n个样本，其对应的标签为地质信息，例如孔隙度。该任务是回归任务。
[0040]
s2：设定m个不同的概率分布，也即为m个不同的概率分布，设定中间神经元数量z》0，设定降维后的样本的维度r》0；这里m个概率分布可以设定为具有不同均值、方差的正态分布，也可以设定为均匀分布、伯努利分布、二项分布、几何分布等多种概率分布；
[0041]
s3：随机生成z个输入权重向量和输入偏置系数记作w1,
…
,wz和b1,
…
,bz，然后根据预先设定的m个不同概率分布，可以得到m组
[0042]
{(wi，bi)，i＝1，...，z}
[0043]
进而定义
[0044][0045]
则训练样本x在第j种概率分布下激发的第i个中间神经元记作
[0046][0047]
其中，和分别表示第j种分布下随机生成的第i个输入权重向量和输入偏置系数；φ(x)表示中间神经元；
[0048]
s4：计算样本x的复合特征为：
[0049]
[0050]
其中，a(x)的第i个列向量进而计算样本x的二阶特征，即：
[0051][0052]
其中，‖
·
‖2表示2范数；
[0053]
s5：计算核矩阵其第i行第j列元素
[0054][0055]
其中，表示hadamard积，和为随机生成的矩阵，其元素为1或者-1，且生成正负1的概率相同；
[0056]
s6：将待预测样本输入到：
[0057][0058]
其中，表示的m-p广义逆，其中，的第i个元素为：
[0059][0060]
即为的预测结果，f为所述极限学习机模型。
[0061]
其中，需要说明的是，所述极限学习机模型可以为用于进行图像分类的机器学习模型，也即为图像分类模型，步骤s10至步骤s50包括：获取训练图像数据以及各概率分布下的神经元权重参数，并构建所述训练图像数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；依据各所述若干中间神经元，构建所述训练图像数据在各所述概率分布下的复合图像特征；计算所述复合图像特征对应的二阶图像特征，并构建所述二阶图像特征对应的核矩阵；获取待预测图像，依据所述核矩阵以及所述标签向量共同构建的图像分类模型，对所述待预测图像进行图像分类，得到图像分类结果。其中，所述训练图像数据至少包括一作为训练样本的图像。进而本技术实施例中构建不同概率分布下图像分类模型的隐藏层的目的，并通过构建复合图像特征的方式，将不同概率分布下的若干神经元(隐藏层)融合为图像分类模型的核矩阵，使得核矩阵更加稳定可靠，进而依据更加稳定可靠的核矩阵构建的图像分类模型进行图像分类，可避免在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的图像分类的精度的稳定性的情况发生，可提升利用极限学习机模型进行图像分类的精度稳定性。
[0062]
本技术实施例提供了一种基于多模态极限学习机的预测方法，相比于现有技术中
当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选的技术手段，本技术实施例获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元，实现了构建不同概率分布下的隐藏层的目的，进而依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵，实现了通过构建复合特征的方式，将不同概率分布下的若干神经元(隐藏层)融合为核矩阵的目的，使得核矩阵更加稳定可靠，且使得基于核矩阵和标签向量共同构建的极限学习机模型更加稳定可靠，进而获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。可实现基于更加稳定可靠的极限学习机模型进行预测的目的，克服了现有技术中在当前的极限学习机模型的训练过程中概率分布通常依靠经验进行手选，具有很大的不确定性，从而会影响极限学习机模型的精度的稳定性的技术缺陷，解决了极限学习机模型中由于随机映射导致的精度不稳定的技术问题。
[0063]
本技术实施例还提供一种基于多模态极限学习机的预测装置，所述基于多模态极限学习机的预测装置包括：
[0064]
获取模块，用于获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；
[0065]
中间神经元构建模块，用于依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；
[0066]
复合特征构建模块，用于依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；
[0067]
核矩阵构建模块，用于计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；
[0068]
预测模块，用于获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
[0069]
可选地，所述训练数据至少包括一训练样本，所述中间神经元构建模块还用于：
[0070]
利用以下公式，依据各所述神经元权重参数构建每一所述概率分布下的若干中间神经元：
[0071][0072]
其中，φ(x)为所述中间神经元，x为所述训练样本，w为所述输入权重向量，b为所述输入偏置系数，d为训练样本的特征维度；
[0073]
所述训练样本x在第j种概率分布下激发的第i个神经元记作
[0074][0075]
其中，和分别表示第j种概率分布下生成的第i个所述输入权重向量和生成的第i个所述输入偏置系数。
[0076]
可选地，所述训练数据至少包括一训练样本，所述复合特征构建模块还用于：
[0077]
利用以下公式，依据各所述若干中间神经元，构建所述训练数据在各所述概率分
布下的复合特征：
[0078][0079]
其中，a(x)为所述复合特征，其中，a(x)为所述复合特征，为所述训练样本x第m种概率分布下激发的第i个神经元，z为所述神经元权重参数在所述概率分布下的数量。
[0080]
可选地，所述训练数据至少包括一训练样本，所述核矩阵构建模块还用于：
[0081]
利用以下公式，计算所述复合特征对应的二阶样本特征：
[0082][0083]
其中，h(x)为所述二阶样本特征，a(x)为所述复合特征,m为所述概率分布的数量，x为所述训练样本。
[0084]
可选地，所述训练数据至少包括一训练样本，所述核矩阵构建模块还用于：
[0085]
利用以下公式，构建所述二阶样本特征对应的核矩阵：
[0086]
所述核矩阵中第i行第j列元素
[0087][0088]
其中，表示hadamard积，和为随机生成的矩阵，其元素为1或者-1，且生成正负1的概率相同，h(x)为所述二阶样本特征，x为所述训练样本，r＜＜m2，且r为训练样本降维后的维度。
[0089]
可选地，所述预测模块还用于：
[0090]
利用以下公式，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果：
[0091][0092]
其中，表示所述核矩阵的m-p广义逆，y为所述标签向量，为所述待预测样本，f为所述极限学习机模型，其中，
[0093][0094]
其中，为所述待预测样本对应的预测结果，xn所述待预测样本中第n个样本特征，表示为所述待预测样本对应的二阶样本特征，h(xi)为所述待预测样本中第i个特征对应的二阶特征，表示hadamard积，和为随机生成的矩阵，其元素为1或者-1，且生成正负1的概率相同，r＜＜m2，且r为训练样本降维后的维度。
[0095]
可选地，所述训练数据至少包括一训练样本，所述获取模块还用于：
[0096]
获取各所述训练样本对应的样本标签；
[0097]
对各所述样本标签组成的向量进行转置，得到所述标签向量，其中，计算得到所述标签向量的公式如下：
[0098]
y＝[y1，
…
，yn]
t
[0099]
其中，y为所述标签向量，y1至yn均为所述样本标签。
[0100]
本发明提供的基于多模态极限学习机的预测装置，采用上述实施例中的基于多模态极限学习机的预测方法，解决了极限学习机模型由于随机映射导致的精度不稳定的技术问题。与现有技术相比，本发明实施例提供的基于多模态极限学习机的预测装置的有益效果与上述实施例提供的基于多模态极限学习机的预测方法的有益效果相同，且该基于多模态极限学习机的预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0101]
本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于多模态极限学习机的预测方法。
[0102]
下面参考图2，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0103]
如图2所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此训练。输入/输出(i/o)接口也连接至总线。
[0104]
通常，以下系统可以连接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0105]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
[0106]
本发明提供的电子设备，采用上述实施例中的基于多模态极限学习机的预测方法，解决了极限学习机模型由于随机映射导致的精度不稳定的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的基于多模态极限学习机的
预测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0107]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0108]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
[0109]
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的基于多模态极限学习的预测的方法。
[0110]
本发明实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0111]
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
[0112]
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取训练数据以及各概率分布下的神经元权重参数，并构建所述训练数据对应的标签向量；依据各所述神经元权重参数，构建每一所述概率分布下的若干中间神经元；依据各所述若干中间神经元，构建所述训练数据在各所述概率分布下的复合特征；计算所述复合特征对应的二阶样本特征，并构建所述二阶样本特征对应的核矩阵；获取待预测样本，依据所述核矩阵以及所述标签向量共同构建的极限学习机模型，对所述待预测样本进行预测，得到预测结果。
[0113]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0114]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用
于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0115]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0116]
本发明提供的计算机可读存储介质，存储有用于执行上述基于多模态极限学习机的预测方法的计算机可读程序指令，解决了极限学习机模型由于随机映射导致的精度不稳定的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的基于多模态极限学习机的预测方法的有益效果相同，在此不做赘述。
[0117]
本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于多模态极限学习机的预测方法的步骤。
[0118]
本技术提供的计算机程序产品解决了极限学习机模型由于随机映射导致的精度不稳定的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的基于多模态极限学习机的预测方法的有益效果相同，在此不做赘述。
[0119]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。