本技术涉及数据处理，尤其涉及一种车联网数据分类模型的训练方法、装置、设备、存储介质及产品。
背景技术：
1、随着汽车产业与信息技术的深度融合以及物联网技术的迅速发展，车联网也得到了突飞猛进的发展。车联网是指将车辆与互联网连接起来，实现车与车、车与路、车与环境之间的信息交流和共享的一个系统。这一技术的发展，让车辆不再是封闭的移动单位，而是成为一个能够实时接收、发送和处理信息的智能节点。
2、而随着车联网应用场景的复杂性增加，对车联网数据的处理和分析需求也随之增长。在现有技术中，存在基于预设机器学习算法进行数据处理的方法，但传统的数据处理方法在面对大规模、高维度、时变性强的车联网数据时存在种种问题。由于现有的机器学习模型处理大规模车联网数据时，无法处理大量车联网数据中带有的噪声干扰，且在处理种类繁多的车联网数据时泛化能力不强，因此最后模型对车联网数据分类的准确性不佳。
技术实现思路
1、本技术实施例提供一种在车联网数据分类模型的训练方法、装置、设备、存储介质及产品，能够提高训练得到的模型对车联网数据分类的准确性。
2、第一方面，本技术提供车联网数据分类模型的训练方法，所述车联网数据分类模型包括霍普菲尔德网络层和回声状态网络层，所述方法包括：
3、获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签；
4、对每个训练样本，分别执行以下步骤：
5、将所述车联网数据输入至所述霍普菲尔德网络层中，得到目标记忆模式数据；
6、将所述目标记忆模式数据和对应的所述车联网数据输入至所述回声状态网络层，确定所述车联网数据对应的分类结果；
7、根据所述目标记忆模式数据以及对应的车联网数据，确定所述霍普菲尔德网络层的能量函数值；
8、根据所述分类结果以及对应的分类标签，确定所述回声状态网络层的损失函数值；
9、判断所述霍普菲尔德网络层的能量函数值以及所述回声状态网络层的损失函数值是否满足预设训练停止条件；
10、若不满足，调整所述车联网数据分类模型的模型参数，并利用所述训练样本集训练调整后的车联网数据分类模型，直至满足所述预设训练停止条件，得到训练后的车联网数据分类模型。
11、在一些可能的实现方式中，根据所述分类结果以及对应的分类标签，确定所述回声状态网络层的损失函数值，包括：
12、计算所述分类结果与对应分类标签的差值；
13、根据所述差值的平方，确定所述回声状态网络层的损失函数值。
14、在一些可能的实现方式中，所述将所述目标记忆模式数据和对应的所述车联网数据输入至所述回声状态网络层，确定所述车联网数据对应的分类结果，包括：
15、计算所述目标记忆模式数据与所述回声状态网络层对应的权重参数的第一乘积；
16、计算所述车联网数据与所述回声状态网络层对应的权重参数的第二乘积；
17、根据所述第一乘积和所述第二乘积，得到回声状态网络层的隐藏层输出；
18、计算所述隐藏层输出与所述回声状态网络层的输出权重的乘积，得到所述车联网数据对应的分类结果。
19、在一些可能的实现方式中，在所述获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签之前，所述方法还包括：
20、获取原始车联网数据；
21、将所述原始车联网数据输入预设特征提取网络，进行特征提取，得到所述原始车联网数据的数据特征，所述预设特征提取网络为通过放射性原理优化算法训练得到的；
22、将所述数据特征作为车联网数据。
23、在一些可能的实现方式中，在所述将所述原始车联网数据输入预设特征提取网络，进行特征提取，得到原始车联网数据的数据特征之前，所述方法还包括：
24、获取训练样本集；所述训练样本集包括多个训练样本，每个所述训练样本包括原始车联网数据和对应的数据特征；
25、对每个训练样本，分别执行以下步骤：
26、将所述原始车联网数据输入特征提取网络，确定所述原始车联网数据对应的数据特征预测结果，所述特征提取网络中的各个参数存在对应的衰变链和半衰期；
27、根据所述训练样本以及对应的数据特征预测结果，确定所述特征提取网络的损失函数值；
28、判断所述特征提取网络的损失函数值是否满足预设训练停止条件；
29、若不满足，按照所述各个参数对应的所述衰变链和所述半衰期，调整所述特征提取网络中的所述参数，利用所述训练样本集训练调整后的特征提取网络，直至满足所述预设训练停止条件，得到训练后的预设特征提取网络。
30、在一些可能的实现方式中，所述参数包括目标参数和穿透更新参数，所述按照所述各个参数对应的所述衰变链和所述半衰期，调整所述特征提取网络中的所述参数，包括：
31、按照所述各个参数对应的衰变链，选择目标参数，所述衰变链表示权重从初始状态逐渐调整到稳态的过程；
32、按照所述目标参数的半衰期，改变所述目标参数对应的衰变链的状态；
33、根据所述各个参数对所述损失函数值的贡献值，调整所述各个参数对应的半衰期；
34、根据所述目标参数以及所述各个参数对应的层级编号，确定穿透更新参数，所述层级编号表示参数在所述特征提取网络中的层次位置；
35、调整所述目标参数和所述穿透更新参数。
36、在一些可能的实现方式中，所述根据所述目标参数以及所述各个参数对应的层级编号，确定穿透更新参数，所述层级编号表示参数在所述特征提取网络中的层次位置，包括：
37、获取所述各个参数对应的层级编号，分别计算各个所述层级编号与所述目标参数的层级编号的差值；
38、根据各个参数对应的所述差值，得到所述各个参数与所述目标参数的距离；
39、根据各个所述距离，得到所述各个参数成为穿透更新参数的概率；
40、按照所述概率，确定穿透更新参数。
41、在一些可能的实现方式中，在所述获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签之前，所述方法还包括：
42、根据车联网数据对应的各个类型，确定所述车联网数据对应的代价矩阵，所述代价矩阵表示将一个类别错误分类为另一个类别的代价；
43、根据所述车联网数据中的少数类样本与所述车联网数据中其他样本的加权距离，确定所述少数类样本的邻居样本；
44、根据所述代价矩阵与所述邻居样本，得到所述少数类样本对应的插值比例；
45、按照所述插值比例进行所述少数类样本的插值，生成合成样本；
46、将所述合成样本加入所述车联网数据。
47、在一些可能的实现方式中，在所述按照所述插值比例进行所述少数类样本的插值，生成合成样本之后，所述方法还包括：
48、计算所述合成样本与所述少数类样本的加权距离，得到第一距离；
49、计算所述合成样本与对应的所述邻居样本的加权距离，得到第二距离；
50、所述将所述合成样本加入所述车联网数据，包括：
51、将第一距离与第二距离的比值大于预设值的所述合成样本加入所述车联网数据。
52、在一些可能的实现方式中，在所述若不满足，调整所述车联网数据分类模型的模型参数，并利用所述训练样本集训练调整后的车联网数据分类模型，直至满足所述预设训练停止条件，得到训练后的车联网数据分类模型之后，所述方法还包括：
53、将所述训练后的车联网数据分类模型上传至中央服务器，所述中央服务器能够接收多个不同的训练后的车联网数据分类模型，并加权聚合所述多个不同的训练后的车联网数据分类模型的模型参数；
54、接收所述中央服务器发送的全局模型参数，根据所述全局模型参数，更新所述训练后的车联网数据分类模型中的模型参数。
55、第二方面，本技术提供一种车联网数据分类模型的训练装置，所述装置包括：
56、获取模块，用于获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签；
57、输入模块，用于将所述车联网数据输入至所述霍普菲尔德网络层中，得到目标记忆模式数据；
58、输入模块，还用于将所述目标记忆模式数据和对应的所述车联网数据输入至所述回声状态网络层，确定所述车联网数据对应的分类结果；
59、确定模块，用于根据所述目标记忆模式数据以及对应的车联网数据，确定所述霍普菲尔德网络层的能量函数值；
60、确定模块，还用于根据所述分类结果以及对应的分类标签，确定所述回声状态网络层的损失函数值；
61、判断模块，用于判断所述霍普菲尔德网络层的能量函数值以及所述回声状态网络层的损失函数值是否满足预设训练停止条件；
62、调整模块，用于若不满足，调整所述车联网数据分类模型的模型参数，并利用所述训练样本集训练调整后的车联网数据分类模型，直至满足所述预设训练停止条件，得到训练后的车联网数据分类模型。
63、第三方面，本技术提供一种车联网数据分类模型的训练设备，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如上文描述的车联网数据分类模型的训练方法。
64、第四方面，本技术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计算机程序指令，所述计算机程序指令被处理器执行时实现如上文描述的车联网数据分类模型的训练方法。
65、第五方面，本技术提供一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如上文描述的车联网数据分类模型的训练方法。
66、本技术的车联网数据分类模型的训练方法、装置、设备、存储介质及产品，通过使用包括车联网数据和对应的分类标签的多个训练样本，进行车联网数据分类模型的训练。因为在车联网数据分类模型中通过霍普菲尔德网络层对原始的车联网数据进行了处理，使得车联网数据更加接近标准状态，也就是目标记忆模式数据，增强了模型的稳定性，并且利用回声状态网络层对进行目标记忆模式数据处理，加强了车联网数据分类模型的泛化性能。本技术的上述实施方式，使用霍普菲尔德网络层与回声状态网络层结合的车联网数据分类模型，基于这两种网络层的优点，使得利用该模型对车联网数据分类的准确性得以提高。
1.一种车联网数据分类模型的训练方法，其特征在于，所述车联网数据分类模型包括霍普菲尔德网络层和回声状态网络层，所述方法包括：
2.根据权利要求1所述的车联网数据分类模型的训练方法，其特征在于，根据所述分类结果以及对应的分类标签，确定所述回声状态网络层的损失函数值，包括：
3.根据权利要求1所述的车联网数据分类模型的训练方法，其特征在于，所述将所述目标记忆模式数据和对应的所述车联网数据输入至所述回声状态网络层，确定所述车联网数据对应的分类结果，包括：
4.根据权利要求1所述的车联网数据分类模型的训练方法，其特征在于，在所述获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签之前，所述方法还包括：
5.根据权利要求4所述的车联网数据分类模型的训练方法，其特征在于，在所述将所述原始车联网数据输入预设特征提取网络，进行特征提取，得到所述原始车联网数据的数据特征之前，所述方法还包括：
6.根据权利要求5所述的车联网数据分类模型的训练方法，其特征在于，所述参数包括目标参数和穿透更新参数，所述按照所述各个参数对应的所述衰变链和所述半衰期，调整所述特征提取网络中的所述参数，参数包括目标参数和穿透更新参数，包括：
7.根据权利要求6所述的车联网数据分类模型的训练方法，其特征在于，所述根据所述目标参数以及所述各个参数对应的层级编号，确定穿透更新参数，所述层级编号表示参数在所述特征提取网络中的层次位置，包括：
8.根据权利要求1所述的车联网数据分类模型的训练方法，其特征在于，在所述获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括车联网数据和对应的分类标签之前，所述方法还包括：
9.根据权利要求8所述的车联网数据分类模型的训练方法，其特征在于，在所述按照所述插值比例进行所述少数类样本的插值，生成合成样本之后，所述方法还包括：
10.根据权利要求1至9任一项所述的车联网数据分类模型的训练方法，其特征在于，在所述若不满足，调整所述车联网数据分类模型的模型参数，并利用所述训练样本集训练调整后的车联网数据分类模型，直至满足所述预设训练停止条件，得到训练后的车联网数据分类模型之后，所述方法还包括：
11.一种车联网数据分类模型的训练装置，其特征在于，所述装置包括：
12.一种车联网数据分类模型的训练设备，其特征在于，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-10任意一项所述的车联网数据分类模型的训练方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的车联网数据分类模型的训练方法。
14.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-10任意一项所述的车联网数据分类模型的训练方法。
