一种基于元学习和改进遗传算法的超参数优化方法

本发明针对现实场景中在数据集确定且不修改网络的基础上需要提高神经网络的精度，提出了一种基于元学习和改进遗传算法的超参数优化方法，利用数据样本特征提取器对提取数据集的每个样本的样本特征；利用以K‑means聚类算法提取聚类中心作为特征质心得到数据集元特征两两计算元特征余弦距离，得到数据集元特征相似度矩阵；利用增加了反向学习和自适应交叉变异率的优化遗传算法计算最优超参数组合；通过自动早停策略降低算法的执行时间。本发明可以在较少的时间开销的情况下寻找神经网络的最优超参数，提升神经网络的精度。