本发明涉及人工智能设备技术领域，特别涉及一种基于bp神经网络的人工智能优化方法。
背景技术：
当代的人工智能技术发展还不完善，用户在使用人工智能机器的过程中会遇到很多问题，人工智能系统也会出现许多错误，对用户的使用极为不利，所以，如何优化人工智能，提高人工智能的准确度和执行速度成为目前人工智能研究中的主要问题。
技术实现要素：
本发明的目的是提供一种基于bp神经网络的人工智能优化方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于bp神经网络的人工智能优化方法，用户针对人工智能系统中的各操作，分别在人工智能系统中输入相应的命令，通过人工智能系统建立操作和命令集映射对，作为bp神经网络的原始训练集，对bp神经网络进行训练，所述命令为用户输入的原始命令信息，人工智能系统对其进行预处理及特征参数提取，将提取的特征参数值输入到bp神经网络的输入端；
用户向人工智能系统输入命令数据，人工智能系统首先对用户输入的命令数据进行预处理及提取命令的特征参数值，命令的特征参数值经过bp神经网络进行传播，将神经网络实际输出值与所有的期望值进行比较；若有其中一个误差值小于预先设定的误差值，则将该误差对应的输出作为语音识别的最终输出；然后进入步骤3；若所有的误差值均大于预先设定的误差值，则进入步骤4；
人工智能系统识别bp神经网络输出的应用程序的包名，调用包名相应的应用程序，执行应用程序相应的操作；
将所有的误差值在bp神经网络中反向传播，作为bp神经网络的输入，从而修正各个节点单元的权值，若当前学习次数小于预先设定的学习次数，则继续传播，直到其中一个误差值小于预先设定的误差值为止，若当前学习次数大于预先设定的学习次数时，还未出现一个误差值小于预先设定的误差值，则结束训练，并且由人工智能系统作出无法找到应用程序的提示。
优选的，步骤1中，操作和语音命令集映射对中操作的应用程序包名存放在人工智能系统的arraylist中，arraylist中包名的个数和bp神经网络输出层的输出维数相同。
优选的，步骤1和步骤2中命令的特征参数值的个数为6-8，所述bp神经网络的输入层的输入维数和命令的特征参数值的个数相同。
优选的，操作和命令集映射对中，包含有多个命令映射同一个操作的情况。
优选的，步骤2中，预先设定的误差值为0.000001。
优选的，步骤3中预先设定的学习次数为800-1000。
优选的，人工智能系统在建立操作和命令集映射对过程中，用户根据操作的作用输入相应的命令。
优选的，步骤1中操作为人工智能系统执行的应用程序，操作对应的应用程序包名为bp神经网络的输出。
与现有技术相比，本发明的有益效果是：通过终端系统本地的操作和命令集映射对代替传统命令识别方法中数据库中的训练数据，在极大程度上节省了终端的训练集存储容量，在操作和命令集映射对创建的过程中，将用户输入的命令作为原始训练集，人工智能在执行命令的的过程中出错误的概率变小，并且执行速度快、准确度高，多种命令可以控制同一个操作，使得人工智能的使用更加方便，提高了人工智能的效率值。
具体实施方式
下面将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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明一种基于bp神经网络的人工智能优化方法，其步骤如下：
步骤1、用户针对人工智能系统中的各操作，分别在人工智能系统中输入相应的命令，通过人工智能系统建立操作和命令集映射对，作为bp神经网络的原始训练集，对bp神经网络进行训练，所述命令为用户输入的原始命令信息，人工智能系统对其进行预处理及特征参数提取，将提取的特征参数值输入到bp神经网络的输入端；
步骤2、用户向人工智能系统输入命令数据，人工智能系统首先对用户输入的命令数据进行预处理及提取命令的特征参数值，命令的特征参数值经过bp神经网络进行传播，将神经网络实际输出值与所有的期望值进行比较；若有其中一个误差值小于预先设定的误差值，则将该误差对应的输出作为语音识别的最终输出，然后进入步骤3，若所有的误差值均大于预先设定的误差值，则进入步骤4，步骤1和步骤2中命令的特征参数值的个数为6；
步骤3、人工智能系统识别bp神经网络输出的应用程序的包名，调用包名相应的应用程序，执行应用程序相应的操作，此步骤中预先设定的学习次数为800；
步骤4、将所有的误差值在bp神经网络中反向传播，作为bp神经网络的输入，从而修正各个节点单元的权值，若当前学习次数小于预先设定的学习次数，则继续传播，直到其中一个误差值小于预先设定的误差值为止，若当前学习次数大于预先设定的学习次数时，还未出现一个误差值小于预先设定的误差值，则结束训练，并且由人工智能系统作出无法找到应用程序的提示。
实施例2
步骤2、用户向人工智能系统输入命令数据，人工智能系统首先对用户输入的命令数据进行预处理及提取命令的特征参数值，命令的特征参数值经过bp神经网络进行传播，将神经网络实际输出值与所有的期望值进行比较；若有其中一个误差值小于预先设定的误差值，则将该误差对应的输出作为语音识别的最终输出，然后进入步骤3，若所有的误差值均大于预先设定的误差值，则进入步骤4，步骤1和步骤2中命令的特征参数值的个数为7；
步骤3、人工智能系统识别bp神经网络输出的应用程序的包名，调用包名相应的应用程序，执行应用程序相应的操作，此步骤中预先设定的学习次数为900；
实施例3
步骤2、用户向人工智能系统输入命令数据，人工智能系统首先对用户输入的命令数据进行预处理及提取命令的特征参数值，命令的特征参数值经过bp神经网络进行传播，将神经网络实际输出值与所有的期望值进行比较；若有其中一个误差值小于预先设定的误差值，则将该误差对应的输出作为语音识别的最终输出，然后进入步骤3，若所有的误差值均大于预先设定的误差值，则进入步骤4，步骤1和步骤2中命令的特征参数值的个数为8；
步骤3、人工智能系统识别bp神经网络输出的应用程序的包名，调用包名相应的应用程序，执行应用程序相应的操作，此步骤中预先设定的学习次数为1000；
通过终端人工智能系统本地的操作和命令集映射对代替传统命令识别方法中数据库中的训练数据，在极大程度上节省了终端的训练集存储容量，在操作和命令集映射对创建的过程中，将用户输入的命令作为原始训练集，人工智能在执行命令的的过程中出错误的概率变小，并且执行速度快、准确度高，多种命令可以控制同一个操作，使得人工智能的使用更加方便，提高了人工智能的效率值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。