CN109299777B

CN109299777B - 一种基于人工智能的数据处理方法及其系统

Info

Publication number: CN109299777B
Application number: CN201811099304.2A
Authority: CN
Inventors: 于江
Original assignee: Individual
Current assignee: Individual
Priority date: 2018-09-20
Filing date: 2018-09-20
Publication date: 2021-12-03
Anticipated expiration: 2038-09-20
Also published as: CN109299777A

Abstract

本申请公开了一种基于人工智能的数据处理方法及其系统，该方法通过寄存器接收该基于人工智能的数据处理系统外部的原始数据；处理设备将该原始数据划分为待识别的数据和已识别完成的数据，并每次只对待识别的数据进行识别；然后根据原始数据的时序关系和/或空间关系将本次识别的数据与本次已识别完成的数据进行整合，并与原始数据的数据相关性进行比对。该方法能够实现数据处理的工作模式与训练模式同步进行。

Description

一种基于人工智能的数据处理方法及其系统

技术领域

本说明书涉及人工智能技术领域，尤其涉及一种基于人工智能的数据处理方法及其系统。

背景技术

目前的人工智能系统采用是“模仿人脑机能”来实现。而人工神经网络就是通过构建人工神经元单元来模拟人脑中神经元细胞的机能，通过构建由人工神经元单元组成的人工神经网络来模拟人脑中的生物神经网络的机能。

然而，现有的人工神经网络需要先在训练模式下进行模型训练，也就是进行机械学习；模型训练后，人工神经网络在工作模式下进行工作，工作时不进行模型训练；人工神经网络更新时，需要重新进行模型训练。可见目前的人工神经网络的训练模式和工作模式不能同时进行，导致人工神经网络不能够在训练时实现实时的迭代更新，进而导致现有的人工智能系统没有实现完全的智能化。

发明内容

针对上述技术问题，本申请提供一种基于人工智能的数据处理方法以及系统，该系统实现了数据的实时更新。

本申请第一方面提供一种基于人工智能的数据处理方法，应用于基于人工智能的数据处理系统中，所述基于人工智能的数据处理系统包括采集设备、寄存器、处理设备以及控制设备；其中，

所述采集设备获取所述基于人工智能的数据处理系统外部信息，得到原始数据；

所述寄存器接收所述原始数据，将所述原始数据存储在所述寄存器的第一存储区；其中，所述第一存储区用于存储待处理的数据；

所述控制设备复制所述第一存储区中的原始数据，并将所述原始数据发送给所述处理设备；

所述处理设备将所述原始数据分成第一数据和第二数据，并对所述第一数据进行识别，从而得到第一特征数据；其中，所述第一数据为待识别数据，所述第二数据为已识别数据，且所述第一数据、所述第一特征数据以及所述第二数据均包括所述原始数据的时序关系和空间位置关系的一种或两种；

所述控制设备根据所述原始数据的时序关系和/或空间位置关系，将所述第一特征数据和所述第二数据整合成第三数据，并确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值，当所述数据相关性小于预设阈值时，将所述第三数据发送给所述寄存器；

所述寄存器丢弃所述第三数据。

在一种可能的实现方式中，所述第一数据包括图像数据，所述第一特征数据包括图像特征数据；其中，

所述处理设备对所述第一数据进行识别得到所述第一特征数据，具体为：

所述处理设备对图像数据进行预处理，得到颜色特征向量、纹理特征向量以及形状特征向量；

所述处理设备将所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行计算，得到图像特征向量；

所述处理设备对所述图像特征向量进行哈希运算，得到图像哈希值；

所述处理设备将所述图像哈希值与所述寄存器存储的至少一个哈希值分别进行相似度度量计算；其中，所述至少一个哈希值存储在所述寄存器的第二存储区的数据特征库中，所述数据特征库中的一个哈希值对应一个特征数据，所述第二存储区存储已处理的数据；

所述处理设备获取计算得到的相似度度量值最小的哈希值所对应的特征数据，所述相似度度量值最小的哈希值对应的特征数据为所述图像数据对应的图像特征数据。

在一种可能的实现方式中，在所述确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值之后，所述方法包括：

所述控制设备在确定所述第三数据与所述原始数据的数据相关性大于或等于预设阈值时，将所述第三数据发送给所述寄存器；

所述寄存器将所述第三数据存储在所述寄存器的第二存储区，所述第二存储区存储已处理数据。

在一种可能的实现方式中，所述处理设备包括至少一个数据处理单元，且任意两个所述数据处理单元之间并联；其中，一个数据处理单元对应一种数据的处理方式。

本申请第二方面提供一种基于人工智能的数据处理系统，所述系统包括采集设备、寄存器、处理设备以及控制设备；其中，

所述采集设备，用于获取所述基于人工智能的数据处理系统外部信息，得到原始数据；

所述寄存器，用于接收所述原始数据，将所述原始数据存储在所述寄存器的第一存储区；其中，所述第一存储区用于存储待处理的数据；

所述控制设备，用于复制所述第一存储区中的原始数据，并将所述原始数据发送给所述处理设备；

所述处理设备，用于将所述原始数据分成第一数据和第二数据，并对所述第一数据进行识别，从而得到第一特征数据；其中，所述第一数据为待识别数据，所述第二数据为已识别数据，且所述第一数据、所述第一特征数据以及所述第二数据均包括所述原始数据的时序关系和空间位置关系的一种或两种；

所述控制设备，还用于根据所述原始数据的时序关系和/或空间位置关系，将所述第一特征数据和所述第二数据整合成第三数据，并确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值，当所述数据相关性小于预设阈值时，将所述第三数据发送给所述寄存器；

所述寄存器，还用于丢弃所述第三数据。

所述处理设备，用于对图像数据进行预处理，得到颜色特征向量、纹理特征向量以及形状特征向量；

所述处理设备，将所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行计算，得到图像特征向量；

所述处理设备，对所述图像特征向量进行哈希运算，得到图像哈希值；

所述处理设备，将所述图像哈希值与所述寄存器存储的至少一个哈希值分别进行相似度度量计算；其中，所述至少一个哈希值存储在所述寄存器的第二存储区的数据特征库中，所述数据特征库中的一个哈希值对应一个特征数据，所述第二存储区存储已处理数据；

所述处理设备，获取计算得到的相似度度量值最小的哈希值所对应的特征数据，所述相似度度量值最小的哈希值对应的特征数据为所述图像数据对应的图像特征数据。

在一种可能的实现方式中，所述控制设备，还用于确定所述第三数据与所述原始数据的数据相关性大于或等于预设阈值时，将所述第三数据发送给所述寄存器；

所述寄存器，将所述第三数据存储在所述寄存器的第二存储区，所述第二存储区存储已处理的数据。

在一种可能的实现方式中，所述系统中，所述控制设备与所述寄存器物理相连；和/或所述控制设备设置于所述寄存器输出端与所述处理设备输入端之间；和/或所述控制设备设置于所述处理设备输出端与所述寄存器输入端之间。

在一种可能的实现方式中，所述系统还包括输入设备，其中，所述输入设备，用于接收所述基于人工智能的数据处理系统外部的第一数据，并将所述第一数据发送给所述寄存器。

本申请中对原始数据进行处理，并对处理后的数据与原始数据进行数据相关性的判断，直到处理后得到的数据与原始数据的数据相关性满足预定要求；同时，处理设备能够每次只需识别原始数据中待识别的一部分，提高了识别的效率；换句话说，本申请中的系统能够实现工作模式和训练模式同时进行，能够识别的数据越来越多，效率会越高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请本说明书实施例。

此外，本申请本说明书实施例中的任一实施例并不需要达到上述的全部效果。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本说明书实施例示出的一种人工智能系统框架结构示意图；

图2是本说明书实施例示出的又一种人工智能系统框架结构示意图；

图3是本说明书实施例示出的另一种人工智能系统框架结构示意图；

图4是本说明书实施例示出的再一种人工智能系统框架结构示意图；

图5是本说明书实施例示出的一种人工智能的实现方法流程示意图。

图1-图4中：控制设备101，寄存器102，处理设备103，存储设备104，输入设备105。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

如图5所示，一种人工智能的实现方法包括步骤S501-S506。应用在基于人工智能的数据处理系统中，所述基于人工智能的数据处理系统包括采集设备、存储设备、处理设备以及控制设备。

S501，所述采集设备获取所述基于人工智能的数据处理系统外部信息，得到原始数据。

S502,所述寄存器接收所述原始数据，将所述原始数据存储在所述寄存器的第一存储区；其中，所述第一存储区用于存储待处理的数据。

在一个示例中，所谓原始数据包括图像、影像、音频、文本、图表、气味、味道以及语言等数据。

在一个示例中，可以给原始数据贴上待处理的标识，寄存器将带标识的该原始数据存储在第一存储区；也可以给处理过的原始数据贴上已处理完成的标识，将未带标识的原始数据存储在第一存储区；也可以给已处理的原始数据和待处理的原始数据都贴上不同的标识，将带有待处理标识的原始数据存储在第一存储区。

S503，所述控制设备复制所述第一存储区中的原始数据，并将所述原始数据发送给所述处理设备。

此时，控制设备是将寄存器的第一存储区中的原始数据复制，也就是该原始数据仍然在该寄存器的第一存储区中。

S504，所述处理设备将所述原始数据分成第一数据和第二数据，并对所述第一数据进行识别，从而得到第一特征数据；其中，所述第一数据为待识别数据，所述第二数据为已识别数据，且所述第一数据、所述第一特征数据以及所述第二数据均包括所述原始数据的时序关系和空间位置关系的一种或两种。

在一个示例中，处理设备可以根据原始数据所带的标识进行划分，例如：原始数据中的一部分已经被识别过，贴有已识别的标识；原始数据中的另一部分没有被识别或者没有被识别完成，贴有待识别的标识。当处理设备首次对原始数据进行划分时，划分后的第二数据为空，即此时没有已识别完成的数据。

在一个示例中，时序关系是指原始数据的时间顺序或逻辑先后顺序，例如：文字数据识别中，常见的时序关系为阅读顺序，从上到下以及从左到右的关系，属于二维平面的坐标关系；一段话被输入到寄存器后，每个字词都有二维坐标。空间位置关系为三维立体空间的坐标关系，例如：一幅图像被输入到寄存器后，每个像素或特征都有三维空间的坐标关系，一般以图像的中心为三维空间坐标原点。

在一个示例中，所述第一数据包括图像数据，所述第一特征数据包括图像特征数据。此时，所述处理设备对所述第一数据进行识别得到所述第一特征数据，具体为：所述处理设备对图像数据进行预处理，得到颜色特征向量、纹理特征向量以及形状特征向量；所述处理设备将所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行计算，得到图像特征向量；所述处理设备对所述图像特征向量进行哈希运算，得到图像哈希值；所述处理设备将所述图像哈希值与所述寄存器存储的至少一个哈希值分别进行相似度度量计算；其中，所述至少一个哈希值存储在所述寄存器的第二存储区的数据特征库中，所述数据特征库中的一个哈希值对应一个特征数据，所述第二存储区存储已处理的数据；所述处理设备获取计算得到的相似度度量值最小的哈希值所对应的特征数据，所述相似度度量值最小的哈希值对应的特征数据为所述图像数据对应的图像特征数据。

上述对图像进行预处理，是采用颜色、纹理和形状三个维度，对图像进行区域分割，得到颜色特征图像、纹理特征图像以及形状特征图像；然后将这些特征图像转换为对应的特征向量。

哈希运算的目的是将包括颜色、纹理和形状三个维度的图像特征向量，转换为低纬度的二进制数值，加快图像哈希值在该数据特征库中的查询速度。

相似性度量根据实际要求的不同，可以选择不同的距离度量函数进行描述。本说明书中，可以采用汉明距离进行计算。采用汉明距离主要是用在数据传输里用来控制差错的编码中，当对两个字进行比较时，它表示不同位的数量，也就是用来表示两个用二进制表示的编码之间的相似性，若编码x和编码y之间的长度都是d，那么它们的汉明距离就是两个编码序列中，属于位置相同但编码不同的情况的数目。公式为：d_h(X,Y)＝xor(X_i,Y_j)，其中，xor是Xi和Yj进行异或运算。

文字识别方法基本上分为统计、逻辑判断和句法三大类，常有的方法有模板匹配法和几何特征抽取法，模板匹配法是将输入的文字数据与给定的各类别标准文字模板进行相关匹配，将计算输入文字与各模板之间的相似性程度，取相似度最大的类别作为识别结果；几何特征抽取法是抽取文字的一些几何特征，如文字的端点、分叉点、凹凸部分以及水平、垂直、倾斜等各方向的线段、闭合环路等，根据这些特征的位置和相互关系进行逻辑组合判断，获得识别结果。

语音识别方法主要是模式匹配法，在训练阶段，用户将词汇表中的每一词依次说一遍，并且将其特征矢量作为模板存入模板库；在识别阶段，将输入语音的特征矢量依次与模板库中的每个模板进行相似度比较，将相似度最高者作为识别结果输出。

需要说明的是，本说明书实施例中对图像识别算法、文字识别算法以及语音识别算法不作详细说明；本领域技术人员可以使用现有的各类识别算法对原始数据进行处理。

在一个示例中，所述处理设备包括至少一个数据处理单元，且任意两个所述数据处理单元之间并联；其中，一个数据处理单元对应一种数据的处理方式。例如：图像数据处理单元、语音数据处理单元以及文字数据处理单元等。

S505，所述控制设备根据所述原始数据的时序关系和/或空间位置关系，将所述第一特征数据和所述第二数据整合成第三数据，并确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值，当所述数据相关性小于预设阈值时，将所述第三数据发送给所述寄存器。

此时，第一特征数据和第二数据的整合，即处理设备识别完一次后，对之前已识别完成的第二数据与本次识别完成的第一特征数据进行整合，由于该第一特征数据或者第二数据都带有时序和/或空间位置关系，直接根据该关系进行整合。例如：一段话有5行，上次识别了第1行、第2行以及第4行，本次识别了第3行，就可以将两次识别的结果整合起来。

在一个示例中，数据相关性是指数据之间存在某种关系。相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；本说明书实施例中通过设定一个阈值，判断原始数据和第三数据之间的相关性关系的相关程度，该数据相关性小于阈值，则判定该原始数据和该第三数据之间的数据相关性小于阈值。

上述中，原始数据有不同的类型，根据实际的需求，可以自由调节和预设各个类型的原始数据有不同的数据相关性阈值；对采用的具体数据相关性算法不进行具体说明。

S506，所述寄存器丢弃所述第三数据。

此时，原始数据和该第三数据之间的数据相关性的小于预设阈值，即该原始数据需要继续识别。

在一个示例中，所述控制设备在确定所述第三数据与所述原始数据的数据相关性大于或等于预设阈值时，将所述第三数据发送给所述寄存器；所述寄存器将所述第三数据存储在所述寄存器的第二存储区，所述第二存储区存储已处理的数据。

上述方法会一直循环，直至该第三数据与该原始数据的数据相关性大于或等于预设阈值，对该原始数据的处理才结束。处理设备针对上次已识别完成的一部分原始数据不做处理，仅仅对待识别的一部分原始数据进行处理；因此对原始数据的整个处理中，已识别完成的数据会越来越聚集，待识别的一部分原始数据会越来越少，即工作模式和训练模式是同时进行的。

此外，本说明书实施例中，人工智能的数据处理系统的寄存器、处理设备以及控制设备相当于人工智能系统的脑环路，寄存器相当于显示层，处理设备相当于处理层。

也就是说，一次复杂的数据处理任务，是脑环路通过有组织的连续多次运作来执行的。在执行一次复杂的数据处理任务时，脑环路通过一次运作，会对相应数据进行一次相对简单的处理；脑环路通过有组织的连续多次运作，实现了对相应数据的复杂处理；脑环路通过有组织的连续多次运作，系统性的执行了一次复杂的数据处理任务。

本说明书实施例中，脑环路对数据的处理方式是数据的聚合式循环递进处理。

在执行一次复杂数据处理任务的过程中，显示层是脑环路系统运作机制的核心模块。脑环路系统所执行的一次数据处理，其运作流程起点和终点都是显示层。在脑环路执行完成一次数据处理后，经过处理的数据和显示层中原来的数据会同时显示在显示层中。

在执行一次复杂数据处理任务的过程中，脑环路会有组织的连续执行多次运作；在这一过程中，脑环路的运作会在显示层上不断地积累数据，直至得到的数据与原始数据的数据相关性大于或等于阈值。因此，在执行一次复杂数据处理任务的过程中，参与这次数据处理任务的数据会在显示层上不断地聚合。

在执行一次复杂数据处理任务的过程中，脑环路系统所执行的每一次数据处理，都是以显示层上当下显示的所有数据为基础来执行的；在这一过程中，随着显示层上数据的不断聚合，脑环路系统每一次运作的基础会不断丰富。

举例来说，以对文字数据的处理为例，文字数据按照时间顺序，被依次输入进系统的显示层。这些语言文本会在显示层中驻留并显示。与此同时，该系统开始对显示层上的文字数据进行处理。通过执行一次运作，脑环路系统能够辨识显示层上的一个词。通过多次处理，脑环路系统能够辨识显示层上的多个词。当显示层中的文字数据上被辨识的词足够丰富时，脑环路系统能够在一次运作中，一起处理多个已经被辨识的词。通过这样的一次运作，脑环路系统可以完成对显示层上一个句子的辨识。当显示层上被辨识的句子足够丰富时，脑环路系统能够在一次运作中，同时处理多个句子，从而实现对一个段落的理解。

此外，以对图像数据的处理为例：当一副图像被输入进系统的显示层后，图像数据会在显示层中驻留并显示；通过执行一次运作，脑环路系统可以对显示层中的图像数据局部的、简单的要素实现辨识；当显示层中的图像数据的简单要素足够丰富时，脑环路系统能够在一次运作中，一起处理多个已被辨识的简单要素，从而实现对整幅图像的辨识。

下面对本说明书实施例的基于人工智能的数据处理系统进行说明。

如图1所示，所述系统包括采集设备、寄存器102、处理设备103以及控制设备101。

所述寄存器102，用于接收所述原始数据，将所述原始数据存储在所述寄存器的第一存储区；其中，所述第一存储区用于存储待处理的数据；

所述控制设备101，用于复制所述第一存储区中的原始数据，并将所述原始数据发送给所述处理设备；

所述处理设备103，用于将所述原始数据分成第一数据和第二数据，并对所述第一数据进行识别，从而得到第一特征数据；其中，所述第一数据为待识别数据，所述第二数据为已识别数据，且所述第一数据、所述第一特征数据以及所述第二数据均包括所述原始数据的时序关系和空间位置关系的一种或两种；

所述控制设备101，还用于根据所述原始数据的时序关系和/或空间位置关系，将所述第一特征数据和所述第二数据整合成第三数据，并确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值，当所述数据相关性小于预设阈值时，将所述第三数据发送给所述寄存器；

所述寄存器102，还用于丢弃所述第三数据。

在一个示例中，寄存器102是根据原始数据的特征，并按照特征对应的存储方式对该原始数据进行暂存。原始数据是指图像、影像、音频、文本、图表、气味、味道以及语言等数据形式的数据，这些不同形式的数据会具有不同的特征。容易理解，不同的特征对应不同的存储方式，这里相应的存储方式包括：时间存储方式，空间存储方式，逻辑存储方式，语法存储方式等。

此时，寄存器按照相应的存储方式对具体数据进行的暂存，是将数据按照相应的存储方式在其自身中进行显示。即当具体数据被输入进寄存器后，寄存器能够依据具体数据的特征，按照相应的存储方式，将这些数据显示在寄存器中。由于寄存器构成了基于人工智能数据处理系统运作流程上的一个层，因此本说明书中也将该系统的寄存器称为显示层。

举例来说，数据在脑环路的显示层中，是按照相应思维数据在人脑中显示的方式，来进行显示的。例如，图像和影像会被显示成二维或三维的，静态或动态的画面；音频会显示成“人脑中的声音”。

数据在本说明书脑环路的显示层中，是按照相应思维数据在人脑中显示的方式，来进行显示的，或者说来进行呈现的。

换句话说，在脑环路中，一种数据会对应人脑中的一种思维数据。不同类型的思维数据在人脑中会有不同的显示方式。按照显示方式的不同，人脑中的思维数据可以被划分成不同类型，例如，视觉数据、声音数据等。因此，不同类型的思维数据会具有不同的特征。

举例来说，图像数据对应视觉数据，其特征是静态的二维或三维画面；影像数据的特征是动态的三维画面。

时间存储方式是指事件发生的先后次序的坐标与国际通用时间或通常时间概念的相对应的关系；空间存储方式是指事物在二维或三维空间坐标中的位置关系。

在一个示例中，当寄存器中的一条具体数据向处理设备输出后，在寄存器中保留，并没有消失。即当显示层中的一条具体数据向处理设备输出后，在显示层中，这条数据并没有消失，其会继续显示在显示层中。

在本说明书实施例的人工智能系统中，控制设备能够控制显示层的数据输出，且能够有控制的将显示层中的“全部”或“某一部分”数据，向处理设备输出。控制设备能够有控制的将来自显示层的具体思维数据，发送到处理设备中的某一个具体数据处理单元中进行处理。当完成一次数据处理后，经过处理的数据会被控制设备发送回到显示层；且能够有控制的将相应数据发送回到显示层中的某一个具体“位置”。

在一个示例中，所述第一数据包括图像数据，所述第一特征数据包括图像特征数据。此时，所述处理设备对所述第一数据进行识别得到所述第一特征数据，具体为：所述处理设备，用于对图像数据进行预处理，得到颜色特征向量、纹理特征向量以及形状特征向量；所述处理设备，将所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行计算，得到图像特征向量；所述处理设备，对所述图像特征向量进行哈希运算，得到图像哈希值；所述处理设备，将所述图像哈希值与所述寄存器存储的至少一个哈希值分别进行相似度度量计算；其中，所述至少一个哈希值存储在所述寄存器的第二存储区的数据特征库中，所述数据特征库中的一个哈希值对应一个特征数据，所述第二存储区存储已处理数据；所述处理设备，获取计算得到的相似度度量值最小的哈希值所对应的特征数据，所述相似度度量值最小的哈希值对应的特征数据为所述图像数据对应的图像特征数据。

在一个示例中，所述控制设备还用于确定所述第三数据与所述原始数据的数据相关性大于或等于预设阈值时，将所述第三数据发送给所述寄存器；所述寄存器将所述第三数据存储在所述寄存器的第二存储区，所述第二存储区存储已处理的数据。

在一个示例中，所述处理设备包括至少一个数据处理单元，且任意两个所述数据处理单元之间并联；其中，一个数据处理单元对应一种数据的处理方式。

在处理设备中，一个数据处理单元会具有一种特有的数据处理方式；在处理设备中，不同的数据处理单元会具有不同的数据处理方式。例如：当一个数据处理单元接收到具体的图像数据后，其能够依据所接收到的图像数据来生成相应的“线条”；当另一个数据处理单元接收到具体的声音数据后，其能够依据所接收到的声音数据来生成相应的“音调”。

系统的处理设备是由一系列的，且具有不同数据处理方式的数据处理单元所并联组成。作为一个整体，处理设备执行了系统中主要的数据处理功能。由于系统的处理设备也构成了人工智能系统运作流程上的一个层，因此本申请说明书实施例也将人工智能系统的处理设备称为处理层。

在处理层中，每一个处理单元都会具有一种特定的数据处理方式，因此每一个处理单元也都会有其具体的实现方法。例如：负责处理声音数据的数据处理单元会通过专业的音频软硬件设备来实现；有的数据处理单元会是一个相对独立的人工神经网络。本说明书实施例对此不进行详细说明。

在一个示例中，如图3所示，所述系统中，所述控制设备与所述寄存器物理相连；和/或所述控制设备设置于所述寄存器输出端与所述处理设备输入端之间；和/或所述控制设备设置于所述处理设备输出端与所述寄存器输入端之间。

换句话说，控制设备101可以为一个或两个或三个。图3所示，控制设备101设置了三个。当设置为一个或两个时，该控制设备101的位置可以为图3中所示的3个位置中的任意位置。无论本申请中的控制设备设置几个，整个人工智能脑环路系统中，数据依靠控制设备进行发送。

在一个示例中，所述系统还包括输入设备105；所述输入设备，用于接收所述基于人工智能的数据处理系统外部的第一数据，并将所述第一数据发送给所述寄存器。

在一个示例中，所述系统还包括存储设备104；所述存储设备，用于接收所述基于人工智能的数据处理系统外部的第一数据，并通过其端口将所述第一数据发送给所述寄存器；所述寄存器接收的第一数据包括来自所述存储设备的第一数据和来自所述输入设备的第一数据的一种或两种。

本申请说明书中，存储设备104是不同于寄存器的存储器，寄存器用于暂存数据。

此时，人工智能系统外部的数据发送到脑环路系统中有两种方式。一种方式是数据存储设备会具有一个数据直传的端口，系统外的数据可以通过这个端口，直接发送到数据存储模块中；一个方式是通过数据输入模块，系统外的数据可以被发送进系统的显示层。

举例来说，数据输入模块包含有一系列的外部数据传感器。例如：摄像头，声音传感器、温度传感器，气味传感器，味觉触感器，压力传感器等。人工智能系统的数据输入模块会包含这些外部传感器的一种或多种。通过这些外部传感器，系统外的数据会被发送到显示层中。

存储设备根据原始数据的特征对应的存储方式，存储所述数据。

具体来说，在控制设备的控制下，将具体数据存储在存储设备的某一个存储地址中。存储设备存储数据的存储方式会与显示层所显示数据的存储方式相对应，这些存储方式包括时间存储方式，空间存储方式，逻辑存储方式以及语法存储方式等。

此外，控制设备会将数据存储设备中存储的具体数据发送进显示层中，从而使这些数据能够参与系统当下所进行的运作。

如图3所示，所述存储设备104与所述控制设备相连；和/或所述数据存储模块设置于所述处理设备的输出端与所述寄存器的输入端之间。

换句话说，存储设备104可以为一个或两个或三个或四个。如图3所示，设置了四个存储设备104。当存储设备104设置为一个或两个或三个时，可以为图3所示的任意位置。

需要说明的是，脑环路中相应位置的数据发送路径，可能会由于控制设备的原因，被进行合并。如图2、图3以及图4中所示的人工智能系统基本框架，就在相应的位置进行了数据发送路径的合并。此外，由于控制设备数量的不同，相应位置的数据发送路径会有对应的变化。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。

Claims

1.一种基于人工智能的数据处理方法，其特征在于，应用于基于人工智能的数据处理系统中，所述基于人工智能的数据处理系统包括采集设备、寄存器、处理设备以及控制设备；其中，

所述寄存器丢弃所述第三数据。

2.根据权利要求1所述的方法，其特征在于，所述第一数据包括图像数据，所述第一特征数据包括图像特征数据；其中，

3.根据权利要求1所述的方法，其特征在于，在所述确定所述第三数据与所述原始数据的数据相关性是否大于预设阈值之后，所述方法包括：

4.根据权利要求1所述的方法，其特征在于，所述处理设备包括至少一个数据处理单元，且任意两个所述数据处理单元之间并联；其中，一个数据处理单元对应一种数据的处理方式。

5.一种基于人工智能的数据处理系统，其特征在于，所述系统包括采集设备、寄存器、处理设备以及控制设备；其中，

所述寄存器，还用于丢弃所述第三数据。

6.根据权利要求5所述的系统，其特征在于，所述第一数据包括图像数据，所述第一特征数据包括图像特征数据；其中，

7.根据权利要求5所述的系统，其特征在于，

所述控制设备，还用于确定所述第三数据与所述原始数据的数据相关性大于或等于预设阈值时，将所述第三数据发送给所述寄存器；

8.根据权利要求5所述的系统，其特征在于，所述处理设备包括至少一个数据处理单元，且任意两个所述数据处理单元之间并联；其中，一个数据处理单元对应一种数据的处理方式。

9.根据权利要求5所述的系统，其特征在于，所述系统中，所述控制设备与所述寄存器物理相连；和/或

所述控制设备设置于所述寄存器输出端与所述处理设备输入端之间；和/或

所述控制设备设置于所述处理设备输出端与所述寄存器输入端之间。

10.根据权利要求5所述的系统，其特征在于，所述系统还包括输入设备，其中，

所述输入设备，用于接收所述基于人工智能的数据处理系统外部的第一数据，并将所述第一数据发送给所述寄存器。