CN109460794A - 一种数据特征提取方法、系统及电子设备和存储介质 - Google Patents

一种数据特征提取方法、系统及电子设备和存储介质 Download PDF

Info

Publication number
CN109460794A
CN109460794A CN201811376725.5A CN201811376725A CN109460794A CN 109460794 A CN109460794 A CN 109460794A CN 201811376725 A CN201811376725 A CN 201811376725A CN 109460794 A CN109460794 A CN 109460794A
Authority
CN
China
Prior art keywords
data
mode
picture element
neural network
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811376725.5A
Other languages
English (en)
Inventor
吴元清
关依
鲁仁全
李鸿
李鸿一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811376725.5A priority Critical patent/CN109460794A/zh
Publication of CN109460794A publication Critical patent/CN109460794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种数据特征提取方法、系统及一种电子设备和计算机可读存储介质，该方法包括：获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；将所述模态信息进行降维处理，得到数据特征提取结果。本申请提供的数据特征提取方法相比单一模态的特征提取更加全面。多模态信息融合实现工业生产对多源信息的有效利用，提高了生产质量与生产效率。

Description

一种数据特征提取方法、系统及电子设备和存储介质
技术领域
本申请涉及工业控制技术领域，更具体地说，涉及一种数据特征提取方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
在多元化的信息资源环境中，工业数据呈现多维性、含有大量数值型数据等多模态的特点。而在实际工业生产过程中，采集到的原始数据往往是单模态的，不完整的，带有较大的不确定性，偶尔甚至是错误的。对获得的单模态数据进行特征提取准确度较低，导致工业数据的利用率较低。
因此，如何提高工业数据的利用率是本领域技术人员需要解决的问题。
发明内容
本申请的目的在于提供一种数据特征提取方法、系统及一种电子设备和一种计算机可读存储介质，提高了工业数据的利用率。
为实现上述目的，本申请提供了一种数据特征提取方法，包括：
获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
将所述模态信息进行降维处理，得到数据特征提取结果。
其中，所述获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵，包括：
获取多个模态的原始数据，并对所述原始数据进行冗余处理得到中间数据；
将所述中间数据进行图像处理得到每个所述模态对应的数据图像，并对所述数据图像进行灰度处理得到灰度图像；
利用所述灰度图像得到每个所述模态对应的像素矩阵。
其中，对所述原始数据进行冗余处理得到中间数据，包括：
根据所述原始数据获取每个所述模态的多个数据值点；
选取所述数据值点中符合所述模态的信息的数据值点组成数据集；
将所述数据集作为所述中间数据。
其中，利用所述关联关系建立宽度学习的神经网络模型，包括：
通过稀疏自编码方式得到所述神经网络模型的权值矩阵；
利用所述权值矩阵训练所述关联关系建立所述宽度学习的神经网络模型。
其中，将所有所述高维特征融合为模态信息，包括：
通过非线性变换将所有所述高维特征融合为所述模态信息。
其中，将所述模态信息进行降维处理，得到数据特征提取结果之后，还包括：
对降维后的模态信息进行特征表示得到特征矩阵，并显示所述特征矩阵。
其中，根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，包括：
对所述像素矩阵进行线性变换得到每个所述模态的特征信息；
对所述特征信息进行激活函数非线性变换得到所述高维特征。
为实现上述目的，本申请提供了一种数据特征提取系统，包括：
获取模块，用于获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
建立模块，用于分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
提取模块，用于根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
降维模块，用于将所述模态信息进行降维处理，得到数据特征提取结果。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述数据特征提取方法的步骤。
为实现上述目的，本申请提供了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，所述计算机程序被处理器执行时实现如上述数据特征提取方法的步骤。
通过以上方案可知，本申请提供的一种数据特征提取方法，包括：获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；将所述模态信息进行降维处理，得到数据特征提取结果。
本申请提供的数据特征提取方法，通过宽度学习的神经网络模型对多个模态的数据进行特征提取，并将多个模态的特征进行融合，得到数据特征提取结果，相比单一模态的特征提取更加全面。多模态信息融合实现工业生产对多源信息的有效利用，提高了生产质量与生产效率，提高了决策目标和有限资源的优化配置能力。本申请还公开了一种数据特征提取系统及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种数据特征提取方法的流程图；
图2为图1中步骤S101的细化流程图；
图3为本申请实施例公开的另一种数据特征提取方法的流程图；
图4为本申请实施例公开的一种数据特征提取系统的结构图；
图5为本申请实施例公开的一种电子设备的结构图；
图6为本申请实施例公开的另一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开了一种数据特征提取方法，提高了工业数据的利用率。
参见图1，本申请实施例公开的一种数据特征提取方法的流程图，如图1所示，包括：
S101：获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
在具体实施中，首先获取多个模态的原始数据，不同的模态形式可能包含了相同的信息，因此需要对各模态的原始数据进行预处理。选取每个模态的多个数据组成该模态对应的数据集，并根据该数据集得到像素矩阵。本实施例不对预处理的具体步骤进行限定，本领域技术人员可以根据实际情况灵活选择，将在下一实施例进行举例说明。
S102：分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
在获取各个模态的像素矩阵后，通过分析该像素矩阵得到各模态之间的关联关系，并根据该关联关系建立基于宽度学习的神经网络模型。传统的神经网络如BP网络，宽度学习神经网络达到缩短了反向传播计算的运行时间，不容易陷入局部最优等缺陷。宽度学习具有强大的数学理论支撑、简单的平层网络结构、快速的增量建模过程等优点从大量多元异构的工业数据中发掘出内部隐含关联模式，也能更高效的完成训练过程。在本实施例中宽度学习采用了岭回归广义逆直接求取输出连接矩阵，当然也可以采用其他算法，在此不作具体限定。
在神经网络模型的建立过程中，可以在生成节点层采用了稀疏自编码，以便在解码过程中选取了最优权值，在后续特征提取过程中自动去除了冗余信息，减小了训练样本的计算复杂度和训练时间。即本步骤可以包括通过稀疏自编码方式得到所述神经网络模型的权值矩阵；利用所述权值矩阵训练所述关联关系建立所述宽度学习的神经网络模型。
S103：根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
在具体实施中，将像素矩阵输入神经网络模型中，以提取每个所述模态的高维特征。神经网络模型主要包括节点映射特征和增强节点映射特征，从而实现对各模态的特征提取。该神经网络模型还包括融合节点层，对提取的所有模态的高维特征进行融合得到模态信息。
作为一种优选实施方式，本步骤可以包括对所述像素矩阵进行线性变换得到每个所述模态的特征信息；对所述特征信息进行激活函数非线性变换得到所述高维特征；通过非线性变换将所有所述高维特征融合为所述模态信息。
S104：将所述模态信息进行降维处理，得到数据特征提取结果。
在本步骤中，对融合后的模态信息进行降维处理得到尺度更低、表现力更好的特征，实现对工业数据准确与高效的利用。在本实施例中对工业数据从单一模态特征提取到对多模态的特征提取与信息融合，即为分布式的并行处理，弥补了单模态信息的缺陷，对其综合分析能得到更加准确的信息。
作为一种优选实施方式，在本步骤之后还可以包括对降维后的模态信息进行特征表示得到特征矩阵，并显示所述特征矩阵的步骤。在具体实施中，对模态信息进行特征表示，即可实现经多模态数据融合后的数据可视化。
本申请实施例提供的数据特征提取方法，通过宽度学习的神经网络模型对多个模态的数据进行特征提取，并将多个模态的特征进行融合，得到数据特征提取结果，相比单一模态的特征提取更加全面。多模态信息融合实现工业生产对多源信息的有效利用，提高了生产质量与生产效率，提高了决策目标和有限资源的优化配置能力。
下面详细介绍原始数据的预处理过程，即如图2所示，上述实施例中的步骤S101可以具体包括：
S201：获取多个模态的原始数据，并对所述原始数据进行冗余处理得到中间数据；
在本步骤中，首先对各模态的原始数据进行冗余处理得到中间数据。具体的，本步骤可以包括：根据所述原始数据获取每个所述模态的多个数据值点；选取所述数据值点中符合所述模态的信息的数据值点组成数据集；将所述数据集作为所述中间数据。
在具体实施中，首先选取每个模态的多个数据值点，并将这些数据值进行截取最符合该模态信息的数据，然后组成一个数据集如A＝{a1,a2,...,an}。
S202：将所述中间数据进行图像处理得到每个所述模态对应的数据图像，并对所述数据图像进行灰度处理得到灰度图像；
在具体实施中，将每组数据集组成一个模态数据图像，然后对模态数据图像进行图像处理，即图像的灰度处理，得到相应的模态数据的灰度图像。
S203：利用所述灰度图像得到每个所述模态对应的像素矩阵。
在本步骤中，利用上一步骤中得到的每个模态的灰度图像获取相应的像素矩阵。在本实施例中，首先对多模态数据进行了预处理，即去除冗余信息和灰度图像处理，能在对数据进行特征提取之前有效地提取可利用信息，更好的找出不同模态的互补信息，从而更高效的实现信息的预处理。
本申请实施例公开了一种数据特征提取方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图3，本申请实施例提供的另一种数据特征提取方法的流程图，如图3所示，包括：
S301：获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
S302：分析每个所述像素矩阵，得到每个所述模态之间的关联关系；
S303：通过稀疏自编码方式得到所述神经网络模型的权值矩阵，并利用所述权值矩阵训练所述关联关系建立所述宽度学习的神经网络模型；
S304：对所述像素矩阵进行线性变换得到每个所述模态的特征信息，并对所述特征信息进行激活函数非线性变换得到每个所述模态的高维特征；
S305：通过非线性变换将所有所述高维特征融合为模态信息；
在本实施例中，对各个模态数据建立的基于宽度学习的神经网络模型能够利用三个节点层，即特征节点层，增强节点层，融合节点层，实现对信息提取过程的的逐渐强化。通过融合映射层能够进行有效地将多模态信息融合起来，得到有效的融合信息。
在具体实施中，宽度学习模型将关键信息作为输入样本经过一次线性变换后将特征表达映射在特征平面上形成特征节点。其中，特征平面上的特征式为RN×c＝XN×L·WL×c，其中，R为特征节点，N为输入样本个数，L为每个样本的特征维度，c为特征节点个数，W为稀疏自编码求得的最优输入权值矩阵，X为给定输入数据。将得到的特征节点再经过激活函数非线性变换生成增强节点，进一步增强特征信息，实现对关键信息的特征提取，其中，特征提取结果可以表示为，其中，S为增强节点，f为增强节点个数，Wh为随机矩阵，γh为偏置，φ()为可选的非线性激活函数。最后在宽度学习模型的融合节点层，将提取出的多个模态的特征映射经过一个非线性变换抽象融合起来，得到各个模态数据融合后的模态信息。融合后的多源信息包括有各个模态数据的特征，具有更高的准确性和可靠性。
S306：将所述模态信息进行降维处理，得到数据特征提取结果；
S307：对降维后的模态信息进行特征表示得到特征矩阵，并显示所述特征矩阵。
下面对本申请实施例提供的一种数据特征提取系统进行介绍，下文描述的一种数据特征提取系统与上文描述的一种数据特征提取方法可以相互参照。
参见图4，本申请实施例提供的一种数据特征提取系统的结构图，如图4所示，包括：
获取模块401，用于获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
建立模块402，用于分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
提取模块403，用于根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
降维模块404，用于将所述模态信息进行降维处理，得到数据特征提取结果。
本申请实施例提供的数据特征提取系统，通过宽度学习的神经网络模型对多个模态的数据进行特征提取，并将多个模态的特征进行融合，得到数据特征提取结果，相比单一模态的特征提取更加全面。多模态信息融合实现工业生产对多源信息的有效利用，提高了生产质量与生产效率，提高了决策目标和有限资源的优化配置能力。
在上述实施例的基础上，作为一种优选实施方式，所述获取模块401包括：
冗余单元，用于获取多个模态的原始数据，并对所述原始数据进行冗余处理得到中间数据；
图像单元，用于将所述中间数据进行图像处理得到每个所述模态对应的数据图像，并对所述数据图像进行灰度处理得到灰度图像；
矩阵单元，用于利用所述灰度图像得到每个所述模态对应的像素矩阵。
在上述实施例的基础上，作为一种优选实施方式，所述冗余单元包括：
获取子单元，用于根据所述原始数据获取每个所述模态的多个数据值点；
选取子单元，用于选取所述数据值点中符合所述模态的信息的数据值点组成数据集；
确定子单元，用于将所述数据集作为所述中间数据。
在上述实施例的基础上，作为一种优选实施方式，所述建立模块402包括：
编码单元，用于通过稀疏自编码方式得到所述神经网络模型的权值矩阵；
建立单元，用于利用所述权值矩阵训练所述关联关系建立所述宽度学习的神经网络模型。
在上述实施例的基础上，作为一种优选实施方式，所述提取模块403具体为根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并通过非线性变换将所有所述高维特征融合为所述模态信息的模块。
在上述实施例的基础上，作为一种优选实施方式，还包括：
显示模块，用于对降维后的模态信息进行特征表示得到特征矩阵，并显示所述特征矩阵。
在上述实施例的基础上，作为一种优选实施方式，所述提取模块403包括：
线性变换单元，用于对所述像素矩阵进行线性变换得到每个所述模态的特征信息；
非线性变换单元，用于对所述特征信息进行激活函数非线性变换得到所述高维特征；
融合单元，用于将所有所述高维特征融合为模态信息。
本申请还提供了一种电子设备，参见图5，本申请实施例提供的一种电子设备的结构图，如图5所示，包括：
存储器100，用于存储计算机程序；
处理器200，用于执行所述计算机程序时可以实现上述实施例所提供的步骤。
具体的，存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200在一些实施例中可以是一中央处理器(CentralProcessing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，为电子设备提供计算和控制能力，执行所述存储器100中保存的计算机程序时，可以实现上述任一实施例提供的数据特征提取方法的步骤。
本申请实施例通过宽度学习的神经网络模型对多个模态的数据进行特征提取，并将多个模态的特征进行融合，得到数据特征提取结果，相比单一模态的特征提取更加全面。多模态信息融合实现工业生产对多源信息的有效利用，提高了生产质量与生产效率，提高了决策目标和有限资源的优化配置能力。
在上述实施例的基础上，作为优选实施方式，参见图6，所述电子设备还包括：
输入接口300，与处理器200相连，用于获取外部导入的计算机程序、参数和指令，经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。
显示单元400，与处理器200相连，用于显示处理器12处理的数据以及用于显示可视化的用户界面。该显示单元15可以为LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。
网络端口500，与处理器200相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
图6仅示出了具有组件100-500的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本申请还提供了一种计算机可读存储介质，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例提供的数据特征提取方法的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种数据特征提取方法，其特征在于，包括：
获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
将所述模态信息进行降维处理，得到数据特征提取结果。
2.根据权利要求1所述数据特征提取方法，其特征在于，所述获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵，包括：
获取多个模态的原始数据，并对所述原始数据进行冗余处理得到中间数据；
将所述中间数据进行图像处理得到每个所述模态对应的数据图像，并对所述数据图像进行灰度处理得到灰度图像；
利用所述灰度图像得到每个所述模态对应的像素矩阵。
3.根据权利要求2所述数据特征提取方法，其特征在于，对所述原始数据进行冗余处理得到中间数据，包括：
根据所述原始数据获取每个所述模态的多个数据值点；
选取所述数据值点中符合所述模态的信息的数据值点组成数据集；
将所述数据集作为所述中间数据。
4.根据权利要求1所述数据特征提取方法，其特征在于，利用所述关联关系建立宽度学习的神经网络模型，包括：
通过稀疏自编码方式得到所述神经网络模型的权值矩阵；
利用所述权值矩阵训练所述关联关系建立所述宽度学习的神经网络模型。
5.根据权利要求1所述数据特征提取方法，其特征在于，将所有所述高维特征融合为模态信息，包括：
通过非线性变换将所有所述高维特征融合为所述模态信息。
6.根据权利要求1所述数据特征提取方法，其特征在于，将所述模态信息进行降维处理，得到数据特征提取结果之后，还包括：
对降维后的模态信息进行特征表示得到特征矩阵，并显示所述特征矩阵。
7.根据权利要求1-6任一项所述数据特征提取方法，其特征在于，根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，包括：
对所述像素矩阵进行线性变换得到每个所述模态的特征信息；
对所述特征信息进行激活函数非线性变换得到所述高维特征。
8.一种数据特征提取系统，其特征在于，包括：
获取模块，用于获取多个模态的原始数据，对所述原始数据进行预处理得到每个所述模态对应的像素矩阵；
建立模块，用于分析每个所述像素矩阵，得到每个所述模态之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；
提取模块，用于根据所述像素矩阵利用所述神经网络模型提取每个所述模态的高维特征，并将所有所述高维特征融合为模态信息；
降维模块，用于将所述模态信息进行降维处理，得到数据特征提取结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述数据特征提取方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述数据特征提取方法的步骤。
CN201811376725.5A 2018-11-19 2018-11-19 一种数据特征提取方法、系统及电子设备和存储介质 Pending CN109460794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811376725.5A CN109460794A (zh) 2018-11-19 2018-11-19 一种数据特征提取方法、系统及电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811376725.5A CN109460794A (zh) 2018-11-19 2018-11-19 一种数据特征提取方法、系统及电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN109460794A true CN109460794A (zh) 2019-03-12

Family

ID=65610902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811376725.5A Pending CN109460794A (zh) 2018-11-19 2018-11-19 一种数据特征提取方法、系统及电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN109460794A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210518A (zh) * 2019-05-08 2019-09-06 北京互金新融科技有限公司 提取降维特征的方法和装置
CN110378423A (zh) * 2019-07-22 2019-10-25 腾讯科技（深圳）有限公司 特征提取方法、装置、计算机设备及存储介质
CN110458828A (zh) * 2019-08-12 2019-11-15 广东工业大学 一种基于多模态融合网络的激光焊接缺陷识别方法及装置
CN111273676A (zh) * 2020-03-24 2020-06-12 广东工业大学 一种端到端自动驾驶的方法及系统
CN111797860A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 特征提取方法、装置、存储介质及电子设备
CN112270337A (zh) * 2020-09-16 2021-01-26 广州奇化有限公司 一种基于特征映射的异构信息获取方法及装置
CN112862727A (zh) * 2021-03-16 2021-05-28 上海壁仞智能科技有限公司 一种跨模态图像转换方法及装置
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN114239885A (zh) * 2022-01-11 2022-03-25 中国科学院深圳先进技术研究院 一种运行故障预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944274A (zh) * 2017-12-18 2018-04-20 华中科技大学 一种基于宽度学习的Android平台恶意应用离线检测方法
CN108664936A (zh) * 2018-05-14 2018-10-16 浙江师范大学 一种基于机器故障的诊断方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944274A (zh) * 2017-12-18 2018-04-20 华中科技大学 一种基于宽度学习的Android平台恶意应用离线检测方法
CN108664936A (zh) * 2018-05-14 2018-10-16 浙江师范大学 一种基于机器故障的诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾晨 等: "基于宽度学习方法的多模态信息融合", 《HTTP://HTML.RHHZ.NET/TIS/HTML/201803022.HTM#CLOSE》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797860A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 特征提取方法、装置、存储介质及电子设备
CN111797860B (zh) * 2019-04-09 2023-09-26 Oppo广东移动通信有限公司 特征提取方法、装置、存储介质及电子设备
CN110210518A (zh) * 2019-05-08 2019-09-06 北京互金新融科技有限公司 提取降维特征的方法和装置
CN110210518B (zh) * 2019-05-08 2021-05-28 北京互金新融科技有限公司 提取降维特征的方法和装置
CN110378423A (zh) * 2019-07-22 2019-10-25 腾讯科技（深圳）有限公司 特征提取方法、装置、计算机设备及存储介质
CN110458828A (zh) * 2019-08-12 2019-11-15 广东工业大学 一种基于多模态融合网络的激光焊接缺陷识别方法及装置
CN111273676B (zh) * 2020-03-24 2023-04-18 广东工业大学 一种端到端自动驾驶的方法及系统
CN111273676A (zh) * 2020-03-24 2020-06-12 广东工业大学 一种端到端自动驾驶的方法及系统
CN112270337A (zh) * 2020-09-16 2021-01-26 广州奇化有限公司 一种基于特征映射的异构信息获取方法及装置
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113138589B (zh) * 2021-03-12 2022-06-07 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN112862727A (zh) * 2021-03-16 2021-05-28 上海壁仞智能科技有限公司 一种跨模态图像转换方法及装置
CN114239885A (zh) * 2022-01-11 2022-03-25 中国科学院深圳先进技术研究院 一种运行故障预测方法及装置

Similar Documents

Publication Publication Date Title
CN109460794A (zh) 一种数据特征提取方法、系统及电子设备和存储介质
EP4006909B1 (en) Method, apparatus and device for quality control and storage medium
CN108959246A (zh) 基于改进的注意力机制的答案选择方法、装置和电子设备
CN109408058B (zh) 基于机器学习的前端辅助开发方法和装置
CN108734749A (zh) 图像的视觉风格变换
CN105354248A (zh) 基于灰度的分布式图像底层特征识别方法及系统
CN107463331A (zh) 手势轨迹模拟方法、装置及电子设备
CN109783749A (zh) 一种设计素材智能推荐方法、装置及终端设备
US20210279589A1 (en) Electronic device and control method thereof
US10936938B2 (en) Method for visualizing neural network models
CN113360654B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN109409504A (zh) 一种数据处理方法、装置、计算机及存储介质
US20200234131A1 (en) Electronic apparatus and control method thereof
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN112418310B (zh) 文本风格迁移模型训练方法和系统及图像生成方法和系统
CN107291692A (zh) 基于人工智能的分词模型的定制方法、装置、设备和介质
CN109521740A (zh) 一种工业控制方法、系统及电子设备和存储介质
CN110866042A (zh) 表格智能查询方法、装置及计算机可读存储介质
CN110489765A (zh) 机器翻译方法、装置及计算机可读存储介质
CN107943788A (zh) 企业简称生成方法、装置及存储介质
CN112348855B (zh) 视觉里程计特征点提取方法、系统、电子设备和存储介质
WO2021042517A1 (zh) 基于人工智能的文章主旨提取方法、装置及存储介质
CN114187598A (zh) 手写数字识别方法、系统、设备及计算机可读存储介质
CN115082800B (zh) 图像分割方法
CN106991191A (zh) 商品筛选方法及装置、存储介质、电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312

RJ01 Rejection of invention patent application after publication