CN110796398A - 一种智能评测系统 - Google Patents

一种智能评测系统 Download PDF

Info

Publication number
CN110796398A
CN110796398A CN202010004358.7A CN202010004358A CN110796398A CN 110796398 A CN110796398 A CN 110796398A CN 202010004358 A CN202010004358 A CN 202010004358A CN 110796398 A CN110796398 A CN 110796398A
Authority
CN
China
Prior art keywords
information
module
intelligent evaluation
scientific
intellectual property
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
CN202010004358.7A
Other languages
English (en)
Inventor
江峰
李缙航
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.)
Hangzhou Haozhi Tiancheng Information Technology Co Ltd
Original Assignee
Hangzhou Haozhi Tiancheng Information Technology Co Ltd
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 Hangzhou Haozhi Tiancheng Information Technology Co Ltd filed Critical Hangzhou Haozhi Tiancheng Information Technology Co Ltd
Priority to CN202010004358.7A priority Critical patent/CN110796398A/zh
Publication of CN110796398A publication Critical patent/CN110796398A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能评测技术领域，具体地说，涉及一种智能评测系统。其包括信息录入模块、格式转化模块、智能评测模块和输出结果模块，其特征在于：所述信息录入模块用于录入需要评测的信息；所述格式转化模块将录入的评测信息转化成统一格式；所述智能评测模块用于对统一格式的评测信息进行在线评测；所述输出结果模块用于输出评测后的评测信息。该智能评测系统中，建立知识产权信息和科技项目申报信息数据库，并对知识产权信息和科技项目申报信息数据库进行训练，生成用于自动评价建立知识产权信息和科技项目申报信息的判别器，采用大量数据进行训练，完善判别器的精度，并通过Sigmoid函数变换快速输出判别结构，实现智能评测。

Description

一种智能评测系统
技术领域
本发明涉及智能评测技术领域，具体地说，涉及一种智能评测系统。
背景技术
随着人工智能的发展，我们现在各个产品线中都融入大量的智能算法，对于线上的知识产权和科技项目申报业务来说，每天面临大量的知识产权和科技项目申报业务数据，而目前，知识产权和科技项目申报业务数据多采用人工筛选，效率低，且人工成本高。
发明内容
本发明的目的在于提供一种智能评测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供一种智能评测系统，包括信息录入模块、格式转化模块、智能评测模块和输出结果模块，其特征在于：所述信息录入模块用于录入需要评测的信息；所述格式转化模块将录入的评测信息转化成统一格式；所述智能评测模块用于对统一格式的评测信息进行在线评测；所述输出结果模块用于输出评测后的评测信息。
作为优选，所述信息录入模块录入的信息为知识产权信息和科技项目申报信息。
作为优选，所述格式转化模块中，统一格式为PDF格式。
作为优选，所述智能评测模块的建立步骤如下：
S1、收集知识产权信息和科技项目申报信息；
S2、对收集的知识产权信息和科技项目申报信息进行人工评价，按评价高低打分，并进行排序；
S3、建立数据库，将同一评分的知识产权信息和科技项目申报信息位于同一子数据库内；
S4、对数据库进行训练，生成判别器。
作为优选，所述S2中，按评价高低打分排序采用核校准函数，给定核函数
Figure 630538DEST_PATH_IMAGE001
，则 公式如下：
。
作为优选，所述S4中，对数据库进行训练步骤如下：
S4.1、建立生成器：将未评分的知识产权信息和科技项目申报信息输入生成器G；
S4.2、映射样本：采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S4.3、建立判别器：将评分后的知识产权信息和科技项目申报信息数据以及生成器G映射的样本G(z)输入判别器D。
作为优选，所述判别器D的优化函数为：
Figure 731535DEST_PATH_IMAGE004
。
作为优选，所述生成器G的优化函数为：
。
作为优选，所述输出结果模块采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果。
与现有技术相比，本发明的有益效果：
1、该智能评测系统中，建立知识产权信息和科技项目申报信息数据库，并对知识产权信息和科技项目申报信息数据库进行训练，生成用于自动评价建立知识产权信息和科技项目申报信息的判别器。
2、该智能评测系统中，采用大量数据进行训练，完善判别器的精度，并通过Sigmoid函数变换快速输出判别结构，实现智能评测。
附图说明
图1为本发明的智能评测模块的建立步骤框图；
图2为本发明的数据库训练步骤框图。
具体实施方式
下面将结合本发明实施例中的附图，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。
请参阅图1-图2所示，本发明提供一种技术方案：
本发明提供一种智能评测系统，包括信息录入模块、格式转化模块、智能评测模块和输出结果模块，其特征在于：信息录入模块用于录入需要评测的信息；格式转化模块将录入的评测信息转化成统一格式；智能评测模块用于对统一格式的评测信息进行在线评测；输出结果模块用于输出评测后的评测信息。
本实施例中，信息录入模块录入的信息为知识产权信息和科技项目申报信息。
进一步的，格式转化模块中，统一格式为PDF格式。
值得说明的是，智能评测模块的建立步骤如下：
S1、收集知识产权信息和科技项目申报信息；
S2、对收集的知识产权信息和科技项目申报信息进行人工评价，按评价高低打分，并进行排序；
S3、建立数据库，将同一评分的知识产权信息和科技项目申报信息位于同一子数据库内；
S4、对数据库进行训练，生成判别器。
其中，S2中，按评价高低打分排序采用核校准函数，给定核函数，则公式如下：
Figure 629587DEST_PATH_IMAGE002
。
每给定一组有限样本集合
Figure 510955DEST_PATH_IMAGE007
，核矩阵
Figure 338621DEST_PATH_IMAGE008
以及
Figure 113679DEST_PATH_IMAGE009
间的校 准公式如下：
Figure 772194DEST_PATH_IMAGE010
式中，
Figure 265492DEST_PATH_IMAGE011
为积，而
Figure 867692DEST_PATH_IMAGE013
指
Figure 821741DEST_PATH_IMAGE012
范数；
给定训练集，将不同核函数应用到不同的特征上后可得特征核矩阵
Figure 412123DEST_PATH_IMAGE014
，而利 用训练集样本的标签则可以得到目标核矩阵，特征核矩阵和目标核矩阵的核校准值越 高，表示两者相关度越高，核矩阵融合的目标即使得融合的核矩阵
Figure 734837DEST_PATH_IMAGE016
与目标核 矩阵校准值最大化，即：
Figure 390946DEST_PATH_IMAGE017
定义向量
Figure 468623DEST_PATH_IMAGE018
，矩阵
Figure 235591DEST_PATH_IMAGE019
，其中
Figure 449535DEST_PATH_IMAGE020
，则优化 问题公式为：
Figure 10966DEST_PATH_IMAGE021
。
具体的，S3中建立数据库采用MYSQL类型数据库，导入代码如下：
typedef enum {
EXIT_DEL ，//如果目标数据库已存在，则先删除目标数据库
EXIT_IGN ，//如果目标数据库已存在，则忽略，继续后面的操作
//如果目标数据表已存在，则忽略，继续后面其他数据表的导入
EXIT_ABORT//如果目标数据库已存在，则终止本次导入操作
}IF_EXIT；
typedef enum
{
DB_SCSDB ，//SCSDB类型数据库
DB_MYSQL ，//MYSQL类型数据库
DB_ORACLE ，
DB_SQLSERVER
}DB_TYPE；
//连接数据库服务器的一些必要参数
typedef struct
{
DB_TYPE db_type；//数据库类型
const char* ip；//数据库服务器ip
int port；//数据库服务端口号
const char* user；//连接、操作数据库的用户名
const char* pwd；//密码
}DB_SERVER_CON；
//import接口参数的结构体
typedef struct
{
DB_SERVER_CON src_server；//源数据库服务器
DB_SERVER_CON dst_server；//目标数据库服务器
const char* db；//将要导入的数据库名称，不能为NULL
const char* table；//将要导入的数据表名称，若不为NULL，则只导入table指定的数据表
//若为NULL，则导入数据库db中的所有数据表
int ip_struct；//是否导入表结构，表示不导入表结构，表示导入表结构，其他值非法
int ip_data；//是否导入表中数据，表示不导入表中数据，表示导入表中数据，其他值非法
IF_EXIT db_exit；//目标数据库已存在时，需要进行的处理
IF_EXIT table_exit；//目标数据表已存在时，需要进行的处理。
进一步的，S4中，对数据库进行训练步骤如下：
S4.1、建立生成器：将未评分的知识产权信息和科技项目申报信息输入生成器G；
S4.2、映射样本：采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S4.3、建立判别器：将评分后的知识产权信息和科技项目申报信息数据以及生成器G映射的样本G(z)输入判别器D。
其中，判别器D的优化函数为：
Figure 372677DEST_PATH_IMAGE023
。
进一步的，生成对抗网络判别器D的优化过程，从评分后的知识产权信息和科技项目申报信息数据中抽取m个样本，同时从未评分的知识产权信息和科技项目申报信息数据中抽取m个噪声样本送入生成器G而生成数据
Figure DEST_PATH_IMAGE025
，通过梯度上升法跟新迭代判别器D的参数，
Figure 341071DEST_PATH_IMAGE027
以使得极大化
Figure 65314DEST_PATH_IMAGE029
，该过程在一次优化循环迭代中会重复n次，确保最大化价值函数。
其中，生成器G的优化函数为：
Figure 673013DEST_PATH_IMAGE031
。
进一步的，生成对抗网络生成器G的优化过程，从未评分的知识产权信息和科技项目申报信息数据中另外抽取m噪声样本
Figure DEST_PATH_IMAGE033
通过梯度下降法，更新迭代生成器参数以使得极大化
Figure DEST_PATH_IMAGE037
，该过程在一次优化循环迭代中重复一次，可以避免更新太多使得JS散度上升。
输出结果模块采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果， 判别器D采用匹配算法实现，该算法进行双层匹配，第一层是基因块间的匹配，首先对二进 制字符串A、B对应的基因块进行匹配，采用传统的
Figure 912233DEST_PATH_IMAGE038
连续位匹配规则，当匹配位数大于等于
Figure 630790DEST_PATH_IMAGE038
（为基因块
Figure DEST_PATH_IMAGE039
与匹配阈值）时，基因块
Figure 855601DEST_PATH_IMAGE039
与
Figure 502483DEST_PATH_IMAGE040
匹配，由于各基因锁代表的行为不同，其位 数长短也不同，不同基因的匹配阈值应根据相应基因长度确定，记基因
Figure DEST_PATH_IMAGE041
长度为
Figure 404580DEST_PATH_IMAGE042
，结合 传统的匹配方法的基因块匹配中阈值的确定函数为：
Figure DEST_PATH_IMAGE043
式中，
Figure 242928DEST_PATH_IMAGE044
为传统连续位匹配阈值，则基因块匹配函数表示如下：
Figure 568867DEST_PATH_IMAGE046
第二层为字符串的匹配，根据第一层匹配得出的
Figure DEST_PATH_IMAGE047
，即各基因块间的匹配程度， 根据基因块的各权重，计算得出字符串A与B的亲和度，即：
Figure 856629DEST_PATH_IMAGE048
匹配算法流程如下：根据阴性选择原理，首先需要生成足够的检测器，然后检测器开始检测。定义自体集集合SELF，非自体集NONSELF，根据实际应用确定字符串S由几种基因组成，并确定基因权重及阈值R，r；随机生成检测器并根据改进匹配算法规则进行耐受训练；如果AD≥R则删除字符串，否则将a加入检测器集合DET；循环上述过程直至生成实验所需数量检测器；检测器对网络行为进行检测，如果全部检测器均没有与之发生匹配，则判断网络行为正常，否则判断其为入侵。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种智能评测系统，包括信息录入模块、格式转化模块、智能评测模块和输出结果模块，其特征在于：所述信息录入模块用于录入需要评测的信息；所述格式转化模块将录入的评测信息转化成统一格式；所述智能评测模块用于对统一格式的评测信息进行在线评测；所述输出结果模块用于输出评测后的评测信息。
2.根据权利要求1所述的智能评测系统，其特征在于：所述信息录入模块录入的信息为知识产权信息和科技项目申报信息。
3.根据权利要求1所述的智能评测系统，其特征在于：所述格式转化模块中，统一格式为PDF格式。
4.根据权利要求2所述的智能评测系统，其特征在于：所述智能评测模块的建立步骤如下：
S1、收集知识产权信息和科技项目申报信息；
S2、对收集的知识产权信息和科技项目申报信息进行人工评价，按评价高低打分，并进行排序；
S3、建立数据库，将同一评分的知识产权信息和科技项目申报信息位于同一子数据库内；
S4、对数据库进行训练，生成判别器。
5.根据权利要求4所述的智能评测系统，其特征在于：所述S2中，按评价高低打分排序 采用核校准函数，给定核函数
Figure 448666DEST_PATH_IMAGE001
，则公式如下：
Figure 896965DEST_PATH_IMAGE002
。
6.根据权利要求4所述的智能评测系统，其特征在于：所述S4中，对数据库进行训练步骤如下：
S4.1、建立生成器：将未评分的知识产权信息和科技项目申报信息输入生成器G；
S4.2、映射样本：采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S4.3、建立判别器：将评分后的知识产权信息和科技项目申报信息数据以及生成器G映射的样本G(z)输入判别器D。
7.根据权利要求6所述的智能评测系统，其特征在于：所述判别器D的优化函数为：
Figure DEST_PATH_IMAGE003
。
8.根据权利要求6所述的智能评测系统，其特征在于：所述生成器G的优化函数为：
Figure 332494DEST_PATH_IMAGE004
。
9.根据权利要求6所述的智能评测系统，其特征在于：所述输出结果模块采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果。
CN202010004358.7A 2020-01-03 2020-01-03 一种智能评测系统 Pending CN110796398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010004358.7A CN110796398A (zh) 2020-01-03 2020-01-03 一种智能评测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010004358.7A CN110796398A (zh) 2020-01-03 2020-01-03 一种智能评测系统

Publications (1)

Publication Number Publication Date
CN110796398A true CN110796398A (zh) 2020-02-14

Family

ID=69448465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010004358.7A Pending CN110796398A (zh) 2020-01-03 2020-01-03 一种智能评测系统

Country Status (1)

Country Link
CN (1) CN110796398A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656920A (zh) * 2017-09-14 2018-02-02 杭州电子科技大学 一种基于专利的科技人才推荐方法
CN107862293A (zh) * 2017-09-14 2018-03-30 北京航空航天大学 基于对抗生成网络的雷达生成彩色语义图像系统及方法
CN108764298A (zh) * 2018-04-29 2018-11-06 天津大学 基于单分类器的电力图像环境影响识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656920A (zh) * 2017-09-14 2018-02-02 杭州电子科技大学 一种基于专利的科技人才推荐方法
CN107862293A (zh) * 2017-09-14 2018-03-30 北京航空航天大学 基于对抗生成网络的雷达生成彩色语义图像系统及方法
CN108764298A (zh) * 2018-04-29 2018-11-06 天津大学 基于单分类器的电力图像环境影响识别方法

Similar Documents

Publication Publication Date Title
Wang et al. Heterogeneous network representation learning approach for ethereum identity identification
Zhang et al. Intrusion detection for IoT based on improved genetic algorithm and deep belief network
CN113806746B (zh) 基于改进cnn网络的恶意代码检测方法
CN110225030B (zh) 基于rcnn-spp网络的恶意域名检测方法及系统
CN111292195A (zh) 风险账户的识别方法及装置
CN112087447B (zh) 面向稀有攻击的网络入侵检测方法
CN109766469A (zh) 一种基于深度哈希学习优化的图像检索方法
CN111008224B (zh) 一种基于深度多任务表示学习的时间序列分类和检索方法
CN113140254B (zh) 元学习药物-靶点相互作用预测系统及预测方法
CN113723440B (zh) 一种云平台上加密tls应用流量分类方法及系统
CN112860904B (zh) 一种融入外部知识的生物医疗关系抽取方法
CN113343901A (zh) 基于多尺度注意力图卷积网络的人体行为识别方法
Wanda et al. URLDeep: Continuous Prediction of Malicious URL with Dynamic Deep Learning in Social Networks.
Wang et al. Molecular property prediction based on a multichannel substructure graph
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN113254716B (zh) 视频片段检索方法、装置、电子设备和可读存储介质
CN111178902A (zh) 基于自动化特征工程的网络支付欺诈检测方法
JPH0934863A (ja) ニューラルネットワークによる情報統合処理方法
CN111652021B (zh) 一种基于bp神经网络的人脸识别方法及系统
CN110674265B (zh) 面向非结构化信息的特征判别与信息推荐系统
CN110796398A (zh) 一种智能评测系统
CN114169007B (zh) 基于动态神经网络的医疗隐私数据识别方法
CN111275447B (zh) 基于自动化特征工程的在线网络支付欺诈检测系统
CN108256083A (zh) 基于深度学习的内容推荐方法
CN108280176A (zh) 基于MapReduce的数据挖掘优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214