深度学习方法、系统、服务器及可读存储介质
技术领域
本发明涉及人工智能技术领域,尤其涉及一种深度学习方法、系统、服务器及可读存储介质。
背景技术
随着科学技术的快速发展,AI人工智能技术已广泛地应用于各个领域。机器学习是AI人工智能技术中较为常用的技术,其通过采集一领域大量行业知识的大数据进行建模,并以电脑模拟人脑学习的方式(如深度学习)从大量数据中找到一定的规律,即可快速获得一个可能要花费数十年时间积累行业经验的人类专家的决策建议。而且在对海量数据进行处理的过程中,可能会发现领域内尚不明确或不为人知的规律,进而扩充相关领域知识与计算的适宜/合理性。然而,目前常用的深度学习评估模型(如风险评估)模型仍然需要领域专家提供量化评估,并且无法配合环境变化进行自动调整,如此导致降低评估结果的准确性。
发明内容
鉴于以上内容,有必要提出一种深度学习方法、系统、服务器及可读存储介质以配合环境变化进行自适应调整。
本申请的第一方面提供一种深度学习方法,包括:
对多个因子的权重数据与评分数据进行训练,建立因子权重与评分的评估模型;
实时获取当前环境的因子信息;
将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据;
将当前环境下多个因子的动态权重数据与评分数据输入风险评估模型,确定当前的风险评估结果;
判断当前环境是否满足预设的第一环境重要特征条件;
当当前环境满足预设的第一环境重要特征条件时,对所述多个因子的权重数据及评分数据进行取样;及
对取样得到的所述多个因子的权重及评分的样本数据进行训练,以分别对因子权重与评分的评估模型进行调整。
本申请的第二方面提供一种深度学习系统,所述系统包括:
建立模块,用于对多个因子的权重数据与评分数据进行训练,建立因子权重与评分的评估模型;
获取模块,用于实时获取当前环境的因子信息;
计算模块,用于将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据;
确定模块,用于将当前环境下多个因子的动态权重数据与评分数据输入风险评估模型,确定当前的风险评估结果;
判断模块,用于判断当前环境是否满足预设的第一环境重要特征条件;
取样模块,用于当当前环境满足预设的第一环境重要特征条件时,对所述多个因子的权重数据及评分数据进行取样;及
调整模块,用于对取样得到的所述多个因子的权重及评分的样本数据进行训练,以分别对因子权重与评分的评估模型进行调整。
本申请的第三方面提供一种服务器,所述服务器包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述的深度学习方法。
本申请的第四方面提供一种计算机可读存储介质,其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前所述的深度学习方法。
本发明通过侦测到的环境参数对评估模型进行调整及修正,使得评估模型可以根据环境变化进行自动调整,有效提高了评估结果的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的深度学习方法的应用环境架构示意图。
图2是本发明实施例二提供的深度学习方法的流程图。
图3是本发明实施例二中深度学习方法的神经网络示意图。
图4是本发明实施例三提供的深度学习系统的结构示意图。
图5是本发明实施例四提供的服务器示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
参阅图1所示,为本发明实施例一提供的深度学习方法的应用环境架构示意图。
本发明中的深度学习方法应用在服务器1中,所述服务器1与至少一数据库2、采集终端3及终端设备4通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
所述服务器1可以是单一的服务器、服务器集群或云端服务器等,安装有深度学习软件。所述数据库2用于给所述服务器1提供数据存取服务。所述采集终端3为配置有感测装置的电子设备,用于根据深度学习的项目进行现场环境信息的采集。所述终端设备4为智能电子设备,包括但不限于智能手机、平板电脑、膝上型便捷计算机、台式计算机等。
实施例二
请参阅图2所示,是本发明第二实施例提供的深度学习方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S10,采用层次分析法确定所述多个因子、每个因子的权重数据及每个因子的评分数据。
需要说明的是,为便于描述,本说明书以某区域消防设施隐患风险项目为例进行说明。
在本实施方式中,根据层次分析法,影响所述区域消防设施隐患风险的因素可以划分为消防系统设备妥善状况、消防抢救器材妥善状况及逃生辅助器材妥善状况,影响所述消防系统设备妥善状况的因子包括定址感烟火灾探测器妥善率、手动报警按钮妥善率、喷淋信号阀妥善率、喷淋压力开关妥善率等。
进一步地,所述步骤S10根据专家经验对影响所述消防系统设备妥善状况的因子进行两两比较,生成比较矩阵,判定因子间的相对重要性,然后用归一法确定每个因子的权重。所述步骤S10根据多层次模糊综合评价与专家经验对每个因子进行评分。
步骤S20,对多个因子的权重数据与评分数据进行训练,建立因子权重与评分的评估模型。
在所述步骤S20中,首先确定当前的因子信息,将因子信息、权重数据及评分数据转换为0到1之间的分量,然后将数据转换后的因子信息、每个因子的权重数据及评分数据输入一类神经网络进行训练。
请参考图3,在本实施方式中,所述因子信息为每个因子的故障数,作为所述类神经网络的输入层,权重数据与评分数据作为所述类神经网络的目标输出层。所述因子的权重数据与评分数据分别在一类神经网络中进行训练,对输入的数据样本进行测试验证,直至实际输出值与目标输出值在允许的误差范围内,如此建立初始的因子权重与因子评分的评估模型。
具体的,首先基于所述类神经网络作向前传递运算,根据输入的故障数计算出所有神经元的实际输出值。其中,计算公式(1)为:
式中,Oj为输出项,xj为加权累加数。其中,所述加权累加数的计算公式(2)为:
式中,bi为偏权值,wji为权重值,ii为输入的故障数。
其次,基于所述类神经网络作向后传递运算,计算目标输出值与实际输出值之间的差值。其中,计算公式(3)为:
δi=Oj(1-Oj)(Ti-Oj)。
式中,δi为目标输出值与实际输出值之间的差值,Ti为目标输出量。
进一步地,根据上述差值计算偏权值与权重变量。其中,偏权值变量的计算公式(4)为:
Δbi=ηδi。
式中,Δbi为偏权值变量,η为机器学习速率,用于控制权重修正幅度。
权重变量的计算公式(5)为:
Δwji=xjηδi。
最后,根据上述偏权值变量及权重变量修正下一轮偏权值及权重值。其中,修正下一轮偏权值的计算公式(6)为:
bi+1=bi+Δbi。
修正下一轮权重值的计算公式(7)为:
wji+1=wji+Δwji。
进一步地,所述步骤20还包括将建立的因子权重评估模型与评分评估模型存储至所述数据库2中。
步骤S30,实时获取当前环境的因子信息。
在本实施方式中,所述服务器1发送一控制指令至所述终端设备2,所述终端设备2可以响应所述控制指令侦测并获取当前环境下每个因子的信息,即消防设备的信息。优选地,所述消防设备的信息为各个设备的实时故障数。所述终端设备2还将获取到的当前环境下每个因子的信息回传至所述服务器1。
步骤S40,将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
具体的,先将所述消防设备的实时故障数转换为0到1之间的分量,然后将转换后的实时故障数分别输入因子权重的评估模型及因子评分的评估模型,通过上述计算公式(1)与计算公式(2)分别计算出对应的权重数据与评分数据。
步骤S50,将当前环境下多个因子的动态权重数据与评分数据输入风险评估模型,确定当前的风险评估结果。
具体的,所述风险评估模型用于根据输入的权重数据与评分数据计算风险值,作为当前的风险评估结果。其中,所述风险值的计算公式(8)为:
式中,Di(max)为安全等级的最大安全值,Di(min)为安全等级的最小安全值。
步骤S60,判断当前环境是否满足预设的第一环境重要特征条件。
在本实施方式中,所述第一环境重要特征条件为预设的所有因子总评分值范围的下限值,所述步骤S60具体为判断当前环境下所有因子的总评分是否小于所述预设的所有因子总评分值范围的下限值。当判断结果为是时,说明当前环境满足预设的第一环境重要特征条件,所述流程进入步骤S70。当判断结果为否时,说明当前环境不满足预设的第一环境重要特征条件,所述流程返回步骤S30继续获取当前环境的因子信息,将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
步骤S70,当当前环境满足预设的第一环境重要特征条件时,对所述多个因子的权重数据及评分数据进行取样。
可以理解的是,在所述步骤S70中,当当前环境下所有因子的总评分满足预设的第一环境重要特征条件时,继续对所述多个因子的权重数据及评分数据进行取样。
步骤S80,对取样得到的所述多个因子的权重及评分的样本数据进行训练,以分别对因子权重与评分的评估模型进行调整更新。
步骤S90,判断当前环境是否满足预设的第二环境重要特征条件。
在本实施方式中,所述第二环境重要特征条件为预设的所有因子总评分值范围的上限值。所述步骤S90具体为在因子权重与评分的评估模型调整更新后,判断当前环境下所有因子的总评分是否大于或等于所述预设权重值或评分值安全范围的上限值。
当判断结果为是时,说明当前环境满足预设的第二环境重要特征条件。当判断结果为否时,说明当前环境不满足预设的第二环境重要特征条件,所述流程返回步骤S30继续获取当前环境的因子信息,将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
步骤S100,当当前环境满足预设的第二环境重要特征条件时,导入更新后的因子权重与评分的评估模型。
进一步地,导入更新后的因子权重与评分的评估模型之后,所述流程返回步骤S40,在所述步骤S40中,将获取到的当前环境的因子信息输入所述更新后的因子权重与评分的评估模型,以计算当前环境下多个因子的动态权重数据与评分数据。
进一步地,所述服务器1可以将通过以上步骤确定的项目评估模型计算出的评估结果发送至用户的终端设备4,所述用户可以根据项目评估结果通过所述终端设备4发送反馈信息至所述服务器1,所述服务器1则进一步根据用户的反馈信息确定维持当前的评估模型或对当前的评估模型进行修正。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
实施例三
图4为本发明深度学习系统较佳实施例的结构图。
在一些实施例中,深度学习系统100运行于服务器1中。所述服务器通过网络连接了数据库2、采集终端3及终端设备4。所述深度学习系统100可以包括多个由程序代码段所组成的功能模块。所述深度学习系统100中的各个程序段的程序代码可以存储于服务器的存储器中,并由所述至少一个处理器所执行,以实现深度学习功能。
本实施例中,所述深度学习系统100根据其所执行的功能,可以被划分为多个功能模块。参阅图4所示,所述功能模块可以包括:确定模块101、建立模块102、获取模块103、计算模块104、判断模块105、取样模块106、调整模块107及导入模块108。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述确定模块101用于采用层次分析法确定所述多个因子、每个因子的权重数据及每个因子的评分数据。
需要说明的是,为便于描述,本说明书以区域消防设施隐患风险项目为例进行说明。
在本实施方式中,根据层次分析法,影响所述区域消防设施隐患风险的因素可以划分为消防系统设备妥善状况、消防抢救器材妥善状况及逃生辅助器材妥善状况,影响所述消防系统设备妥善状况的因子包括定址感烟火灾探测器妥善率、手动报警按钮妥善率、喷淋信号阀妥善率、喷淋压力开关妥善率等。
进一步地,所述确定模块101根据专家经验对影响所述消防系统设备妥善状况的因子进行两两比较,生成比较矩阵,判定因子间的相对重要性,然后用归一法确定每个因子的权重。根据多层次模糊综合评价与专家经验对每个因子进行评分。
所述建立模块102用于对多个因子的权重数据与评分数据进行训练,建立因子权重与评分的评估模型。
所述建立模块102首先确定当前的因子信息,将因子信息、权重数据及评分数据转换为0到1之间的分量,然后将数据转换后的因子信息、每个因子的权重数据及评分数据输入一类神经网络进行训练。
请参考图3,在本实施方式中,所述因子信息为每个因子的故障数,作为所述类神经网络的输入层,权重数据与评分数据作为所述类神经网络的目标输出层。所述因子的权重数据与评分数据分别在一类神经网络中进行训练,对输入的数据样本进行测试验证,直至实际输出值与目标输出值在允许的误差范围内,如此建立初始的因子权重与因子评分的评估模型。
具体的,首先,基于所述类神经网络作向前传递运算,根据输入的故障数计算出所有神经元的实际输出值。其中,计算公式(1)为:
式中,Oj为输出项,xj为加权累加数。其中,所述加权累加数的计算公式(2)为:
式中,bi为偏权值,wji为权重值,ii为输入的故障数。
其次,基于所述类神经网络作向后传递运算,计算目标输出值与实际输出值之间的差值。其中,计算公式(3)为:
δi=Oj(1-Oj)(Ti-Oj)。
式中,δi为目标输出值与实际输出值之间的差值,Ti为目标输出量。
进一步地,根据上述差值计算偏权值与权重变量。其中,偏权值变量的计算公式(4)为:
Δbi=ηδi。
式中,Δbi为偏权值变量,η为机器学习速率,用于控制权重修正幅度。
权重变量的计算公式(5)为:
Δwji=xjηδi。
最后,根据上述偏权值变量及权重变量修正下一轮偏权值及权重值。其中,修正下一轮偏权值的计算公式(6)为:
bi+1=bi+Δbi。
修正下一轮权重值的计算公式(7)为:
wji+1=wji+Δwji。
所述获取模块103用于实时获取当前环境的因子信息。
在本实施方式中,所述获取模块103发送一控制指令至所述采集终端3,所述采集终端3可以响应所述控制指令侦测并获取当前环境下每个因子的信息,即消防设备的信息。优选地,所述消防设备的信息为各个设备的实时故障数。所述终端设备2还将获取到的当前环境下每个因子的信息回传至所述获取模块103。
所述计算模块104用于将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
具体的,所述计算模块104先将所述消防设备的实时故障数转换为0到1之间的分量,然后将转换后的实时故障数分别输入因子权重的评估模型及因子评分的评估模型,通过上述计算公式(1)与计算公式(2)分别计算出对应的权重数据与评分数据。
所述确定模块101还将当前环境下多个因子的动态权重数据与评分数据输入风险评估模型,确定当前的风险评估结果。
具体的,所述确定模块101通过所述风险评估模型根据输入的权重数据与评分数据计算风险值,作为当前的风险评估结果。其中,所述风险值的计算公式(8)为:
式中,Di(max)为安全等级的最大安全值,Di(min)为安全等级的最小安全值。
所述判断模块105用于判断当前环境是否满足预设的第一环境重要特征条件。
在本实施方式中,所述第一环境重要特征条件为预设的所有因子总评分值范围的下限值,所述判断模块105判断当前环境下所有因子的总评分是否小于所述预设的所有因子总评分值范围的下限值。当判断结果为是时,说明当前环境满足预设的第一环境重要特征条件。当判断结果为否时,说明当前环境不满足预设的第一环境重要特征条件,所述获取模块103继续获取当前环境的因子信息,所述计算模块104将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
所述取样模块106用于当当前环境满足预设的第一环境重要特征条件时,对所述多个因子的权重数据及评分数据进行取样。
可以理解的是,所述取样模块106当当前环境下所有因子的总评分满足预设的第一环境重要特征条件时,继续对所述多个因子的权重数据及评分数据进行取样。
所述调整模块107对取样得到的所述多个因子的权重及评分的样本数据进行训练,以分别对因子权重与评分的评估模型进行调整更新。
所述判断模块105还用于判断当前环境是否满足预设的第二环境重要特征条件。
在本实施方式中,所述第二环境重要特征条件为预设的所有因子总评分值范围的上限值。所述判断模块105在因子权重与评分的评估模型调整更新后,判断当前环境下所有因子的总评分是否大于或等于所述预设权重值或评分值安全范围的上限值。
当判断结果为是时,说明当前环境满足预设的第二环境重要特征条件。当判断结果为否时,说明当前环境不满足预设的第二环境重要特征条件,继续获取当前环境的因子信息,将获取到的当前环境的因子信息输入所述因子权重与因子评分的评估模型,并计算当前环境下多个因子的动态权重数据与评分数据。
所述导入模块108用于当当前环境满足预设的第二环境重要特征条件时,导入更新后的因子权重与评分的评估模型至所述计算模块104。所述计算模块104将获取到的当前环境的因子信息输入所述更新后的因子权重与评分的评估模型,以计算当前环境下多个因子的动态权重数据与评分数据。
实施例四
图5为本发明服务器较佳实施例的示意图。
所述服务器1包括处理器10、存储器20以及存储在所述存储器20中并可在所述处理器10上运行的计算机程序30,例如深度学习程序。所述处理器10执行所述计算机程序30时实现上述深度学习方法实施例中的步骤,例如图2所示的步骤S10~S100。或者,所述处理器10执行所述计算机程序30时实现上述深度学习系统实施例中各模块/单元的功能,例如图4中的模块101-108。
示例性的,所述计算机程序30可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序30在所述服务器1中的执行过程。例如,所述计算机程序30可以被分割成图4中的确定模块101、建立模块102、获取模块103、计算模块104、判断模块105、取样模块106、调整模块107及导入模块108。各模块具体功能参见实施例三。
所述服务器1服务器集群或及云端服务器。本领域技术人员可以理解,所述示意图仅仅是服务器1的示例,并不构成对服务器1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述服务器1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器10也可以是任何常规的处理器等,所述处理器10是所述服务器1的控制中心,利用各种接口和线路连接整个服务器1的各个部分。
所述存储器20可用于存储所述计算机程序30和/或模块/单元,所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述服务器1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述服务器1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的服务器和方法,可以通过其它的方式实现。例如,以上所描述的服务器实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。服务器权利要求中陈述的多个单元或服务器也可以由同一个单元或服务器通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。