CN111709468A - 一种定向人工智能的训练方法、装置及存储介质 - Google Patents
一种定向人工智能的训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111709468A CN111709468A CN202010507789.5A CN202010507789A CN111709468A CN 111709468 A CN111709468 A CN 111709468A CN 202010507789 A CN202010507789 A CN 202010507789A CN 111709468 A CN111709468 A CN 111709468A
- Authority
- CN
- China
- Prior art keywords
- training
- artificial intelligence
- agricultural
- decision
- grid
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract 3
- 230000006870 function Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000000575 pesticide Substances 0.000 claims description 7
- 238000005507 spraying Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农业定向人工智能的训练方法，连续采集农业用地的图形数据及相应的农业数据，并进行预处理，构建训练集和测试集，并搭建仿真平台，根据计算终端的性能选择相应的人工智能算法，通过并行虚拟系统进行训练，在多种人工智能算法中根据性能需求进行算力分配，构建评估网络，对每次决策进行评估，提高决策训练的效率，统筹每一个网格作出的决策，根据网格距离选择所做的相应决策的成本，将得到的最优决策进行部署。本发明通过多种人工智能训练方法，在单一运算节点中进行训练，在计算能力有限的情况下，更多的调动CPU和GPU的并行运算，并引入评估函数减少训练开销，极大的降低了农业执行的运营成本。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及种定向人工智能的训练方法、装置及存储介质。
背景技术
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。机器学习是一种使获取知识自动化的计算方法的学习。目的是使计算机获取新的知识或技能，从而不断改善自身的性能。机器学习技术被广泛用于分类(classification)、预测(prediction)、关联(association)以及侦查(detection)等目的。
采集服务器采用的是规则归纳(Rule Induction)的机器学习方法，该技术利用训练集中产生的一棵决策树或一组决策规则来进行分类，具有易于处理大型数据，适合进行分类和预测的优点。对于整理后的不同数据，其数据间有明确以及清晰的分类标准。因此，利用机器学习技术中的规则归纳方法，先人工整理并提取数据，准备相关分类的训练集文本放置到相应的目录下，自动机器学习训练并借此来确定用来区分的属性。当分类属性确定好后，可以通过分析对新的数据进行合适的分类，为数据打上标签。
对于农业数据而言，现在数据收集难点在于，由于农业的特殊性，数据过于碎片化，100亩里50亩和50亩之间的土地性质都不样，如果没有足够的算法型AI根本处理不过来如此的数据，即使采用相同的算法进行决策，得到的结果也并不是最好的。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种农业定向人工智能的训练方法，所述训练方法包括：
步骤S1，连续采集农业用地的图形数据及相应的农业数据，对农业用地的全部图形数据进行网格化标记，并根据采集的所述农业用地的参数对网格标记的样本进行样本分类，动态调整所述网格标记序号，对相似样本数据选择相同标记集合，得到针对于每一个网格的训练样本数据，并统计不同集合的近似概率，若所述近似概率达到第一阈值则判定为所述相似网格，对于不同的网格选择不同的人工智能训练方式；
步骤S2，对相似样本进行归集后，对任一网格标记的农业用地将所述相似样本的农业数据信息输入至预设的人工智能的机器学习训练集，通过单独的计算节点对单一网格标记的图形数据样本及对应的农业数据信息进行训练，其中，单独的计算机节点为单一计算终端，其中包括多个互相隔离的虚拟计算单元，任一虚拟计算单元对应于一个网络标记的农业用地的运算，其中，所述农业数据信息包括土地盐碱度、网格面积、水渠控制参数及农药喷洒参数；
步骤S3，构建农业操作模拟仿真，对所述训练集进行人工智能训练以区分所述不同网格对应农业用地的策略偏向，对所述数据信息进行分类并设置对应的标签，通过构建的评估函数，对相似样本采用相同的人工智能训练方法生成的决策进行合作调度以减小人工智能训练的计算量；
步骤S4，在进行训练的过程中，针对于任一网格，若所述评估函数判断当前决策偏离最优策略的概率大于第二阈值，则停止当前网格人工智能训练并重新进行决策，直至得到最优决策，所述评估函数Q为：ρt＝argmax(U(st,ρ)+V(st,ρ))，其中，ρt为决策第t步时的评价函数值，U(st,ρ)为决策网络值，V(st,ρ)为价值网络修正值；
步骤S5，根据最优决策对所述农业用地进行部署，所述部署的决策包括农药喷洒、火灾控制、水渠控制。
更进一步地，所述步骤S1进一步包括：对采集的农业用地的图形数据进行栅格化，将农业用地的环境划分成等分辨率的平面栅格.这些栅格以矩阵的形式进行标识,且每个矩阵元素对应于一个栅格,其中，所述元素的值表示环境的三种可能状态:空、占据和未知,栅格地图中的每个像素对应为所述农业用地中的一个栅格，所述网格包括多个栅格，构建栅格数据映射表，任一所述栅格对应农业用地的土地盐碱度、相似栅格数量，在每个网格进行初始化标记。
更进一步地，动态调整单元从包含农业数据信息的采集数据中提取特征；通过分类器从预设的类别集中下采样出部分类别，建立点对关系，采用最近邻域搜索算法获取所提取的特征的近似概率，将参数近似概率大于所述第一阈值的栅格进行归类，若栅格邻近的距离小于归类的条件则将近似栅格面积作为动态调整的网格面积并标记序号。
更进一步地，所述对于不同的网格选择不同的人工智能训练方式进一步包括：采用的人工智能训练包括构建博弈树，通过蒙特卡洛树搜索算法对博弈树进行搜索；有监督学习策略神经网络；其中，不同的人工智能训练包括针对于GPU利用率高的训练方式及针对于CPU利用率高的训练方式。
更进一步地，所述步骤2进一步包括：对单独的计算节点构建多个虚拟机，通过并行计算在虚拟机内执行所述网格的人工智能训练，在多个虚拟处理器间，若任一虚拟处理器的处理效率低于第三阈值，则从当前的虚拟机上下文切换至其他虚拟机处理器的上下文。
更进一步地，实时记录所选算法的训练过程对资源的需求，并根据需求的内容和大小进行排序，其中所述需求的内容包括GPU算力和CPU算力。
更进一步地，若连续多个虚拟处理器的处理效率都低于所述第三阈值，则暂停训练重新计算评估网络的值，优先进行随机决策,然后再通过模拟的最终的农业产出量来更新原先所做决策的价值，设定随机决策的概率,并将其与先前计算出的决策价值设置为成正比关系。
更进一步地，对训练后的决策进行网络备份，将决策结果上传至云端服务器，其中，所述云端服务器采用NoSQL及Hadoop的云存储方式。
本发明进一步公开了一种电子装置，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的定向人工智能的训练方法。
本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的定向人工智能的训练方法。
综上所述，以在集群服务器运行深度学习框架时，简化深度学习框架自身的使用难度，便于用户采用深度学习框架对深度学习网络进行训练，解决现有技术中深度学习框架使用不便的技术问题。
本发明与现有技术相比，有益效果为：1.可以解决现在农业所碰到的法预测病害以及天灾害等问题；2.可以解决农业数据收集难的问题；3.可以解决数据不精准的问题，现阶段的数据未必都是完完全全的准确数值，准确的说数据堆积出来的数据缺乏实时性，还有就是物联体系的不完全导致数据上传的不准确；4.可以解决物联设备资源的浪费，可以加已知的所有智能化物联硬件进行部署。
由于人工智能的训练需要的算力过大，现有技术中通常采用分布式计算的方式进行人工智能的训练，尤其是在农业操作的AI策略执行的训练，此外，分布式计算在数据通信的过程中也存在安全问题，本发明通过多种人工智能训练方法，在单一运算节点中进行训练，在计算能力有限的情况下，更多的调动CPU和GPU的并行运算，并引入评估函数减少训练开销，极大的降低了农业执行的运营成本。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明的定向人工智能的训练方法的流程图。
具体实施方式
实施例一
如图1所示的一种农业定向人工智能的训练方法，所述训练方法包括：
步骤S1，连续采集农业用地的图形数据及相应的农业数据，对农业用地的全部图形数据进行网格化标记，并根据采集的所述农业用地的参数对网格标记的样本进行样本分类，动态调整所述网格标记序号，对相似样本数据选择相同标记集合，得到针对于每一个网格的训练样本数据，并统计不同集合的近似概率，若所述近似概率达到第一阈值则判定为所述相似网格，对于不同的网格选择不同的人工智能训练方式；
优选地，在机器人的自我闭环训练的过程中，机器人的使用者如果觉得机器人的动作不能满足使用者的要求，使用者也可以对人工智能的决策参数稍微进行修改，这样对应执行的决策的运动信息也会发生变化，传输至计算节点后，由相应计算区块驱动根据这些决策信息寻找共性特征，进一步指导人工智能的动作。
优选AdaBoost算法针对不同的训练集训练同一弱分类器，然后把这些在不同训练集上得到的分类器集合起来，构成一个更强的最终的强分类器。
步骤S2，对相似样本进行归集后，对任一网格标记的农业用地将所述相似样本的农业数据信息输入至预设的人工智能的机器学习训练集，通过单独的计算节点对单一网格标记的图形数据样本及对应的农业数据信息进行训练，其中，单独的计算机节点为单一计算终端，其中包括多个互相隔离的虚拟计算单元，任一虚拟计算单元对应于一个网络标记的农业用地的运算，其中，所述农业数据信息包括土地盐碱度、网格面积、水渠控制参数及农药喷洒参数；
并且，理论证明，只要每个弱分类器分类能力比随机猜测要好，当其个数趋向于无穷个数时，强分类器的错误率将趋向于零。AdaBoost算法中不同的训练集是通过调整每个样本对应的权重实现的。
步骤S3，构建农业操作模拟仿真，对所述训练集进行人工智能训练以区分所述不同网格对应农业用地的策略偏向，对所述数据信息进行分类并设置对应的标签，通过构建的评估函数，对相似样本采用相同的人工智能训练方法生成的决策进行合作调度以减小人工智能训练的计算量；
步骤S4，在进行训练的过程中，针对于任一网格，若所述评估函数判断当前决策偏离最优策略的概率大于第二阈值，则停止当前网格人工智能训练并重新进行决策，直至得到最优决策，所述评估函数Q为：ρt＝argmax(U(st,ρ)+V(st,ρ))，其中，ρt为决策第t步时的评价函数值，U(st,ρ)为决策网络值，V(st,ρ)为价值网络修正值；
本发明将该数据集分为训练集和测试集。训练集包含12类，每类12个模型，共144个模型。测试集包含12类，每类12个模型，共144个模型。在训练集上训练分类器，在测试集上评估分类器的分类结果。在训练和测试时，都是把一类形状的特征值和其它类形状的特征值分别贴上不同的标签进行分类，这样连续进行12次就可以得到所有分类结果。
步骤S5，根据最优决策对所述农业用地进行部署，所述部署的决策包括农药喷洒、火灾控制、水渠控制。
由本实施例中所提供的方法进行训练虽然会减少对算力的需求，但同样会有可能出现由于不同网格策略不同，导致部署成本的提高，可选择将先完成决策的网格的实施参数作为约束，对周围的网格的决策进行限制，以减小部署的开销。
数据采集工具可选为高速移动，高运载能力，并且拥有慢速飞行功能的无人飞行器，搭载遥感传感器以及各种传感器，主要功能包含了：地形扫描、农药喷洒、灾害应对模块、灭火模块等功能。
训练人工智能决策可选的算法包括神经网络中的有监督学习网络、增强型学习策略网络；蒙特卡洛决策搜索算法及评估网络等。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种农业定向人工智能的训练方法，其特征在于，所述训练方法包括：
步骤S1，连续采集农业用地的图形数据及相应的农业数据，对农业用地的全部图形数据进行网格化标记，并根据采集的所述农业用地的参数对网格标记的样本进行样本分类，动态调整所述网格标记序号，对相似样本数据选择相同标记集合，得到针对于每一个网格的训练样本数据，并统计不同集合的近似概率，若所述近似概率达到第一阈值则判定为所述相似网格，对于不同的网格选择不同的人工智能训练方式；
步骤S2，对相似样本进行归集后，对任一网格标记的农业用地将所述相似样本的农业数据信息输入至预设的人工智能的机器学习训练集，通过单独的计算节点对单一网格标记的图形数据样本及对应的农业数据信息进行训练，其中，单独的计算机节点为单一计算终端，其中包括多个互相隔离的虚拟计算单元，任一虚拟计算单元对应于一个网络标记的农业用地的运算，其中，所述农业数据信息包括土地盐碱度、网格面积、水渠控制参数及农药喷洒参数；
步骤S3，构建农业操作模拟仿真，对所述训练集进行人工智能训练以区分所述不同网格对应农业用地的策略偏向，对所述数据信息进行分类并设置对应的标签，通过构建的评估函数，对相似样本采用相同的人工智能训练方法生成的决策进行合作调度以减小人工智能训练的计算量；
步骤S4，在进行训练的过程中，针对于任一网格，若所述评估函数判断当前决策偏离最优策略的概率大于第二阈值，则停止当前网格人工智能训练并重新进行决策，直至得到最优决策，所述评估函数Q为：ρt＝argmax(U(st,ρ)+V(st,ρ))，其中，ρt为决策第t步时的评价函数值，U(st,ρ)为决策网络值，V(st,ρ)为价值网络修正值；
步骤S5，根据最优决策对所述农业用地进行部署，所述部署的决策包括农药喷洒、火灾控制、水渠控制。
2.如权利要求1所述的一种农业定向人工智能的训练方法，其特征在于，所述步骤S1进一步包括：对采集的农业用地的图形数据进行栅格化，将农业用地的环境划分成等分辨率的平面栅格.这些栅格以矩阵的形式进行标识,且每个矩阵元素对应于一个栅格,其中，所述元素的值表示环境的三种可能状态:空、占据和未知,栅格地图中的每个像素对应为所述农业用地中的一个栅格，所述网格包括多个栅格，构建栅格数据映射表，任一所述栅格对应农业用地的土地盐碱度、相似栅格数量，在每个网格进行初始化标记。
3.如权利要求2所述的一种农业定向人工智能的训练方法，其特征在于，动态调整单元从包含农业数据信息的采集数据中提取特征；通过分类器从预设的类别集中下采样出部分类别，建立点对关系，采用最近邻域搜索算法获取所提取的特征的近似概率，将参数近似概率大于所述第一阈值的栅格进行归类，若栅格邻近的距离小于归类的条件则将近似栅格面积作为动态调整的网格面积并标记序号。
4.如权利要求3所述的一种农业定向人工智能的训练方法，其特征在于，所述对于不同的网格选择不同的人工智能训练方式进一步包括：采用的人工智能训练包括构建博弈树，通过蒙特卡洛树搜索算法对博弈树进行搜索；有监督学习策略神经网络；其中，不同的人工智能训练包括针对于GPU利用率高的训练方式及针对于CPU利用率高的训练方式。
5.如权利要求4所述的一种农业定向人工智能的训练方法，其特征在于，所述步骤2进一步包括：对单独的计算节点构建多个虚拟机，通过并行计算在虚拟机内执行所述网格的人工智能训练，在多个虚拟处理器间，若任一虚拟处理器的处理效率低于第三阈值，则从当前的虚拟机上下文切换至其他虚拟机处理器的上下文。
6.如权利要求5所述的一种农业定向人工智能的训练方法，其特征在于，实时记录所选算法的训练过程对资源的需求，并根据需求的内容和大小进行排序，其中所述需求的内容包括GPU算力和CPU算力。
7.如权利要求5述的一种农业定向人工智能的训练方法，其特征在于，若连续多个虚拟处理器的处理效率都低于所述第三阈值，则暂停训练重新计算评估网络的值，优先进行随机决策,然后再通过模拟的最终的农业产出量来更新原先所做决策的价值，设定随机决策的概率,并将其与先前计算出的决策价值设置为成正比关系。
8.如权利要求1述的一种农业定向人工智能的训练方法，其特征在于，对训练后的决策进行网络备份，将决策结果上传至云端服务器，其中，所述云端服务器采用NoSQL及Hadoop的云存储方式。
9.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的定向人工智能的训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的定向人工智能的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010507789.5A CN111709468B (zh) | 2020-06-05 | 2020-06-05 | 一种定向人工智能的训练方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010507789.5A CN111709468B (zh) | 2020-06-05 | 2020-06-05 | 一种定向人工智能的训练方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709468A true CN111709468A (zh) | 2020-09-25 |
| CN111709468B CN111709468B (zh) | 2021-10-26 |
Family
ID=72539016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010507789.5A Active CN111709468B (zh) | 2020-06-05 | 2020-06-05 | 一种定向人工智能的训练方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709468B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799924A (zh) * | 2021-01-22 | 2021-05-14 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的仿真测试系统及方法 |
| CN113822558A (zh) * | 2021-09-09 | 2021-12-21 | 电子科技大学 | 一种基于ai识别数据的学生评估方法及系统 |
| CN116910449A (zh) * | 2023-07-12 | 2023-10-20 | 上海虹港数据信息有限公司 | 一种人工智能算力的运算应用平台 |
| CN117291444A (zh) * | 2023-11-27 | 2023-12-26 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分系统 |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
| CN109711424A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 一种基于决策树的行为规则获取方法、装置及设备 |
| CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
-
2020
- 2020-06-05 CN CN202010507789.5A patent/CN111709468B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分系统 |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
| CN109711424A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 一种基于决策树的行为规则获取方法、装置及设备 |
| CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张军 等: "基于多尺度特征融合的土地利用分类算法", 《计算机工程与设计》 * |
| 邢瑾: "机器学习算法在高分辨率遥感影像土地", 《甘肃科技》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799924A (zh) * | 2021-01-22 | 2021-05-14 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的仿真测试系统及方法 |
| CN112799924B (zh) * | 2021-01-22 | 2023-07-21 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的仿真测试系统及方法 |
| CN113822558A (zh) * | 2021-09-09 | 2021-12-21 | 电子科技大学 | 一种基于ai识别数据的学生评估方法及系统 |
| CN113822558B (zh) * | 2021-09-09 | 2023-04-07 | 电子科技大学 | 一种基于ai识别数据的学生评估方法及系统 |
| CN116910449A (zh) * | 2023-07-12 | 2023-10-20 | 上海虹港数据信息有限公司 | 一种人工智能算力的运算应用平台 |
| CN117291444A (zh) * | 2023-11-27 | 2023-12-26 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
| CN117291444B (zh) * | 2023-11-27 | 2024-01-19 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709468B (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709468B (zh) | 一种定向人工智能的训练方法、装置及存储介质 | |
| CN110188635B (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
| CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
| KR102641116B1 (ko) | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 | |
| CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
| CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
| CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
| US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
| CN112131978B (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
| CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
| CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
| CN110462645A (zh) | 具有更新能力的传感器数据处理器 | |
| CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
| CN104156945B (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
| EP3841517A1 (en) | Method and system for generating annotated training data | |
| Lim et al. | Performance effect analysis for insect classification using convolutional neural network | |
| CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
| CN113722474A (zh) | 文本分类方法、装置、设备及存储介质 | |
| CN113569895A (zh) | 图像处理模型训练方法、处理方法、装置、设备及介质 | |
| CN110008853A (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
| García Balboa et al. | Generalization-oriented road line classification by means of an artificial neural network | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
| CN112270671B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN111126552A (zh) | 一种智能学习内容推送方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A training method, device, and storage medium for directed artificial intelligence Granted publication date: 20211026 Pledgee: Inner Mongolia Bank Co.,Ltd. Hohhot Ordos East Street Branch Pledgor: INNER MONGOLIA ZHONGFUMINGFENG AGRICULTURE TECHNOLOGY Co.,Ltd. Registration number: Y2024980026165 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |