CN111832727B - 跨数据、信息、知识模态与量纲的本质识别方法及组件 - Google Patents
跨数据、信息、知识模态与量纲的本质识别方法及组件 Download PDFInfo
- Publication number
- CN111832727B CN111832727B CN202010692408.5A CN202010692408A CN111832727B CN 111832727 B CN111832727 B CN 111832727B CN 202010692408 A CN202010692408 A CN 202010692408A CN 111832727 B CN111832727 B CN 111832727B
- Authority
- CN
- China
- Prior art keywords
- resource
- identification
- information
- data
- value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种跨数据、信息、知识模态与量纲的本质识别方法、装置、设备及可读存储介质,该方法包括:接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据;获取目标待识别对象的识别参考信息和识别参考知识;将识别参考资源输入至综合识别模型;识别参考资源包括识别参考数据、识别参考信息和识别参考知识;利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果;输出识别结果。可见,相较于目前的机器学习,深度学习等识别方案,在本方法中,无需采集大量的样本对模型进行训练,便可实现有效识别。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种跨数据、信息、知识模态与量纲的本质识别方法、装置、设备及可读存储介质。
背景技术
数据是通过观察数字或其他基本个体项目得到的。信息通过数据和数据组合的背景传达,适用于分析和解释。知识是从积累的信息中获得的一般理解和经验,根据知识能推测出新的背景。
目前已有的识别技术,如基于深度学习、机器信息的识别方案,利用有标签样本对模型进行训练,进而基于训练好的模型对待识别对象进行识别。但是,在实际识别应用中,当有标签样本难以获得,或有标签样本本身有错误等问题是,则无法进行有效识别。
举例说明,通过深度学习的方法识别出已标识的图像,机器在反复识别同一类对象中逐渐模拟出一个方程,这个方程逼近于所识别对象的共同特征,最后达到识别的目的,但是深度学习的方法并不能解决未标识图像的识别问题。
综上所述,如何有效地解决对象本质识别等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种跨数据、信息、知识模态与量纲的本质识别方法、装置、设备及可读存储介质,能够跨数据、信息、知识模态与量纲的进行本质识别,而不再受限于有标签样本信息的缺陷。
为解决上述技术问题,本发明提供如下技术方案:
一种跨数据、信息、知识模态与量纲的本质识别方法,包括:
接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据;
获取所述目标待识别对象的识别参考信息和识别参考知识;
将识别参考资源输入至综合识别模型;所述识别参考资源包括识别参考数据、所述识别参考信息和识别参考知识;
利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果;
输出所述识别结果。
优选地,所述接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据,包括:
接收并解析所述识别请求,得到对象标识和所述识别参考数据;
利用所述对象标识,从多个所述待识别对象中确定出所述目标待识别对象。
优选地,获取所述目标待识别对象的识别参考信息和识别参考知识,包括:
获取每两个所述识别参考数据之间的关联关系,并将所述关联关系确定为所述识别参考信息;
获取所述识别对象对应的识别规则,并将所述识别规则确定为所述识别参考知识。
优选地,所述综合识别模型中所述处理模块包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源价值修正模块、资源清洗模块和融合识别模块;
相应的,利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果,包括:
若所述参考资源包括冗余数据,则利用所述资源清洗模块,对所述参考资源进行清洗;
若所述参考资源包括同源、同模态、同维度的资源,则利用所述资源频率统计模块,确定所述参考资源对应的频率价值;
若所述参考资源包括不同源资源,则利用所述不同源资源处理模块,确定所述参考资源对应的各个资源源价值;
若所述参考资源包括不同模态资源,则利用所述不同模态资源处理模块,确定所述参考资源对应的各个模态资源价值;
若所述参考资源包括不同维度资源,则利用所述不同维度资源处理模块,确定所述参考资源对应的各个维度价值;
若所述参考资源缺失指定资源,则利用所述补偿模块,对所述参考资源进行补偿;
利用所述价值计算模块,确定所述参考资源的参考价值;
利用所述资源价值修正模块,对所述参考资源的参考价值进行修正;
利用所述融合识别模块,结合各个所述处理模块的处理结果,对所述参考资源进行识别,得到所述识别结果。
优选地,所述补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块;
相应地,对所述参考资源进行补偿,包括:
若所述指定资源为信息资源,则利用所述数据向信息补偿子模块对所述参考资源进行信息补偿处理,得到信息补偿后的参考资源;
和/或,若所述指定资源为数据资源,则利用所述信息向数据补偿子模块对所述参考资源进行数据补偿处理,得到数据补偿后的参考资源。
优选地,所述价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块;
相应地,所述确定所述参考资源的参考价值,包括:
利用所述信息长度价值计算子模块,确定出所述参考资源对应的信息长度价值;
和/或,利用所述信息广度价值计算子模块,确定出所述参考资源对应的信息广度价值。
优选地,所述输出所述识别结果,包括:
按照数据、信息和知识中至少一种表现形式,输出所述识别结果。
一种跨数据、信息、知识模态与量纲的本质识别装置,包括:
识别参考数据获取单元,用于接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据;
信息和知识获取单元,用于获取所述目标待识别对象的识别参考信息和识别参考知识;
输入单元,用于将识别参考资源输入至综合识别模型;所述识别参考资源包括识别参考数据、所述识别参考信息和识别参考知识;
识别处理单元,用于利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果;
结果输出单元,用于输出所述识别结果。
一种跨数据、信息、知识模态与量纲的本质识别设备,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上述跨数据、信息、知识模态与量纲的本质识别方法的步骤。
一种可读存储介质,所述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上述跨数据、信息、知识模态与量纲的本质识别方法的步骤。
应用本发明实施例所提供的方法,接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据;获取目标待识别对象的识别参考信息和识别参考知识;将识别参考资源输入至综合识别模型;识别参考资源包括识别参考数据、识别参考信息和识别参考知识;利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果;输出识别结果。
在本方法中,在接收到识别请求后,首先解析识别请求,确定出目标识别对象,以及目标识别对象的识别参考数据。然后,获取与目标识别对象对应的识别参考信息和识别参考数据。获取到待识别对象的参考资源后,可直接将参考资源输入综合识别模型。然后,利用该综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,可得到识别结果。由于该综合识别模型是面向数据、信息和知识融合的多维度、跨模态、跨量纲价值的识别模型,即该识别模型可以面向数据、知识和信息进行融合,能够跨维度、跨模态和跨量纲对参考资源进行本质识别。相较于,目前的基于机器学习、深度学习的识别方案,在本方法中,无需采集大量的样本对模型进行训练,且对输入综合识别模型的输入数据也可以多维度、跨模态、跨量纲。
相应地,本发明实施例还提供了与上述跨数据、信息、知识模态与量纲的本质识别方法相对应的跨数据、信息、知识模态与量纲的本质识别装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
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为本发明实施例中一种跨数据、信息、知识模态与量纲的本质识别方法的实施流程图;
图2为本发明实施例中一种跨数据、信息、知识模态与量纲的本质识别装置的结构示意图;
图3为本发明实施例中一种跨数据、信息、知识模态与量纲的本质识别设备的结构示意图;
图4为本发明实施例中一种跨数据、信息、知识模态与量纲的本质识别设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
实施例一:
请参考图1,图1为本发明实施例中一种跨数据、信息、知识模态与量纲的本质识别方法的流程图,该方法包括以下步骤:
S101、接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据。
在本实施例中可以预先设置多种识别对象,如人员、物品、图片、视频、文本、语音。
具体的,确定目标待识别对象和识别参考数据的过程,包括:
步骤1、接收并解析识别请求,得到对象标识和识别参考数据;
步骤2、利用对象标识,从多个待识别对象中确定出目标待识别对象。
其中,识别参考数据可以具体为识别请求中携带的数据,如图片、视频、文本、语音等信息;识别参考数据也可以为识别请求中指定获取方式得到的数据,例如,识别请求中指定从视频获取接口、音频获取接口、文件获取接口等接口中获取;或指定从哪个存储块中读取某数据的方式,得到识别参考数据。
当存在多种待识别对象时,可以通过设置标识等方式来明确每一种待识别对象,也就是说,在识别请求中携带对象标识便可明确待识别对象是什么。
举例说明:若待识别对象为人员,则待识别参考数据可以具体为该人员对应的外观数据、身体状态数据等。例如,待识别参考数据可以具体为摄像头拍摄的人员图像,或摄像头拍摄的人员视频,温度计测量的体温,电子秤输出的体重数据,血压计采集的血压,心电采集设备所采集的心电图,超声设备采集的超速数据等。
对于同一个待识别对象,可以采集其对应的不同维度、不同模态。不同来源的识别参考数据。
S102、获取目标待识别对象的识别参考信息和识别参考知识。
识别参考信息即表征每两个识别参考数据之间的关联关系。例如,针对待识别对象为人员,则待识别数据中的体重数据和血压数据之间的关联关系为:体重数据的值越大,则血压数据的值越高,而体重数据的值越大,则血压数据的值越高即为识别参考信息。
知识是从积累的信息中获得的一般理解和经验,根据知识能推测出新的背景。识别参考知识,即用于进行识别所用的识别规则。在本发明实施例中,识别参考知识,即基于识别参考信息得到识别结果的规则。例如,体重数据与身高数据计算出的身体质量指数(BMI,Body Mass Index)位于正常值范围,则确定对应人员的肥胖程度正常。
具体的,获取识别参考信息和识别参考知识的过程,包括:
步骤1、获取每两个识别参考数据之间的关联关系,并将关联关系确定为识别参考信息;
步骤2、获取识别对象对应的识别规则,并将识别规则确定为识别参考知识。
需要说明的是,可获取待识别相关的识别参考数据的部分参考数据也可以为全部参考数据、识别参考信息的部分参考信息或全部参考信息,识别参考知识的部分识别参考知识或全部识别参考知识。
S103、将识别参考资源输入至综合识别模型。
其中,识别参考资源包括识别参考数据、识别参考信息和识别参考知识。
与待识别对象具有识别参考作用的资源即为参考资源,该参考资源可具体包括识别参考数据、识别参考信息和识别知识。
S104、利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果。
综合识别模型,即为能够将数据、信息和知识进行融合,且能够实现多维度、跨模态、跨量纲价值的模型。
在本发明实施例中,综合识别模型中可设置多个对应不同的参考资源的处理模块,各个处理模块在对应存在相应的识别参考资源时被激活处理。即在实际应用中,处理参考资源时,可仅用综合识别模型中的部分或全部模块对参考资源进行处理,进而得到识别结果。
其中,综合识别模型中的处理模块可具体包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源价值修正模块、资源清洗模块和融合识别模块。
上述步骤S104可包括但不限于:
数据清洗:若参考资源包括冗余数据,则利用资源清洗模块,对参考资源进行清洗;
频率统计:若参考资源包括同源、同模态、同维度的资源,则利用资源频率统计模块,确定参考资源对应的频率价值;
不同源资源处理:若参考资源包括不同源资源,则利用不同源资源处理模块,确定参考资源对应的各个资源源价值;
不同模态资源处理:若参考资源包括不同模态资源,则利用不同模态资源处理模块,确定参考资源对应的各个模态资源价值;
不同维度处理:若参考资源包括不同维度资源,则利用不同维度资源处理模块,确定参考资源对应的各个维度价值;
参考资源补偿:若参考资源缺失指定资源,则利用补偿模块,对参考资源进行补偿;
参考价值确定:利用价值计算模块,确定参考资源的参考价值;
价值修正:利用资源价值修正模块,对参考资源的参考价值进行修正;
综合识别:利用融合识别模块,结合各个处理模块的处理结果,对参考资源进行识别,得到识别结果。
其中,补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块;
相应地,对参考资源进行补偿,包括:
若指定资源为信息资源,则利用数据向信息补偿子模块对参考资源进行信息补偿处理,得到信息补偿后的参考资源;
和/或,若指定资源为数据资源,则利用信息向数据补偿子模块对参考资源进行数据补偿处理,得到数据补偿后的参考资源。
其中,价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块;
相应地,确定参考资源的参考价值,包括:
利用信息长度价值计算子模块,确定出参考资源对应的信息长度价值;
和/或,利用信息广度价值计算子模块,确定出参考资源对应的信息广度价值。
为便于理解各个模块的作用与实现过程,下面举例说明各个模块的具体作用和处理过程。
首先需要说明的是:资源元素(ElementsDIK)包括数据、信息和知识三种形态:
ElementsDIK∷=<Data,Information,Knowledge>;
价值的本质是数量性存在,价值就是数量值。
数据进行分组后,分布在各组内的数据个数称为频数或次数,各组频数与全部频数之和的比值称为频率或比重。
(1)、对于资源频率统计模块:
面向直接获取的同源同维度同模态资源,基于资源频率积累统计计算资源价值。
对于单变量数值类资源,ValueDCumulative表示某一数值取值范围内的频率之和,称为该数值取值范围内对应的资源的价值。
其中,∑FreqE表示对资源E对应数值取值范围内资源的频数求和,FreqAll表示所有资源的频数,ValueECumulative的取值在0~1之间。
对于多变量数值类资源,利用大资源技术领域的聚类技术分析资源的分布,将资源分类的概率作为资源价值(ValueE)。获取参考资源X={a1,a2,……,am},分类的类别集合C={y1,y2,……,ym},分别计算参考资源划分在不同类别的概率P(y1|x),P(y2|x),……,P(ym|x),取概率最大值P(yk|x)=max{P(y1|x),P(y2|x),……,P(ym|x)}对应的分类yk作为判断结果,对应的概率为资源支撑该分类判断的价值。
ValueE=P(yk|x)=max{P(y1|x),P(y2|x),……,P(ym|x)}
对于非数值类的参考资源,如识别参考信息和识别参考知识,选取参考资源的出现频率作为资源价值。
其中,FreqE表示对非数值资源D的出现频数,FreqAll表示所有资源的频数,ValueECumulative的取值在0~1之间。
基于时间频度,资源存在有效性,随着时间推移,资源的价值会下降,基于目的资源频率累积统计的目的确定是否考虑时间价值变化。
ValueETimeliness=ValueE×δTime
其中,δTime为资源价值的时间衰减系数,需要根据衰减的规律计算。
基于空间频度,资源存在有效性,随着空间变化,资源的价值会下降,基于目的资源频率累积统计的目的确定是否考虑空间价值变化。
ValueEbounded=ValueE×δPosition
其中,δPosition为资源价值的空间衰减系数,需要根据衰减的规律计算。
参考资源采集可能来源于不同的采集设备,采集的参考资源包括一个或多个维度,采集到的资源的模态也会不同,包括但不限于图像、音频、数字、文字。
描述同一实体同一属性的参考资源处理之前,先判断该参考资源的来源、维度和模态是否相同,对于不同源资源,利用不同源资源处理模块进行处理;对于不同维度的资源,利用不同维度资源处理模块进行处理;对于不同模态的资源,利用不同模态资源处理模块进行处理。
(2)、对于不同源资源处理模块:
受限于参考资源来源的可靠性,资源来源不同,获取参考资源的价值不同。
ValueE=αs×ValueEs
其中,ValueEs表示不考虑资源来源可靠性情况下资源的价值,αs表示资源来源的可靠性,需要通过资源获取设备各部分的可靠性计算获得。
(3)、对于不同模态资源处理模块:
不同来源的参考资源,其模态可能不同,另外,即便是同一来源的资源也可能存在不同的模态。不同的模态包括但不限于获取的资源的量纲不同,取值范围不同。处理前需要进行资源规范化处理,如包括对具有明显线性关系的资源进行替代。
对参考资源的价值做归一化处理,即统一模态的量纲,将取值范围限制在(0,1)之间:
其中,ValueEm表示资源模态转换前资源的价值,ValueEmavg是同一模态下资源价值的算数平均值,ValueEmmax是同一模态下资源价值的最大值,ValueEmmin是同一模态下资源价值的最小值,Modelement是当前模态的量纲。
(4)、不同维度资源处理模块:
对参考资源进行分析过程中,单一维度对参考资源的分析效果有限,多个维度融合需要考虑每个维度资源与分类的相关性。
采用关联分析中的提升度(LiftDim)概念来定义当前维度的相关性:
维度(Dimension),又称为维数,即数学中独立参数的数目。因为维度之间没有相关性,采用加权平均的方式对多个维度的价值资源进行融合计算:
其中,∑LiftDim为资源中独立的维度的相关性之和,LiftDimj为维度j的提升度,ValueEd表示不考虑维度与分类相关性的情况下的资源价值。
可见,通过对资源的不同来源、不同模态、不同维度模块的计算实现对参考资源的处理,完成资源融合。
(5)、数据向信息补偿子模块:
信息是通过数据和数据经过组合之后的上下文传递的。多个数据组合的情况,按照信息和新的数据可以组成新的信息进行处理。按照基本的由2个数据组合成信息,信息的价值:
ValueIDD=1-σij×(1-ValueDi)×(1-ValueDj)
其中,ValueIDD表示由两个数据组合成的信息的价值,ValueDi、ValueDj分别为数据的价值,σij是两个数据之间的关联性,关联性越大,数据组合后对信息价值的提升越小。
通过数据向信息补偿,产生新的信息价值。当新的信息价值超过原来的数据价值时,用新的信息价值替代原有数据价值。
(6)、信息向数据补偿子模块:
从上文可知,识别参考数据的来源可以直接获取,也可以通过信息进行补偿,通过信息反推出数据,信息向数据补偿计算模块,利用信息价值计算补偿的数据价值,处理方式为加权求和:
ValueDI=η×ValueI
其中,ValueDI表示用信息补偿数据后数据的价值,ValueI信息的价值,η为数据与信息的关联系数,表示信息对数据的还原程度,取决于数据事件在信息事件中出现的概率,符合概率论与统计学原理。
通过信息向数据补偿,解决数据获取的困难,可以补全不完整数据,修正不一致数据。
(7)、对于信息长度价值计算子模块:
对于一定长度的信息,可以看作是多个信息之间,两两依次关联,本发明给出基于信息长度的价值计算,信息融合后的价值ValueIID为:ValueIIDepth=ValueI1+ValueI1(ValueI2+ValueI2(ValueI3+ValueI3(……)))
具体的,可拆分成2个信息的价值计算满足:
ValueIIDepth=ualueI1+ValueI1(ValueI2)
具体的,也可拆分成3个信息的价值计算满足:
ValueIIDepth=ValueI1+ValueI1(ValueI2+ValueI2(ValueI3))。
(8)、对于信息广度价值计算模块:
信息的广度指获取相似信息,价值的计算取决于信息的关联性,采取加权求和来处理,信息融合后的价值ValueIIWidth为:
(9)、对于资源价值修正模块:
通过识别参考知识可补全不完整的识别参考数据、识别参考信息,满足条件的识别参考资源的价值会被替代。
知识是在完整的抽象条件下假设的规则。满足假设条件时,价值是一定的。知识融合的处理方式是价值的直接替代,直接作为补充资源或对已有资源进行修正。采用三元组(A,B,ValueK)存储知识规则,其中A、B分别表示资源的两个类,获取资源和分类作为输入X和Y,分别属于A类和B类,则
其中,ValueE为资源被知识修正前的价值;ValueKE为资源被知识修正后的价值。知识存在传递性,输出Y可以作为输入X重复计算,表示知识传递m次,对应知识规则中ValueK的最大的价值,表示知识传递m次,对应知识规则中ValueK的最小的价值。
(10)、对于资源清洗模块:
基于一定的知识,可以抽象资源的分类和规律,抽象后的资源具有相同的表述,形成资源的冗余。同时,识别参考资源的价值在抽象之后得到提升。
数据与信息之间的相互补偿,价值不能被重复计算,通过知识的修正和抽象,选取价值相对较高的资源形式进行计算。
按照与参考资源的具有情况,利用相应的模块对参考资源进行处理之后,便可获得识别结果。该识别结果可具体为判断结果,如判断输入图片中是否包括人员;识别结果也可以为内容识别结果,如识别出语音的内容。
S105、输出识别结果。
得到识别结果之后,便可将其输出。具体来说,可将识别结果通过显示器或扬声器进行输出,当然也可将识别结果反馈其他应用。
具体来说,可按照数据、信息和知识中至少一种表现形式,输出识别结果。也就是说,直接输出数据形式的识别结果,也可以输出信息形式的识别结果,也可以直接得到知识形式的识别结果,以及至少两种形式的组合形式。
应用本发明实施例所提供的方法,接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据;获取目标待识别对象的识别参考信息和识别参考知识;将识别参考资源输入至综合识别模型;识别参考资源包括识别参考数据、识别参考信息和识别参考知识;利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果;输出识别结果。
在本方法中,在接收到识别请求后,首先解析识别请求,确定出目标识别对象,以及目标识别对象的识别参考数据。然后,获取与目标识别对象对应的识别参考信息和识别参考数据。获取到待识别对象的参考资源后,可直接将参考资源输入综合识别模型。然后,利用该综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,可得到识别结果。由于该综合识别模型是面向数据、信息和知识融合的多维度、跨模态、跨量纲价值的识别模型,即该识别模型可以面向数据、知识和信息进行融合,能够跨维度、跨模态和跨量纲对参考资源进行本质识别。相较于,目前的基于机器学习、深度学习的识别方案,在本方法中,无需采集大量的样本对模型进行训练,且对输入综合识别模型的输入数据也可以多维度、跨模态、跨量纲。
为便于理解本发明实施例所提出的综合识别模型的具体识别过程,下面结合具体的应用场景为例,对识别过程进行详细说明。
(1)、对所获取的参考资源进行基于资源频率累积统计计算进行举例说明:
高校内检测学生身高,男生身高的共检测100个样本,其中90个身高集中在170cm以上,则通过身高170cm的数据价值为:
对于非数值类资源,选取资源的出现频率作为资源价值。
其中,FreqE表示对非数值资源D的出现频数,FreqAll表示所有资源的频数,ValueECumulative的取值在0~1之间。
具体的:可通过摄像头多次采集人员的图像,基于图像分析得到胖瘦数据(同距离情况下,人员所占像素比例越高,则越胖),由于人员在不断移动,可设置多个摄像头,以便从多个角度采集数据,综合100次数据采集,得到51次人像胖瘦数据为瘦,则数据“瘦”的价值为:
基于时间频度,资源存在有效性,随着时间推移,资源的价值会下降,基于目的资源频率累积统计的目的确定是否考虑时间价值变化。例如,成年人的体重一个月就可能发生明显,相应之前采集的体重数据的价值随时间推移就下降。
考虑时间衰减为从资源生命期的起始时间向终止时间线性衰减,则
其中,ValueETimeliness表示当前时间资源的价值,Time是当前的时间值,Timeend是资源价值的终止时间,Timestart是资源价值的起始时间。
基于空间频度,资源存在有效性,随着空间变化,资源的价值会下降,基于目的资源频率累积统计的目的确定是否考虑空间价值变化。例如,学校内身着校服装扮对支撑该人员为学生的价值较大,而随着距离学校原来越远,这一支撑度明显下降。
考虑空间衰减为从中心位置向边界线性衰减,则
其中,ValueEbounded表示当前空间位置资源的价值,Position是当前的空间位置,Positioncenter是资源价值对应空间的中心位置,Positionedge是资源价值对应空间的边界位置。
(2)、对不同源资源进行处理:
受限于资源来源的可靠性,资源来源不同,获取资源的价值不同。
ValueE=αs×ValueEs
其中,ValueEs表示不考虑资源来源可靠性情况下资源的价值,αs表示资源来源的可靠性,需要通过资源获取设备各部分的可靠性计算获得,例如,数据采集模块的运行可靠性为90%,分析模块的运行可靠性为90%,存储模块的运行可靠性为90%,则由这三部分组成的设备的可靠性为90%×90%×90%=72.9%。
又如,图像采集设备正常运行的情况下,采集的图像资源的可靠性受限于采集系统设备的性能,图像的采集设备的分辨率越高,图像数据的像素越高,图像资源的价值也越高。
(3)、对不同模态资源进行处理。
对参考资源进行综合考量时,波动明显的对整体结果影响较大。
对资源的价值做归一化处理,即统一模态的量纲,将取值范围限制在(0,1)之间:
其中,ValueEm表示资源模态转换前资源的价值,ValueEmavg是同一模态下资源价值的算数平均值,ValueEmmax是同一模态下资源价值的最大值,ValueEmmin是同一模态下资源价值的最小值,Modelement是当前模态的量纲。
(4)、对不同维度资源进行处理:
降水、温度对植物的生长都有影响,采集这些数据后可以从对应的维度识别得到植物生长情况。综合分析前先进行相关性计算。通过样本分析,统计100年间气候和生长情况,当地降雨稀少的年份有50年,温度偏高的年份有20年,作物生长受到影响的年份有40个,其中受干旱影响的达到30次,受到高温影响的达到15次。采用关联分析中的提升度(LiftDim)概念来定义当前维度的相关性:
温度维度对于当地植物生长的相关性影响较大,采用加权平均的方式对两个维度的价值资源进行融合计算。假定两个维度的资源的价值分别为70%和75%,则
(5)、通过数据向信息补偿,增加信息获取来源:
特殊情况下,不便于获取人员性别信息,可以通过采集人员形态和行为数据来补偿信息,假定形态数据对于判定性别的价值为0.4,行为数据对判定性别的价值为0.7,则数据补偿出的信息价值为
ValueIDD=1-σij×(1-ValueDi)×(1-ValueDj)=1-1×(0.3×0.7)
=0.79
σij是两个数据之间的关联性,关联性越大,数据价值的重叠部分越大,补偿的信息的价值越小。
通过数据向信息补偿,产生新的信息价值。当新的信息价值超过原来的数据价值时,用新的信息价值替代原有数据价值。
(6)、通过信息向数据补偿,增加数据获取来源:
数据的来源可以直接获取,也可以通过信息进行补偿,通过信息反推出数据,信息向数据补偿计算模块,利用信息价值计算补偿的数据价值,处理方式为加权求和:
ValueDI=η×ValueI
其中,ValueDI表示用信息补偿数据后数据的价值,ValueI信息的价值,η为数据与信息的关联系数,表示信息对数据的还原程度,取决于数据事件在信息事件中出现的概率。
(7)、基于信息长度计算信息的价值:
一定长度的信息,可以看作是多个信息之间,两两相互关联,本发明给出基于信息长度的价值计算,信息融合后的价值ValueIID为:ValueIIDepth=ValueI1+ValueI1(ValueI2+ValueI2(ValueI3+ValueI3(……)));
具体的可拆分成2个信息的价值计算满足:
ValueIIDepth=ValueI1+ValueI1(ValueI2)
具体的可拆分成3个信息的价值计算满足:
ValueIIDepth=ValueI1+ValueI1(ValueI2+ValueI2(ValueI3));
例如:通过获取学生去食堂就餐点了一份民族菜肴可以支撑该生为少数民族学生,如果该生连续多天就餐都是点的民族菜肴,则连续信息对该生为少数民族学生的支撑度不断上升。
(8)、基于信息广度计算关联的价值:
信息的广度指获取相似信息,价值的计算取决于信息的关联性,采取加权求和来处理,信息融合后的价值ValueIIwidth为:
例如:通过获取学生去食堂就餐点了一份民族菜肴可以支撑该生为少数民族学生,如果该生还身着少数民族服装,则通过两条描述该生的信息对该生为少数民族学生的支撑度不断上升。
(9)、利用知识修正资源价值:
通过知识可补全不完整的数据、信息资源,满足条件的资源的价值会被替代。
知识是在完整的抽象条件下假设的规则。满足假设条件时,价值是一定的。知识融合的处理方式是价值的直接替代,直接作为补充资源或对已有资源进行修正。采用三元组(A,B,R)存储知识规则,每一条知识规则对应价值ValueK,其中A、B分别表示资源的两个类,获取资源和分类作为输入X和Y,分别属于A类和B类,则
其中,ValueE为资源被知识修正前的价值;ValueKE为资源被知识修正后的价值。知识存在传递性,输出Y可以作为输入X重复计算,表示知识传递m次,对应知识规则的输入的最大价值,表示知识传递m次,输入的最小的价值。
例如,厨房中有白菜、肉、面粉、鸡蛋,摄像头获取数据一只白兔出现,价值为0.8,白兔在吃某样东西,受限于拍摄角度,不能准确判断白兔吃的是什么,假如存在知识规则动物吃植物,对于输入白兔,判断白兔属于动物类,白菜属于植物类,则兔子吃白菜这一个信息的价值为0.8。
(10)、对资源进行清洗:
基于一定的知识,可以抽象资源的分类和规律,抽象后的资源具有相同的表述,形成资源的冗余。同时,资源的价值在抽象之后得到提升。
数据与信息之间的相互补偿,价值不能被重复计算,通过知识的修正和抽象,选取价值相对较高的资源形式进行计算。
实施例二:
相应于上面的方法实施例,本发明实施例还提供了一种跨数据、信息、知识模态与量纲的本质识别装置,下文描述的跨数据、信息、知识模态与量纲的本质识别装置与上文描述的跨数据、信息、知识模态与量纲的本质识别方法可相互对应参照。
参见图2所示,该装置包括以下单元:
识别参考数据获取单元101,用于接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据;
信息和知识获取单元102,用于获取目标待识别对象的识别参考信息和识别参考知识;
输入单元103,用于将识别参考资源输入至综合识别模型;识别参考资源包括识别参考数据、识别参考信息和识别参考知识;
识别处理单元104,用于利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果;
结果输出单元105,用于输出识别结果。
应用本发明实施例所提供的装置,接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及目标待识别对象的识别参考数据;获取目标待识别对象的识别参考信息和识别参考知识;将识别参考资源输入至综合识别模型;识别参考资源包括识别参考数据、识别参考信息和识别参考知识;利用综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,得到识别结果;输出识别结果。
在本装置中,在接收到识别请求后,首先解析识别请求,确定出目标识别对象,以及目标识别对象的识别参考数据。然后,获取与目标识别对象对应的识别参考信息和识别参考数据。获取到待识别对象的参考资源后,可直接将参考资源输入综合识别模型。然后,利用该综合识别模型中与参考资源匹配的处理模块对参考资源进行识别处理,可得到识别结果。由于该综合识别模型是面向数据、信息和知识融合的多维度、跨模态、跨量纲价值的识别模型,即该识别模型可以面向数据、知识和信息进行融合,能够跨维度、跨模态和跨量纲对参考资源进行本质识别。相较于,目前的基于机器学习、深度学习的识别方案,在本装置,无需采集大量的样本对模型进行训练,且对输入综合识别模型的输入数据也可以多维度、跨模态、跨量纲。
在本发明的一种具体实施方式中,识别参考数据获取单元101,具体用于接收并解析识别请求,得到对象标识和识别参考数据;利用对象标识,从多个待识别对象中确定出目标待识别对象。
在本发明的一种具体实施方式中,识别参考数据获取单元101,具体用于获取每两个识别参考数据之间的关联关系,并将关联关系确定为识别参考信息;获取识别对象对应的识别规则,并将识别规则确定为识别参考知识。
在本发明的一种具体实施方式中,综合识别模型中的处理模块包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源价值修正模块、资源清洗模块和融合识别模块;
识别处理单元104,具体用于:
若参考资源包括冗余数据,则利用资源清洗模块,对参考资源进行清洗;
若参考资源包括同源、同模态、同维度的资源,则利用资源频率统计模块,确定参考资源对应的频率价值;
若参考资源包括不同源资源,则利用不同源资源处理模块,确定参考资源对应的各个资源源价值;
若参考资源包括不同模态资源,则利用不同模态资源处理模块,确定参考资源对应的各个模态资源价值;
若参考资源包括不同维度资源,则利用不同维度资源处理模块,确定参考资源对应的各个维度价值;
若参考资源缺失指定资源,则利用补偿模块,对参考资源进行补偿;
利用价值计算模块,确定参考资源的参考价值;
利用资源价值修正模块,对参考资源的参考价值进行修正;
利用融合识别模块,结合各个处理模块的处理结果,对参考资源进行识别,得到识别结果。
在本发明的一种具体实施方式中,补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块;
相应地,识别处理单元104,具体用于:
若指定资源为信息资源,则利用数据向信息补偿子模块对参考资源进行信息补偿处理,得到信息补偿后的参考资源;
和/或,若指定资源为数据资源,则利用信息向数据补偿子模块对参考资源进行数据补偿处理,得到数据补偿后的参考资源。
在本发明的一种具体实施方式中,价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块;
相应地,识别处理单元104,具体用于:
利用信息长度价值计算子模块,确定出参考资源对应的信息长度价值;
和/或,利用信息广度价值计算子模块,确定出参考资源对应的信息广度价值。
在本发明的一种具体实施方式中,识别处理单元104,具体用于按照数据、信息和知识中至少一种表现形式,输出识别结果。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种跨数据、信息、知识模态与量纲的本质识别设备,下文描述的一种跨数据、信息、知识模态与量纲的本质识别设备与上文描述的一种跨数据、信息、知识模态与量纲的本质识别方法可相互对应参照。
参见图3所示,该跨数据、信息、知识模态与量纲的本质识别设备包括:
存储器332,用于存储计算机程序;
处理器322,用于执行计算机程序时实现上述方法实施例的跨数据、信息、知识模态与量纲的本质识别方法的步骤。
具体的,请参考图4,图4为本实施例提供的一种跨数据、信息、知识模态与量纲的本质识别设备的具体结构示意图,该跨数据、信息、知识模态与量纲的本质识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)322(例如,一个或一个以上处理器)和存储器332,存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中,存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储器332通信,在跨数据、信息、知识模态与量纲的本质识别设备301上执行存储器332中的一系列指令操作。
跨数据、信息、知识模态与量纲的本质识别设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。
上文所描述的跨数据、信息、知识模态与量纲的本质识别方法中的步骤可以由跨数据、信息、知识模态与量纲的本质识别设备的结构实现。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种跨数据、信息、知识模态与量纲的本质识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的跨数据、信息、知识模态与量纲的本质识别方法的步骤。
该可读存储介质具体可以为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存储程序代码的可读存储介质。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (9)
1.一种跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,包括:
接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据;
获取所述目标待识别对象的识别参考信息和识别参考知识;
将识别参考资源输入至综合识别模型;所述识别参考资源包括识别参考数据、所述识别参考信息和识别参考知识;
利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果;
输出所述识别结果;
其中,所述综合识别模型中所述处理模块包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源价值修正模块、资源清洗模块和融合识别模块;
相应的,利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果,包括:
若所述参考资源包括冗余数据,则利用所述资源清洗模块,对所述参考资源进行清洗;
若所述参考资源包括同源、同模态、同维度的资源,则利用所述资源频率统计模块,确定所述参考资源对应的频率价值;
若所述参考资源包括不同源资源,则利用所述不同源资源处理模块,确定所述参考资源对应的各个资源价值;
若所述参考资源包括不同模态资源,则利用所述不同模态资源处理模块,确定所述参考资源对应的各个模态资源价值;
若所述参考资源包括不同维度资源,则利用所述不同维度资源处理模块,确定所述参考资源对应的各个维度价值;
若所述参考资源缺失指定资源,则利用所述补偿模块,对所述参考资源进行补偿;
利用所述价值计算模块,确定所述参考资源的参考价值;
利用所述资源价值修正模块,对所述参考资源的参考价值进行修正;
利用所述融合识别模块,结合各个所述处理模块的处理结果,对所述参考资源进行识别,得到所述识别结果。
2.根据权利要求1所述的跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,所述接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据,包括:
接收并解析所述识别请求,得到对象标识和所述识别参考数据;
利用所述对象标识,从多个所述待识别对象中确定出所述目标待识别对象。
3.根据权利要求1所述的跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,获取所述目标待识别对象的识别参考信息和识别参考知识,包括:
获取每两个所述识别参考数据之间的关联关系,并将所述关联关系确定为所述识别参考信息;
获取所述识别对象对应的识别规则,并将所述识别规则确定为所述识别参考知识。
4.根据权利要求1所述的跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,所述补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块;
相应地,对所述参考资源进行补偿,包括:
若所述指定资源为信息资源,则利用所述数据向信息补偿子模块对所述参考资源进行信息补偿处理,得到信息补偿后的参考资源;
和/或,若所述指定资源为数据资源,则利用所述信息向数据补偿子模块对所述参考资源进行数据补偿处理,得到数据补偿后的参考资源。
5.根据权利要求1所述的跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,所述价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块;
相应地,所述确定所述参考资源的参考价值,包括:
利用所述信息长度价值计算子模块,确定出所述参考资源对应的信息长度价值;
和/或,利用所述信息广度价值计算子模块,确定出所述参考资源对应的信息广度价值。
6.根据权利要求1所述的跨数据、信息、知识模态与量纲的本质识别方法,其特征在于,所述输出所述识别结果,包括:
按照数据、信息和知识中至少一种表现形式,输出所述识别结果。
7.一种跨数据、信息、知识模态与量纲的本质识别装置,其特征在于,包括:
识别参考数据获取单元,用于接收并解析识别请求,从多种待识别对象中确定出目标待识别对象,以及所述目标待识别对象的识别参考数据;
信息和知识获取单元,用于获取所述目标待识别对象的识别参考信息和识别参考知识;
输入单元,用于将识别参考资源输入至综合识别模型;所述识别参考资源包括识别参考数据、所述识别参考信息和识别参考知识;
识别处理单元,用于利用所述综合识别模型中与所述参考资源匹配的处理模块对所述参考资源进行识别处理,得到识别结果;
结果输出单元,用于输出所述识别结果;
其中,所述综合识别模型中所述处理模块包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源价值修正模块、资源清洗模块和融合识别模块;
相应的,所述识别处理单元,具体用于:
若所述参考资源包括冗余数据,则利用所述资源清洗模块,对所述参考资源进行清洗;
若所述参考资源包括同源、同模态、同维度的资源,则利用所述资源频率统计模块,确定所述参考资源对应的频率价值;
若所述参考资源包括不同源资源,则利用所述不同源资源处理模块,确定所述参考资源对应的各个资源价值;
若所述参考资源包括不同模态资源,则利用所述不同模态资源处理模块,确定所述参考资源对应的各个模态资源价值;
若所述参考资源包括不同维度资源,则利用所述不同维度资源处理模块,确定所述参考资源对应的各个维度价值;
若所述参考资源缺失指定资源,则利用所述补偿模块,对所述参考资源进行补偿;
利用所述价值计算模块,确定所述参考资源的参考价值;
利用所述资源价值修正模块,对所述参考资源的参考价值进行修正;
利用所述融合识别模块,结合各个所述处理模块的处理结果,对所述参考资源进行识别,得到所述识别结果。
8.一种跨数据、信息、知识模态与量纲的本质识别设备,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6任一项所述跨数据、信息、知识模态与量纲的本质识别方法的步骤。
9.一种可读存储介质,其特征在于,所述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6任一项所述跨数据、信息、知识模态与量纲的本质识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692408.5A CN111832727B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692408.5A CN111832727B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832727A CN111832727A (zh) | 2020-10-27 |
CN111832727B true CN111832727B (zh) | 2021-10-08 |
Family
ID=72924311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010692408.5A Active CN111832727B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832727B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307974B (zh) * | 2020-10-31 | 2022-02-22 | 海南大学 | 跨数据信息知识模态的用户行为内容编解码方法 |
CN112309521B (zh) * | 2020-10-31 | 2021-09-10 | 海南大学 | 面向本质计算的跨模态用户医疗数据分析方法 |
CN112418428B (zh) * | 2020-12-01 | 2022-04-01 | 海南大学 | 基于本质计算的跨模态特征挖掘方法及组件 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控系统 |
CN110532433A (zh) * | 2019-09-03 | 2019-12-03 | 北京百度网讯科技有限公司 | 视频场景的实体识别方法、装置、电子设备和介质 |
CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 广东宜学通教育科技有限公司 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10366334B2 (en) * | 2015-07-24 | 2019-07-30 | Spotify Ab | Automatic artist and content breakout prediction |
WO2018009887A1 (en) * | 2016-07-08 | 2018-01-11 | University Of Hawaii | Joint analysis of multiple high-dimensional data using sparse matrix approximations of rank-1 |
-
2020
- 2020-07-17 CN CN202010692408.5A patent/CN111832727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控系统 |
CN110532433A (zh) * | 2019-09-03 | 2019-12-03 | 北京百度网讯科技有限公司 | 视频场景的实体识别方法、装置、电子设备和介质 |
CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 广东宜学通教育科技有限公司 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
Modeling Data, Information and Knowledge for Security Protection of Hybrid IoT and Edge Resources;YUCONG DUAN等;《IEEE》;20190807;第1-16页 * |
基于多模态组合模型的语音情感识别;陈军 等;《软件》;20191231;第56-60,214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832727A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832727B (zh) | 跨数据、信息、知识模态与量纲的本质识别方法及组件 | |
Broadley et al. | Methods for the real-world evaluation of fall detection technology: A scoping review | |
CN111178456A (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
US20140309989A1 (en) | Method and system for analyzing text | |
Fu et al. | Classification of kiwifruit grades based on fruit shape using a single camera | |
CN107507016A (zh) | 一种消息推送方法和系统 | |
US20100082697A1 (en) | Data model enrichment and classification using multi-model approach | |
CN111555921A (zh) | 告警根因的定位方法、装置、计算机设备和存储介质 | |
CN112053756A (zh) | 基于临床标本检验数据的检验结果质量评价方法及系统 | |
US10210627B1 (en) | Image processing system for determining metrics of objects represented therein | |
EP3564857A1 (en) | Pattern recognition method of autoantibody immunofluorescence image | |
CN113053535A (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
CN117809124A (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
CN116350203B (zh) | 一种体质测试数据处理方法及系统 | |
Tahir et al. | A methodology of customized dataset for cotton disease detection using deep learning algorithms | |
CN111126419B (zh) | 网点聚类方法及装置 | |
JP2019164788A (ja) | 情報処理装置、情報処理方法、プログラム及び画像情報表示システム | |
CN115936748A (zh) | 一种商业大数据分析方法及系统 | |
CN113569879B (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN113468975A (zh) | 打架行为检测方法及装置 | |
RU2704547C1 (ru) | Способ удаленного сбора и групповой обработки психофизиологических реакций при предъявлении различной информации | |
CN109086207B (zh) | 页面响应故障分析方法、计算机可读存储介质及终端设备 | |
CN112183914A (zh) | 一种菜项的评价方法及装置 | |
US11875901B2 (en) | Registration apparatus, registration method, and recording medium | |
CN117555501B (zh) | 基于边缘计算的云打印机运维数据处理方法以及相关装置 |
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 |