CN112905166A - 人工智能编程系统、计算机设备、计算机可读存储介质 - Google Patents

人工智能编程系统、计算机设备、计算机可读存储介质 Download PDF

Info

Publication number
CN112905166A
CN112905166A CN202110238600.1A CN202110238600A CN112905166A CN 112905166 A CN112905166 A CN 112905166A CN 202110238600 A CN202110238600 A CN 202110238600A CN 112905166 A CN112905166 A CN 112905166A
Authority
CN
China
Prior art keywords
programming
module
role
database
data
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
Application number
CN202110238600.1A
Other languages
English (en)
Other versions
CN112905166B (zh
Inventor
孙昊
王媛媛
张文鹏
吕志文
王凯
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.)
Qingdao Haike Zhihui Information Technology Co ltd
Original Assignee
Qingdao Haike Innovation 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 Qingdao Haike Innovation Technology Co ltd filed Critical Qingdao Haike Innovation Technology Co ltd
Priority to CN202110238600.1A priority Critical patent/CN112905166B/zh
Publication of CN112905166A publication Critical patent/CN112905166A/zh
Application granted granted Critical
Publication of CN112905166B publication Critical patent/CN112905166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/33—Intelligent editors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于编程技术领域，公开了一种人工智能编程系统、计算机设备、计算机可读存储介质，人工智能编程系统包括：编程角色获取模块、数据库构建模块、中央控制模块、角色导入模块、角色匹配模块、编程模块、数据上传模块、运行模块、结果反馈模块、作品修改模块。本发明通过进行编程角色的归类，将目标编程角色存储于角色数据库，方便进行编程；通过编程实现完整作品的获取，将得到的作品输入运行平台，并获得运行平台的反馈信息，对完整的作品的错误进行及时反馈，实现对作品的纠错，进行纠错的效率更高且效果更好，得到的作品质量更高。本发明提供的编程方法简单，且能够实现自动纠错，方便进行编程，且得到的作品的质量高。

Description

人工智能编程系统、计算机设备、计算机可读存储介质
技术领域
本发明属于编程技术领域，尤其涉及一种人工智能编程系统、计算机设备、计算机可读存储介质。
背景技术
目前：编程是编写程序的中文简称，就是让计算机代为解决某个问题，对某个计算体系规定一定的运算方式，使计算体系按照该计算方式运行，并最终得到相应结果的过程。为了使计算机能够理解人的意图，人类就必须将需解决的问题的思路、方法和手段通过计算机能够理解的形式告诉计算机，使得计算机能够根据人的指令一步一步去工作，完成某种特定的任务，这种人和计算体系之间交流的过程就是编程。随着社会的发展和进步，以及计算机科学的飞速发展，编程成为了现代人一项越来越重要的基本能力，而不仅仅是IT行业人员的专职工作。任何年龄、任何基础的人员都有越来越强的学习和体验程序编写的需求，图形化编程工具随着时代的发展应运而生。使用图形化编程工具，用户仅仅通过拖拽编程组件，就能独立完成具有复杂逻辑的程序编写。目前，用户在使用图形化编程工具完成作品编程后，只能看到编程完成后的作品，无法直观地看到编程过程中的编程步骤和半成品作品，这种编程方式不能满足用户的编程体验，同时无法实现对编程作品的纠错，难以发现编程问题。
通过上述分析，现有技术存在的问题及缺陷为：现有的编程方式不能满足用户的编程体验，同时无法实现对编程作品的纠错，难以发现编程问题。
发明内容
针对现有技术存在的问题，本发明提供了一种人工智能编程系统、计算机设备、计算机可读存储介质。
本发明是这样实现的，一种人工智能编程系统，所述人工智能编程系统包括：
编程角色获取模块，与中央控制模块连接，用于通过编程角色获取程序进行编程角色的获取；
数据库构建模块，与中央控制模块连接，用于通过数据库构建程序进行数据库的构建；
中央控制模块，与编程角色获取模块、数据库构建模块、角色导入模块、角色匹配模块、编程模块连接，用于通过主控机对各连接模块的运行进行控制，保证各个模块正常运行；
所述通过主控机对各连接模块的运行进行控制，包括：灰色预测控制、模糊逻辑控制以及PID控制；
所述灰色预测控制是通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1，1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x(0)(1)，x(0)(2)，...，x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1)，x(1)(2)，...，x(1)(n)]，其中，
Figure BDA0002961654140000021
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)]，k＝1，2，...，n；
得到GM(1，1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
Figure BDA0002961654140000022
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
Figure BDA0002961654140000023
其中，
Figure BDA0002961654140000024
Yn＝[x(0)(2)x(0)(3)...x(0)(n)]T；白化方程的解为
Figure BDA0002961654140000031
相应的灰色微分方程的时间响应序列为：即k时刻的值
Figure BDA0002961654140000032
对序列
Figure BDA0002961654140000033
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
Figure BDA0002961654140000034
其中，
Figure BDA0002961654140000035
k+d时刻的预测值为：
Figure BDA0002961654140000036
d为系统滞后时间；
角色导入模块，与中央控制模块连接，用于通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库；
角色匹配模块，与中央控制模块连接，用于通过角色匹配程序对角色数据库中的编程角色进行匹配，得到目标编程角色；
编程模块，与中央控制模块连接，用于通过编程程序依据目标编程角色进行编程，得到完整的作品。
进一步，所述人工智能编程系统还包括：
数据上传模块，与中央控制模块连接，用于通过数据上传程序将完整的作品上传至运行平台；
运行模块，与中央控制模块连接，用于通过运行平台进行完整的作品的运行，记录运行结果；
结果反馈模块，与中央控制模块连接，用于通过结果反馈程序进行运行结果的分析并进行分析结果的反馈，得到反馈结果；
作品修改模块，与中央控制模块连接，用于通过作品修改程序依据反馈结果进行完整的作品的修改。
进一步，所述数据库为HBase数据库。
进一步，所述通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库，包括：
(1)基于HBase数据库中表的格式，对编程角色中的数据进行拆分；
(2)基于编程角色中数据量的大小和HBase数据库中行键的设计，在建立所述表的时候进行预分区；
(3)设置HBase数据库的预写日志系统，关闭自动提交功能，设置缓存大小；
(4)启用多线程，将所述数据导入HBase数据库的表中。
进一步，所述缓存大小依据HBase数据库的计算机硬件性能进行设置。
本发明实施例提供的通过数据上传程序将完整的作品上传至运行平台，包括：进行网络可信度的检测以及进行网络连接，通过连接网络进行完整的作品的上传。
进一步，所述进行网络可信度的检测以及进行网络连接，包括：
1)对不同类型的网络连接数据，进行数据预处理和特征提取；
2)根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
3)根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
4)通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
5)依据调整后的可信度确定是否建立终端与互联网的连接。
进一步，所述通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果，包括：根据模糊聚类算法将数据进行分类，并计算每类的聚类中心；
FCM把n个向量xk分为c个模糊类，并求每类的聚类中心ci，从而使模糊目标函数最小；
模糊聚类的目标函数为：
Figure BDA0002961654140000051
其中，dij＝||ci-xj||，为样本向量距离中心点的欧式距离，ci是第i类的中心，，m为样本个数，j为属性列；每一聚类中心的计算公式为：
Figure BDA0002961654140000052
通过隶属度函数计算隶属度值，构成模糊矩阵；
隶属度函数为：
Figure BDA0002961654140000053
从模糊矩阵中选择训练样本，作为广义神经网络的训练输入；
在模糊矩阵中选择距离中心值最小的m个样本作为训练样本，通过n*m组数据作为广义神经网络的训练输入；其中，n为根据模糊聚类算法将入侵数据分类的个数，m为1～5之间的数据；
根据广义神经网络的训练输入，预测输出入侵数据类别；所述广义神经网络由输入层、模式层、求和层和输出层四级结构组成；
将数据重新分为n类，找出最靠近每类中心值的样本作为训练样本；得出聚类结果。
进一步，所述通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值，包括：
1)对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；
2)根据所述频繁项集生成候选项集；
3)扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
4)合并分段样本的频繁项集，并扫描验证；
5)根据对应类别属性的可信度权重向量，再次调整规则的可信度。
本发明是另一目的在于提供一种计算机设备，，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述人工智能编程系统的功能。
本发明是另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述人工智能编程系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过进行进行编程角色的归类，将目标编程角色存储于角色数据库，方便进行编程；通过编程实现完整作品的获取，将得到的作品输入运行平台，并获得运行平台的反馈信息，对完整的作品的错误进行及时反馈，实现对作品的纠错，进行纠错的效率更高且效果更好，得到的作品质量更高。本发明提供的编程方法简单，且能够实现自动纠错，方便进行编程。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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是本发明实施例提供的人工智能编程系统结构框图。
图2是本发明实施例提供的人工智能编程方法流程图。
图3是本发明实施例提供的通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库流程图。
图4是本发明实施例提供的进行网络可信度的检测以及进行网络连接流程图。
图5是本发明实施例提供的通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值流程图。
图中：1、编程角色获取模块；2、数据库构建模块；3、中央控制模块；4、角色导入模块；5、角色匹配模块；6、编程模块；7、数据上传模块；8、运行模块；9、结果反馈模块；10、作品修改模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种人工智能编程系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的人工智能编程系统包括：
编程角色获取模块1，与中央控制模块3连接，用于通过编程角色获取程序进行编程角色的获取；
数据库构建模块2，与中央控制模块3连接，用于通过数据库构建程序进行数据库的构建；
中央控制模块3，与编程角色获取模块1、数据库构建模块2、角色导入模块4、角色匹配模块5、编程模块6、数据上传模块7、运行模块8、结果反馈模块9、作品修改模块10连接，用于通过主控机对各连接模块的运行进行控制，保证各个模块正常运行；
角色导入模块4，与中央控制模块3连接，用于通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库；
角色匹配模块5，与中央控制模块3连接，用于通过角色匹配程序对角色数据库中的编程角色进行匹配，得到目标编程角色；
编程模块6，与中央控制模块3连接，用于通过编程程序依据目标编程角色进行编程，得到完整的作品；
数据上传模块7，与中央控制模块3连接，用于通过数据上传程序将完整的作品上传至运行平台；
运行模块8，与中央控制模块3连接，用于通过运行平台进行完整的作品的运行，记录运行结果；
结果反馈模块9，与中央控制模块3连接，用于通过结果反馈程序进行运行结果的分析并进行分析结果的反馈，得到反馈结果；
作品修改模块10，与中央控制模块3连接，用于通过作品修改程序依据反馈结果进行完整的作品的修改。
如图2所示，本发明实施例提供的人工智能编程方法包括以下步骤：
S101，通过编程角色获取模块利用编程角色获取程序进行编程角色的获取；通过数据库构建模块利用数据库构建程序进行数据库的构建；
S102，通过中央控制模块利用主控机对各连接模块的运行进行控制，保证各个模块正常运行；通过角色导入模块利用角色导入程序将获取的编程角色导入数据库中，得到角色数据库；
S103，通过角色匹配模块利用角色匹配程序对角色数据库中的编程角色进行匹配，得到目标编程角色；通过编程模块利用编程程序依据目标编程角色进行编程，得到完整的作品；
S104，通过数据上传模块利用数据上传程序将完整的作品上传至运行平台；通过运行模块利用运行平台进行完整的作品的运行，记录运行结果；
S105，通过结果反馈模块利用结果反馈程序进行运行结果的分析并进行分析结果的反馈，得到反馈结果；
S106，通过作品修改模块利用作品修改程序依据反馈结果进行完整的作品的修改。
本发明实施例提供的通过主控机对各连接模块的运行进行控制，包括：灰色预测控制、模糊逻辑控制以及PID控制。
本发明实施例提供的灰色预测控制是通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1，1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x（0）（1)，x(0)(2)，...，x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1)，x(1)(2)，...，x(1)(n)]，其中，
Figure BDA0002961654140000091
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)]，k＝1，2，...，n；
得到GM(1，1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
Figure BDA0002961654140000092
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
Figure BDA0002961654140000093
其中，
Figure BDA0002961654140000094
Yn＝[x(0)(2)x(0)(3)...x(0)(n)]T；白化方程的解为
Figure BDA0002961654140000095
相应的灰色微分方程的时间响应序列为：即k时刻的值
Figure BDA0002961654140000096
对序列
Figure BDA0002961654140000097
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
Figure BDA0002961654140000098
其中，
Figure BDA0002961654140000099
k+d时刻的预测值为：
Figure BDA00029616541400000910
d为系统滞后时间。
本发明实施例提供的数据库为HBase数据库。
如图3所示，本发明实施例提供的通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库，包括：
S201，基于HBase数据库中表的格式，对编程角色中的数据进行拆分；
S202，基于编程角色中数据量的大小和HBase数据库中行键的设计，在建立所述表的时候进行预分区；
S203，设置HBase数据库的预写日志系统，关闭自动提交功能，设置缓存大小；
S204，启用多线程，将所述数据导入HBase数据库的表中。
本发明实施例提供的缓存大小依据HBase数据库的计算机硬件性能进行设置。
本发明实施例提供的通过数据上传程序将完整的作品上传至运行平台，包括：进行网络可信度的检测以及进行网络连接，通过连接网络进行完整的作品的上传。
如图4所示，本发明实施例提供的进行网络可信度的检测以及进行网络连接，包括：
S301，对不同类型的网络连接数据，进行数据预处理和特征提取；
S302，根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
S303，根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
S304，通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
S305，依据调整后的可信度确定是否建立终端与互联网的连接。
本发明实施例提供的通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果，包括：根据模糊聚类算法将数据进行分类，并计算每类的聚类中心；
FCM把n个向量xk分为c个模糊类，并求每类的聚类中心ci，从而使模糊目标函数最小；
模糊聚类的目标函数为：
Figure BDA0002961654140000111
其中，dij＝||ci-xj||，为样本向量距离中心点的欧式距离，ci是第i类的中心，，m为样本个数，j为属性列；每一聚类中心的计算公式为：
Figure BDA0002961654140000112
通过隶属度函数计算隶属度值，构成模糊矩阵；
隶属度函数为：
Figure BDA0002961654140000113
从模糊矩阵中选择训练样本，作为广义神经网络的训练输入；
在模糊矩阵中选择距离中心值最小的m个样本作为训练样本，通过n*m组数据作为广义神经网络的训练输入；其中，n为根据模糊聚类算法将入侵数据分类的个数，m为1～5之间的数据；
根据广义神经网络的训练输入，预测输出入侵数据类别；所述广义神经网络由输入层、模式层、求和层和输出层四级结构组成；
将数据重新分为n类，找出最靠近每类中心值的样本作为训练样本；得出聚类结果。
如图5所示，本发明实施例提供的通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值，包括：
S401，对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；
S402，根据所述频繁项集生成候选项集；
S403，扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
S404，合并分段样本的频繁项集，并扫描验证；
S405，根据对应类别属性的可信度权重向量，再次调整规则的可信度。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种人工智能编程系统，其特征在于，所述人工智能编程系统包括：
编程角色获取模块，与中央控制模块连接，用于通过编程角色获取程序进行编程角色的获取；
数据库构建模块，与中央控制模块连接，用于通过数据库构建程序进行数据库的构建；
中央控制模块，与编程角色获取模块、数据库构建模块、角色导入模块、角色匹配模块、编程模块连接，用于通过主控机对各连接模块的运行进行控制，保证各个模块正常运行；
所述通过主控机对各连接模块的运行进行控制，包括：灰色预测控制、模糊逻辑控制以及PID控制；
所述灰色预测控制是通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1，1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x(0)(1)，x(0)(2)，...，x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1)，x(1)(2)，...，x(1)(n)]，其中，
Figure FDA0002961654130000011
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)]，k＝1，2，...，n；
得到GM(1，1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
Figure FDA0002961654130000012
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
Figure FDA0002961654130000013
其中，
Figure FDA0002961654130000014
Yn＝[x(0)(2) x(0)(3) ... x(0)(n)]T；白化方程的解为
Figure FDA0002961654130000021
相应的灰色微分方程的时间响应序列为：即k时刻的值
Figure FDA0002961654130000022
对序列
Figure FDA0002961654130000023
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
Figure FDA0002961654130000024
其中，
Figure FDA0002961654130000025
k+d时刻的预测值为：
Figure FDA0002961654130000026
d为系统滞后时间；
角色导入模块，与中央控制模块连接，用于通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库；
角色匹配模块，与中央控制模块连接，用于通过角色匹配程序对角色数据库中的编程角色进行匹配，得到目标编程角色；
编程模块，与中央控制模块连接，用于通过编程程序依据目标编程角色进行编程，得到完整的作品。
2.如权利要求1所述人工智能编程系统，其特征在于，所述人工智能编程系统还包括：
数据上传模块，与中央控制模块连接，用于通过数据上传程序将完整的作品上传至运行平台；
运行模块，与中央控制模块连接，用于通过运行平台进行完整的作品的运行，记录运行结果；
结果反馈模块，与中央控制模块连接，用于通过结果反馈程序进行运行结果的分析并进行分析结果的反馈，得到反馈结果；
作品修改模块，与中央控制模块连接，用于通过作品修改程序依据反馈结果进行完整的作品的修改。
3.如权利要求1所述人工智能编程系统，其特征在于，所述数据库为HBase数据库。
4.如权利要求1所述人工智能编程系统，其特征在于，所述通过角色导入程序将获取的编程角色导入数据库中，得到角色数据库，包括：
(1)基于HBase数据库中表的格式，对编程角色中的数据进行拆分；
(2)基于编程角色中数据量的大小和HBase数据库中行键的设计，在建立所述表的时候进行预分区；
(3)设置HBase数据库的预写日志系统，关闭自动提交功能，设置缓存大小；
(4)启用多线程，将所述数据导入HBase数据库的表中。
5.如权利要求4所述人工智能编程系统，其特征在于，所述缓存大小依据HBase数据库的计算机硬件性能进行设置。
本发明实施例提供的通过数据上传程序将完整的作品上传至运行平台，包括：进行网络可信度的检测以及进行网络连接，通过连接网络进行完整的作品的上传。
6.如权利要求5所述人工智能编程系统，其特征在于，所述进行网络可信度的检测以及进行网络连接，包括：
1)对不同类型的网络连接数据，进行数据预处理和特征提取；
2)根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
3)根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
4)通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
5)依据调整后的可信度确定是否建立终端与互联网的连接。
7.如权利要求6所述人工智能编程系统，其特征在于，所述通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果，包括：根据模糊聚类算法将数据进行分类，并计算每类的聚类中心；
FCM把n个向量xk分为c个模糊类，并求每类的聚类中心ci，从而使模糊目标函数最小；
模糊聚类的目标函数为：
Figure FDA0002961654130000041
其中，dij＝||ci-xj||，为样本向量距离中心点的欧式距离，ci是第i类的中心，，m为样本个数，j为属性列；每一聚类中心的计算公式为：
Figure FDA0002961654130000042
通过隶属度函数计算隶属度值，构成模糊矩阵；
隶属度函数为：
Figure FDA0002961654130000043
从模糊矩阵中选择训练样本，作为广义神经网络的训练输入；
在模糊矩阵中选择距离中心值最小的m个样本作为训练样本，通过n*m组数据作为广义神经网络的训练输入；其中，n为根据模糊聚类算法将入侵数据分类的个数，m为1～5之间的数据；
根据广义神经网络的训练输入，预测输出入侵数据类别；所述广义神经网络由输入层、模式层、求和层和输出层四级结构组成；
将数据重新分为n类，找出最靠近每类中心值的样本作为训练样本；得出聚类结果。
8.如权利要求6所述人工智能编程系统，其特征在于，所述通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值，包括：
1)对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；
2)根据所述频繁项集生成候选项集；
3)扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
4)合并分段样本的频繁项集，并扫描验证；
5)根据对应类别属性的可信度权重向量，再次调整规则的可信度。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～8任意一项所述人工智能编程系统的功能。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～8任意一项所述人工智能编程系统。
CN202110238600.1A 2021-03-04 2021-03-04 人工智能编程系统、计算机设备、计算机可读存储介质 Active CN112905166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110238600.1A CN112905166B (zh) 2021-03-04 2021-03-04 人工智能编程系统、计算机设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110238600.1A CN112905166B (zh) 2021-03-04 2021-03-04 人工智能编程系统、计算机设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112905166A true CN112905166A (zh) 2021-06-04
CN112905166B CN112905166B (zh) 2024-04-05

Family

ID=76107601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110238600.1A Active CN112905166B (zh) 2021-03-04 2021-03-04 人工智能编程系统、计算机设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112905166B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800223A (zh) * 2012-07-19 2012-11-28 中国科学院软件研究所 一种协同实物编程方法
JP2018088602A (ja) * 2016-11-28 2018-06-07 日本電信電話株式会社 Ａｉ学習による経路制御手法、サーバ装置及び経路制御プログラム
CN108304166A (zh) * 2018-01-18 2018-07-20 北京航空航天大学 一种人工智能程序员根据公式描述书写源程序的方法
CN108984693A (zh) * 2018-07-04 2018-12-11 深圳点猫科技有限公司 一种基于人工智能的编程程序的分享方法及系统
CN109542422A (zh) * 2018-11-21 2019-03-29 成都聚维合科技有限公司 一种实现可视图形化编程的方法
CN110162968A (zh) * 2019-05-20 2019-08-23 西安募格网络科技有限公司 一种基于机器学习的网络入侵检测系统
CN111984253A (zh) * 2020-06-30 2020-11-24 北京编程猫科技有限公司 一种基于图形化编程工具添加编程角色的方法及装置
US10853583B1 (en) * 2016-08-31 2020-12-01 Narrative Science Inc. Applied artificial intelligence technology for selective control over narrative generation from visualizations of data
CN112131786A (zh) * 2020-09-14 2020-12-25 中国人民解放军军事科学院评估论证研究中心 基于多智能体强化学习的目标探测与分配方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800223A (zh) * 2012-07-19 2012-11-28 中国科学院软件研究所 一种协同实物编程方法
US10853583B1 (en) * 2016-08-31 2020-12-01 Narrative Science Inc. Applied artificial intelligence technology for selective control over narrative generation from visualizations of data
JP2018088602A (ja) * 2016-11-28 2018-06-07 日本電信電話株式会社 Ａｉ学習による経路制御手法、サーバ装置及び経路制御プログラム
CN108304166A (zh) * 2018-01-18 2018-07-20 北京航空航天大学 一种人工智能程序员根据公式描述书写源程序的方法
CN108984693A (zh) * 2018-07-04 2018-12-11 深圳点猫科技有限公司 一种基于人工智能的编程程序的分享方法及系统
CN109542422A (zh) * 2018-11-21 2019-03-29 成都聚维合科技有限公司 一种实现可视图形化编程的方法
CN110162968A (zh) * 2019-05-20 2019-08-23 西安募格网络科技有限公司 一种基于机器学习的网络入侵检测系统
CN111984253A (zh) * 2020-06-30 2020-11-24 北京编程猫科技有限公司 一种基于图形化编程工具添加编程角色的方法及装置
CN112131786A (zh) * 2020-09-14 2020-12-25 中国人民解放军军事科学院评估论证研究中心 基于多智能体强化学习的目标探测与分配方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KWANWOO LEE等: "Feature-Modeling and Aspect-Oriented Programming: Integration and Automation", 《2009 10TH ACIS INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING, ARTIFICIAL INTELLIGENCES, NETWORKING AND PARALLEL/DISTRIBUTED COMPUTING》, pages 186 *
朱光辉: "分布式与自动化大数据智能分析算法与编程计算平台", 《中国博士学位论文全文数据库 信息科技辑》, no. 12, pages 138 - 20 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
CN113707289B (zh) * 2021-07-16 2023-11-10 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法

Also Published As

Publication number Publication date
CN112905166B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
EP3467723B1 (en) Machine learning based network model construction method and apparatus
US11816183B2 (en) Methods and systems for mining minority-class data samples for training a neural network
CN107633265B (zh) 用于优化信用评估模型的数据处理方法及装置
US10586178B1 (en) Systems and methods for continuous active machine learning with document review quality monitoring
CN106778832B (zh) 基于多目标优化的高维数据半监督集成分类方法
CN110738247B (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN112836025A (zh) 一种意图识别方法及装置
Casalino et al. Incremental adaptive semi-supervised fuzzy clustering for data stream classification
CN112905166B (zh) 人工智能编程系统、计算机设备、计算机可读存储介质
CN112598089B (zh) 图像样本的筛选方法、装置、设备及介质
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN111652269A (zh) 一种基于群智交互的主动机器学习方法及装置
CN110879821A (zh) 评分卡模型衍生标签生成方法、装置、设备及存储介质
KR20230085055A (ko) 업무 프로세스 분석 방법
CN111582404A (zh) 内容分类方法、装置及可读存储介质
WO2021016995A1 (zh) 数据处理方法、装置、计算机设备和存储介质
Huang et al. A new face detection method with GA-BP neural network
WO2023053216A1 (ja) 機械学習プログラム、機械学習方法および機械学習装置
CN113505821B (zh) 一种基于样本可信度的深度神经网络图像识别方法及系统
CN116049695B (zh) 跨社交网络的群体感知与立场分析方法、系统和电子设备
US20240054403A1 (en) Resource efficient federated edge learning with hyperdimensional computing
He et al. An Integrated Long Short-Term Memory Based Online Log Anomaly Detection
Kunder et al. Exploration of Non-Convex Optimization Challenges Across Diverse Data Sets Using Machine Learning and Deep Learning Methods
Lipor Sensing Structured Signals with Active and Ensemble Methods

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
TA01 Transfer of patent application right

Effective date of registration: 20240301

Address after: 266000 room 5699, innovation and entrepreneurship center, Sino German ecological park, 172 Taibaishan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Applicant after: Qingdao Haike Zhihui Information Technology Co.,Ltd.

Country or region after: Zhong Guo

Address before: Room 802, block B, International Innovation Park, No.1 Keyuan Weiyi Road, Laoshan District, Qingdao City, Shandong Province 266000

Applicant before: Qingdao Haike Innovation Technology Co.,Ltd.

Country or region before: Zhong Guo

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant