CN113011552A - 神经网络训练方法、装置、设备及介质 - Google Patents
神经网络训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113011552A CN113011552A CN201911328994.9A CN201911328994A CN113011552A CN 113011552 A CN113011552 A CN 113011552A CN 201911328994 A CN201911328994 A CN 201911328994A CN 113011552 A CN113011552 A CN 113011552A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- user
- neural network
- determining
- 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
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明实施例公开了一种神经网络训练方法、装置、设备及介质。该方法包括:获取至少一个第一数据;每个第一数据为一个用户的可穿戴设备采集到的、且包括用户的人体体征数据、用户的运动数据和用户所处环境数据;利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据;基于异常第一数据和正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。本发明实施例的神经网络训练方法、装置、设备及介质,能够提高用户的可穿戴设备采集到的数据识别的准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种神经网络训练方法、装置、设备及介质。
背景技术
可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能,可穿戴设备将会对我们的生活、感知带来很大的转变。
可穿戴设备可以应用于医疗领域。当人体配置上可穿戴设备后,可以实时监控到各种指标。生理指标如体温、脉搏、呼吸、血压、心率、汗液、睡眠、卡路里、葡萄糖水平等,非生理指标如光线、行走步数、速度、周围温度、周围湿度、声音分贝等。
可以根据不同的场景,如重危病人监控、普通病人监控、正常人体监控、老人儿童监控等,制定不同的指标自动预警方案,利用可穿戴设备进行异常指标数据预警。
目前,检测异常指标数据的方式主要有上下阈值法、统计检测法、密度检测法和聚类检测法等。
但是,利用上述的各种方法检测异常指标数据,准确度均较低。
发明内容
本发明实施例提供一种神经网络训练方法、装置、设备及介质,能够提高用户的可穿戴设备采集到的数据识别的准确度。
第一方面,本发明实施例提供了一种神经网络训练方法,包括:
获取至少一个第一数据;每个第一数据为一个用户的可穿戴设备采集到的、且包括用户的人体体征数据、用户的运动数据和用户所处环境数据;
利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据;
基于异常第一数据和正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
在本发明的一个实施例中,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据,包括:
针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率;
根据异常概率,确定第一数据是异常第一数据还是正常第一数据。
在本发明的一个实施例中,针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率,包括:
利用下述公式,确定第一数据的异常概率:
其中,s(x,n)为第一数据x的异常概率,n为至少一个第一数据的数量,h(x)为第一数据x在孤立森林中的平均深度,c(n)为孤立森林包括的决策树的平均高度。
在本发明的一个实施例中,根据异常概率,确定第一数据是异常第一数据还是正常第一数据,包括:
若第一数据的异常概率大于预设概率值,确定第一数据为异常第一数据;
若第一数据的异常概率不大于预设概率值,确定第一数据为正常第一数据。
在本发明的一个实施例中,神经网络为全连接神经网络。
第二方面,本发明实施例提供了一种数据识别方法,包括:
获取目标数据;目标数据为目标用户的可穿戴设备采集到的、且包括目标用户的人体体征数据、目标用户的运动数据和目标用户所处环境数据;
利用本发明实施例第一方面训练得到的神经网络,识别目标数据。
第三方面,本发明实施例提供了一种神经网络训练装置,包括:
第一获取模块,用于获取至少一个第一数据;每个第一数据为一个用户的可穿戴设备采集到的、且包括用户的人体体征数据、用户的运动数据和用户所处环境数据;
确定模块,用于利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据;
训练模块,用于基于异常第一数据和正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
在本发明的一个实施例中,确定模块,包括:
第一确定单元,用于针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率;
第二确定单元,用于根据异常概率,确定第一数据是异常第一数据还是正常第一数据。
在本发明的一个实施例中,第一确定单元,具体用于:
利用下述公式,确定第一数据的异常概率:
其中,s(x,n)为第一数据x的异常概率,n为至少一个第一数据的数量,h(x)为第一数据x在孤立森林中的平均深度,c(n)为孤立森林包括的决策树的平均高度。
在本发明的一个实施例中,第二确定单元,具体用于:
若第一数据的异常概率大于预设概率值,确定第一数据为异常第一数据;
若第一数据的异常概率不大于预设概率值,确定第一数据为正常第一数据。
在本发明的一个实施例中,神经网络为全连接神经网络。
第四方面,本发明实施例提供了一种数据识别装置,包括:
第二获取模块,用于获取目标数据;目标数据为目标用户的可穿戴设备采集到的、且包括目标用户的人体体征数据、目标用户的运动数据和目标用户所处环境数据;
识别模块,用于利用本发明实施例第一方面训练得到的神经网络,识别目标数据。
第五方面,本发明实施例提供一种神经网络训练设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序;
处理器执行计算机程序时实现本发明实施例提供的神经网络训练方法。
第六方面,本发明实施例提供一种数据识别设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序;
处理器执行计算机程序时实现本发明实施例提供的数据识别方法。
第七方面,本发明实施例提供一种计算机可读存储介质,计算机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本发明实施例第一方面提供的神经网络训练方法或本发明实施例第二方面提供的数据识别方法。
本发明实施例的神经网络训练方法、装置、设备及介质,能够提高用户的可穿戴设备采集到的数据识别的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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示出了本发明实施例提供的神经网络训练方法的流程示意图;
图2示出了本发明实施例提供的神经网络训练装置的结构示意图;
图3示出了能够实现根据本发明实施例的神经网络训练方法及装置的计算设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本发明实施例提供一种神经网络训练方法、装置、设备及介质。下面首先对本发明实施例提供的神经网络训练方法进行说明。
图1示出了本发明实施例提供的神经网络训练方法的流程示意图。神经网络训练方法可以包括:
S101:获取至少一个第一数据。
其中,每个第一数据为一个用户的可穿戴设备采集到的、且包括用户的人体体征数据、用户的运动数据和用户所处环境数据。
S102:利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据。
S103:基于异常第一数据和正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
在本发明的一个实施例中,人体体征数据包括但不限于:脉搏、血压、心率和体温等。运动数据包括但不限于运动时长、运动方式(比如跑步、快走、仰卧起坐等)、消耗热量和运动速度等等。用户所处环境数据包括但不限于:全球定位系统(Global PositioningSystem,GPS)坐标、温度、光照强度、湿度和声音分贝等。
旋转矩阵是在乘以一个向量的时候仅改变向量的方向而不改变向量大小的矩阵。
在本发明的一个实施例中,若某第一数据的异常值大于预设异常值,则可以认为该第一数据为异常第一数据,否则为正常第一数据。
在本发明的一个实施例中,若某第一数据的异常概率值大于预设异常概率值,则可以认为该第一数据为异常第一数据,否则为正常第一数据。
在本发明的一个实施例中,本发明实施例的孤立森林生成算法iForest(X,t,p)的输入为:无标记样本X(m*n的矩阵),孤立森林中包含的决策树个数t,每个决策树的训练样本大小p。输出为:包括t个决策树iTree的孤立森林。
孤立森林生成算法为:
初始化空集的孤立森林集合Forest。
设定树的最大深度L=向下取整(log2 p)。
从X中随机抽取p个样本,作为子样本x’,Forest赋值为Forest∪iTree(x’,0,L),循环执行t次。
返回Forest。
在本发明的一个实施例中,本发明实施例的决策树生成算法iTree(X,e,L,c)的输入为:无标记样本X(m*n的矩阵),当前树的高度e,树的最大高度限制L。仿射变换概率c。输出为:一颗决策树。
决策树生成算法为:
如果当前树的高度e≥树的最大高度限制L或者|X|≤1,则构造一个包括|X|个样本的叶子节点。|X|代表样本数量。
否则,以仿射变换概率c随机生成一个m*m的旋转矩阵,令X=WX;列出此时X的维度列表Q;从Q个维度中随机选择一个维度q;从维度q中在样本X中的最大值和最小值之间随机选择一个值p;将样本X中的样本分为XL(q<p)和XR(q≥p)两个集合;返回非叶子节点,其中,左子树为iTree(XL,e+1,L,c),右子树为iTree(XR,e+1,L,c),记录该节点的分割属性q,分割值p以及旋转矩阵W。
本发明实施例的神经网络训练方法,生成孤立森林中的决策树时,将样本与旋转矩阵相乘,能够减少孤立森林的复杂性,能够避免大量维度和正常样本相同的黑样本检测失效,基于该孤立森林能够对样本进行准确分类,进而提高神经网络的准确度,能够提高用户的可穿戴设备采集到的数据识别的准确度。
在本发明的一个实施例中,在利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据时,可以针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率;根据异常概率,确定第一数据是异常第一数据还是正常第一数据。
在本发明的一个实施例中,在针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率时,可以利用下述公式(1),确定第一数据的异常概率:
其中,公式(1)中,s(x,n)为第一数据x的异常概率,n为至少一个第一数据的数量,h(x)为第一数据x在孤立森林中的平均深度,c(n)为孤立森林包括的决策树的平均高度。
在本发明的一个实施例中,c(n)=2ln(n-1)+2*0.577215+2(n-1)/2。
在本发明的一个实施例中,若第一数据的异常概率大于预设概率值,确定第一数据为异常第一数据;若第一数据的异常概率不大于预设概率值,确定第一数据为正常第一数据。
若s(x,n)趋近于0.5,很难判断该第一数据是正常数据还是异常数据;若s(x,n)趋近于1,则该第一数据一定是异常数据;若s(x,n)趋近于0,则该第一数据一定不是异常数据。
基于此,可以预设一概率值,当第一数据的异常概率大于该概率值时,确定该第一数据为异常第一数据;当第一数据的异常概率不大于该概率值时,确定第一数据为正常第一数据。
在本发明的一个实施例中,本发明实施例的神经网络可以为全连接神经网络。
其中,全连接神经网络指:对于神经网络的第n-1层和第n层而言,第n-1层中的任意一个节点都和第n层中的所有节点有连接。即第n层的每个节点在计算时,激活函数的输入是第n-1层所有节点的加权。
在本发明的一个实施例中,考虑到神经网络的泛化能力,为了避免过拟合,可以加入L1正则化和L2正则化。
其中,L1正则化是直接在原来的损失函数基础上加上权重参数的绝对值;L2正则化是直接在原来的损失函数基础上加上权重参数的平方和。
在本发明的一个实施例中,在训练好神经网络后,可以利用该神经网络对用户的可穿戴设备采集到的数据进行识别。基于此,本发明实施例还提供一种数据识别方法。数据识别方法可以包括:
获取目标数据;目标数据为目标用户的可穿戴设备采集到的、且包括目标用户的人体体征数据、目标用户的运动数据和目标用户所处环境数据;利用上述训练得到的神经网络,识别目标数据。
通过本发明实施例,能够对用户的可穿戴设备采集到的数据进行识别,识别出用户的可穿戴设备采集到的数据是否异常。
与上述的方法实施例相对应,本发明实施例还提供一种神经网络训练装置。
图2示出了本发明实施例提供的神经网络训练装置的结构示意图。神经网络训练装置可以包括:
第一获取模块201,用于获取至少一个第一数据。每个第一数据为一个用户的可穿戴设备采集到的、且包括用户的人体体征数据、用户的运动数据和用户所处环境数据。
确定模块202,用于利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定至少一个第一数据中的异常第一数据和正常第一数据。
训练模块203,用于基于异常第一数据和正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
在本发明的一个实施例中,确定模块202,包括:
第一确定单元,用于针对至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定第一数据的异常概率;
第二确定单元,用于根据异常概率,确定第一数据是异常第一数据还是正常第一数据。
在本发明的一个实施例中,第一确定单元,具体用于:
利用下述公式,确定第一数据的异常概率:
其中,s(x,n)为第一数据x的异常概率,n为至少一个第一数据的数量,h(x)为第一数据x在孤立森林中的平均深度,c(n)为孤立森林包括的决策树的平均高度。
在本发明的一个实施例中,第二确定单元,具体用于:
若第一数据的异常概率大于预设概率值,确定第一数据为异常第一数据;
若第一数据的异常概率不大于预设概率值,确定第一数据为正常第一数据。
在本发明的一个实施例中,神经网络为全连接神经网络。
本发明实施例还提供一种数据识别装置。数据识别装置可以包括:
第二获取模块,用于获取目标数据;目标数据为目标用户的可穿戴设备采集到的包括目标用户的人体体征数据、目标用户的运动数据和目标用户所处环境数据的数据;
识别模块,用于利用上述训练得到的神经网络,识别目标数据。
图3示出了能够实现根据本发明实施例的神经网络训练方法及装置的计算设备的示例性硬件架构的结构图。如图3所示,计算设备300包括输入设备301、输入接口302、中央处理器303、存储器304、输出接口305、以及输出设备306。其中,输入接口302、中央处理器303、存储器304、以及输出接口305通过总线310相互连接,输入设备301和输出设备306分别通过输入接口302和输出接口305与总线310连接,进而与计算设备300的其他组件连接。
具体地,输入设备301接收来自外部的输入信息,并通过输入接口302将输入信息传送到中央处理器303;中央处理器303基于存储器304中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器304中,然后通过输出接口305将输出信息传送到输出设备306;输出设备306将输出信息输出到计算设备300的外部供用户使用。
也就是说,图3所示的计算设备也可以被实现为神经网络训练设备,该神经网络训练设备可以包括:存储有计算机程序的存储器;以及处理器,该处理器在执行计算机程序时可以实现本发明实施例提供的神经网络训练方法。
类似的,本发明实施例还提供一种数据识别设备,该数据识别设备可以包括:存储有计算机程序的存储器;以及处理器,该处理器在执行计算机程序时可以实现本发明实施例提供的数据识别方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序;该计算机程序被处理器执行时实现本发明实施例提供的神经网络训练方法或本发明实施例提供的数据识别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种神经网络训练方法,其特征在于,所述方法包括:
获取至少一个第一数据;每个第一数据为一个用户的可穿戴设备采集到的、且包括所述用户的人体体征数据、所述用户的运动数据和所述用户所处环境数据;
利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定所述至少一个第一数据中的异常第一数据和正常第一数据;
基于所述异常第一数据和所述正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
2.根据权利要求1所述的方法,其特征在于,所述利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定所述至少一个第一数据中的异常第一数据和正常第一数据,包括:
针对所述至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定所述第一数据的异常概率;
根据所述异常概率,确定所述第一数据是异常第一数据还是正常第一数据。
4.根据权利要求2所述的方法,其特征在于,所述根据所述异常概率,确定所述第一数据是异常第一数据还是正常第一数据,包括:
若所述第一数据的异常概率大于预设概率值,确定所述第一数据为异常第一数据;
若所述第一数据的异常概率不大于预设概率值,确定所述第一数据为正常第一数据。
5.根据权利要求1所述的方法,其特征在于,所述神经网络为全连接神经网络。
6.一种数据识别方法,其特征在于,所述方法包括:
获取目标数据;所述目标数据为目标用户的可穿戴设备采集到的、且包括所述目标用户的人体体征数据、所述目标用户的运动数据和所述目标用户所处环境数据;
利用权利要求1至5任一项所述的神经网络,识别所述目标数据。
7.一种神经网络训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取至少一个第一数据;每个第一数据为一个用户的可穿戴设备采集到的、且包括所述用户的人体体征数据、所述用户的运动数据和所述用户所处环境数据;
确定模块,用于利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定所述至少一个第一数据中的异常第一数据和正常第一数据;
训练模块,用于基于所述异常第一数据和所述正常第一数据,训练用于识别用户的可穿戴设备采集到的数据的神经网络。
8.根据权利要求7所述的装置,其特征在于,所述确定模块,包括:
第一确定单元,用于针对所述至少一个第一数据中每一个第一数据,利用包括至少一个基于旋转矩阵生成的决策树的孤立森林,确定所述第一数据的异常概率;
第二确定单元,用于根据所述异常概率,确定所述第一数据是异常第一数据还是正常第一数据。
10.根据权利要求8所述的装置,其特征在于,所述第二确定单元,具体用于:
若所述第一数据的异常概率大于预设概率值,确定所述第一数据为异常第一数据;
若所述第一数据的异常概率不大于预设概率值,确定所述第一数据为正常第一数据。
11.一种数据识别装置,其特征在于,所述装置包括:
第二获取模块,用于获取目标数据;所述目标数据为目标用户的可穿戴设备采集到的、且包括所述目标用户的人体体征数据、所述目标用户的运动数据和所述目标用户所处环境数据;
识别模块,用于利用权利要求1至5任一项所述神经网络,识别所述目标数据。
12.一种神经网络训练设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的神经网络训练方法。
13.一种计算机可读存储介质,其特征在于,所述计算机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5任一项所述的神经网络训练方法或权利要求6所述的数据识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911328994.9A CN113011552B (zh) | 2019-12-20 | 2019-12-20 | 神经网络训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911328994.9A CN113011552B (zh) | 2019-12-20 | 2019-12-20 | 神经网络训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011552A true CN113011552A (zh) | 2021-06-22 |
CN113011552B CN113011552B (zh) | 2023-07-18 |
Family
ID=76381823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911328994.9A Active CN113011552B (zh) | 2019-12-20 | 2019-12-20 | 神经网络训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011552B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020133721A1 (en) * | 2001-03-15 | 2002-09-19 | Akli Adjaoute | Systems and methods for dynamic detection and prevention of electronic fraud and network intrusion |
CN102279146A (zh) * | 2011-03-11 | 2011-12-14 | 桂林优利特医疗电子有限公司 | 基于激光鞘流技术的血液细胞五分类方法 |
CN108205592A (zh) * | 2017-12-30 | 2018-06-26 | 中国移动通信集团江苏有限公司 | 用户上网信令内容解析方法、装置、设备及存储介质 |
CN108366386A (zh) * | 2018-05-11 | 2018-08-03 | 东南大学 | 一种使用神经网络实现无线网络故障检测的方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
US20190114417A1 (en) * | 2017-10-13 | 2019-04-18 | Ping Identity Corporation | Methods and apparatus for analyzing sequences of application programming interface traffic to identify potential malicious actions |
CN110198310A (zh) * | 2019-05-20 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种网络行为反作弊方法、装置及存储介质 |
-
2019
- 2019-12-20 CN CN201911328994.9A patent/CN113011552B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020133721A1 (en) * | 2001-03-15 | 2002-09-19 | Akli Adjaoute | Systems and methods for dynamic detection and prevention of electronic fraud and network intrusion |
CN102279146A (zh) * | 2011-03-11 | 2011-12-14 | 桂林优利特医疗电子有限公司 | 基于激光鞘流技术的血液细胞五分类方法 |
US20190114417A1 (en) * | 2017-10-13 | 2019-04-18 | Ping Identity Corporation | Methods and apparatus for analyzing sequences of application programming interface traffic to identify potential malicious actions |
CN108205592A (zh) * | 2017-12-30 | 2018-06-26 | 中国移动通信集团江苏有限公司 | 用户上网信令内容解析方法、装置、设备及存储介质 |
CN108366386A (zh) * | 2018-05-11 | 2018-08-03 | 东南大学 | 一种使用神经网络实现无线网络故障检测的方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
CN110198310A (zh) * | 2019-05-20 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种网络行为反作弊方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113011552B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivapalan et al. | ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors | |
Edel et al. | Binarized-blstm-rnn based human activity recognition | |
Yuan et al. | Muvan: A multi-view attention network for multivariate temporal data | |
Sztyler et al. | Online personalization of cross-subjects based activity recognition models on wearable devices | |
Liu et al. | Complex activity recognition using time series pattern dictionary learned from ubiquitous sensors | |
CN111868759A (zh) | 用于主动机器学习的系统和方法 | |
KR20190050693A (ko) | 웨어러블 장치를 이용한 높은 정확도의 광용적맥파 기반 심방세동 검출을 위한 방법 및 장치 | |
CN111539941B (zh) | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 | |
Hu et al. | Classification of streaming time series under more realistic assumptions | |
WO2008106623A2 (en) | Episodic memory with a hierarchical temporal memory based system | |
CN115497616A (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
Chen et al. | Negative-ResNet: noisy ambulatory electrocardiogram signal classification scheme | |
Sharma et al. | Data pre-processing using neural processes for modeling personalized vital-sign time-series data | |
Yang et al. | Adversarial vulnerability in doppler-based human activity recognition | |
Saeedi et al. | A signal-level transfer learning framework for autonomous reconfiguration of wearable systems | |
Zhu et al. | Smartphone-based human activity recognition in buildings using locality-constrained linear coding | |
Ragav et al. | Bayesian active learning for wearable stress and affect detection | |
Yang et al. | Instance-wise dynamic sensor selection for human activity recognition | |
CN116561649B (zh) | 基于多源传感器数据的潜水员运动状态识别方法和系统 | |
Das et al. | BayesBeat: Reliable atrial fibrillation detection from noisy photoplethysmography data | |
CN113011552B (zh) | 神经网络训练方法、装置、设备及介质 | |
CN109993312B (zh) | 一种设备及其信息处理方法、计算机存储介质 | |
Liu | A Bayesian deep learning network system based on edge computing | |
Gerych et al. | Gan for generating user-specific human activity data from an incomplete training corpus | |
Lu et al. | Ecg classification based on long short-term memory networks |
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 |