CN113645063A - 基于边缘计算的智能集成数据的方法及系统 - Google Patents
基于边缘计算的智能集成数据的方法及系统 Download PDFInfo
- Publication number
- CN113645063A CN113645063A CN202110804084.4A CN202110804084A CN113645063A CN 113645063 A CN113645063 A CN 113645063A CN 202110804084 A CN202110804084 A CN 202110804084A CN 113645063 A CN113645063 A CN 113645063A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- integrated
- intelligent
- description content
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000010354 integration Effects 0.000 title claims description 91
- 238000004364 calculation method Methods 0.000 title claims description 26
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 26
- 238000007667 floating Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 42
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0889—Techniques to speed-up the configuration process
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供的基于边缘计算的智能集成数据的方法及系统,在通过全局操作程序标识的第一操作数据进行全局监控配置以及有操作程序标识的第二操作数据进行监控配置后,得到集成智能训练网络,从而在集成智能训练网络的基础上,创建集成智能识别网络进行知识关联配置,利用智能训练网络进行监控配置来达到关联的目的,最终得到更高性能和精度的智能识别网络,配置主要依靠大量的第一操作数据,而对有操作程序标识的第二操作数据的数据量要求较小,避免了对参考数据进行大量批注的繁琐过程,提高了数据集成网络的配置效率以及准确率。
Description
技术领域
本申请涉及数据集成技术领域,具体而言,涉及基于边缘计算的智能集成数据的方法及系统。
背景技术
随着边缘计算的不断进步,边缘计算指的是在网络的边缘来处理数据,这样能够减少请求响应时间、减少网络带宽同时保证数据的安全性和私密性。
随着相关数据量的不断递增,这样就可能会导致相关数据紊乱的情况,因此,需要对相关数据进行集成,从而降低数据处理设备的工作任务,提高相关数据的处理效率。但是,在相关数据集成的技术中还存在数据集成精度不高的问题。
发明内容
鉴于此,本申请提供了基于边缘计算的智能集成数据的方法及系统。
第一方面,提供一种基于边缘计算的智能集成数据的方法,所述方法包括:
获取第一智能操作行为数据集和第二智能操作行为数据集,所述第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集;
通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络;
获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络;
通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络;
通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
可选地,所述通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络,包括:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应所述样本数据关键要素集中属性的局部操作程序标识;
通过所述集成智能识别网络对所述第一智能操作行为数据集中的第一操作数据进行集成测试,得到与所述第一操作数据对应的测试描述内容;
基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络。
可选地,所述基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络,包括:
获取所述局部操作程序标识的信任度特征向量;
确定所述局部操作程序标识在所述信任度特征向量下与所述测试描述内容之间的误差,并基于所述误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络;
其中,所述通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应的局部操作程序标识,包括:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到所述第一操作数据对应所述样本数据关键要素集中集成的百分比;
基于所述百分比从所述样本数据关键要素集中确定所述第一操作数据对应的局部操作程序标识;
其中,所述集成智能识别网络中包括第一搜索训练模型和第一计算训练模型;所述方法还包括:
通过所述第一搜索训练模型对所述第一操作数据进行读取,得到第一读取描述内容;
获取所述第一计算训练模型对所述第一操作数据和第一预设浮动范围中的数据进行读取的第二读取描述内容;
基于所述第一读取描述内容与所述第二读取描述内容的误差对所述集成智能识别网络进行关联配置,得到所述数据集成网络。
可选地,所述通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络,包括:
基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置;
将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络,所述集成反馈网络用于在所述样本数据关键要素集中进行数据集成;
通过所述第二智能操作行为数据集中的所述第二操作数据和所述参考操作程序标识对所述集成网络进行监控配置,得到所述集成智能训练网络。
可选地,所述描述内容抽取网络中包括第二搜索训练模型和第二计算训练模型;所述基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置,包括:
通过所述第二搜索训练模型对所述第一操作数据进行读取,得到第三读取描述内容;
获取所述第二计算训练模型对所述第一操作数据和第二预设浮动范围中的数据进行读取的第四读取描述内容;
基于所述第三读取描述内容与所述第四读取描述内容的误差对所述描述内容抽取网络进行全局监控配置。
第二方面,提供一种基于边缘计算的智能集成数据的系统,包括数据采集端和数据集成终端,所述数据采集端和所述数据集成终端通信连接,所述数据集成终端具体用于:
获取第一智能操作行为数据集和第二智能操作行为数据集,所述第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集;
通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络;
获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络;
通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络;
通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
可选地,所述数据集成终端具体用于:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应所述样本数据关键要素集中属性的局部操作程序标识;
通过所述集成智能识别网络对所述第一智能操作行为数据集中的第一操作数据进行集成测试,得到与所述第一操作数据对应的测试描述内容;
基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络。
可选地,所述数据集成终端具体用于:
获取所述局部操作程序标识的信任度特征向量;
确定所述局部操作程序标识在所述信任度特征向量下与所述测试描述内容之间的误差,并基于所述误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络;
其中,所述数据集成终端具体用于:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到所述第一操作数据对应所述样本数据关键要素集中集成的百分比;
基于所述百分比从所述样本数据关键要素集中确定所述第一操作数据对应的局部操作程序标识;
其中,所述数据集成终端具体还用于:
通过第一搜索训练模型对所述第一操作数据进行读取,得到第一读取描述内容;
获取第一计算训练模型对所述第一操作数据和第一预设浮动范围中的数据进行读取的第二读取描述内容;
基于所述第一读取描述内容与所述第二读取描述内容的误差对所述集成智能识别网络进行关联配置,得到所述数据集成网络。
可选地,所述数据集成终端具体用于:
基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置;
将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络,所述集成反馈网络用于在所述样本数据关键要素集中进行数据集成;
通过所述第二智能操作行为数据集中的所述第二操作数据和所述参考操作程序标识对所述集成网络进行监控配置,得到所述集成智能训练网络。
可选地,所述数据集成终端具体用于:
通过第二搜索训练模型对所述第一操作数据进行读取,得到第三读取描述内容;
获取第二计算训练模型对所述第一操作数据和第二预设浮动范围中的数据进行读取的第四读取描述内容;
基于所述第三读取描述内容与所述第四读取描述内容的误差对所述描述内容抽取网络进行全局监控配置。
本申请实施例所提供的基于边缘计算的智能集成数据的方法及系统,在通过全局操作程序标识的第一操作数据进行全局监控配置以及有操作程序标识的第二操作数据进行监控配置后,得到集成智能训练网络,从而在集成智能训练网络的基础上,创建集成智能识别网络进行知识关联配置,利用智能训练网络进行监控配置来达到关联的目的,最终得到更高性能和精度的智能识别网络,配置主要依靠大量的第一操作数据,而对有操作程序标识的第二操作数据的数据量要求较小,避免了对参考数据进行大量批注的繁琐过程,提高了数据集成网络的配置效率以及准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种基于边缘计算的智能集成数据的方法的流程图。
图2为本申请实施例所提供的一种基于边缘计算的智能集成数据的装置的框图。
图3为本申请实施例所提供的一种基于边缘计算的智能集成数据的系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于边缘计算的智能集成数据的方法,该方法可以包括以下步骤100-步骤500所描述的技术方案。
步骤100,获取第一智能操作行为数据集和第二智能操作行为数据集。
示例性的,第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集。
步骤200,通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络。
步骤300,获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络。
步骤400,通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络。
步骤500,通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
可以理解,在执行上述步骤100-步骤500所描述的技术方案时,在通过全局操作程序标识的第一操作数据进行全局监控配置以及有操作程序标识的第二操作数据进行监控配置后,得到集成智能训练网络,从而在集成智能训练网络的基础上,创建集成智能识别网络进行知识关联配置,利用智能训练网络进行监控配置来达到关联的目的,最终得到更高性能和精度的智能识别网络,配置主要依靠大量的第一操作数据,而对有操作程序标识的第二操作数据的数据量要求较小,避免了对参考数据进行大量批注的繁琐过程,提高了数据集成网络的配置效率以及准确率。
在一种可替换的实施例中,发明人发现,通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置时,存在局部操作程序标识不准确的问题,从而难以准确地得到数据集成网络,为了改善上述技术问题,步骤400所描述的通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络的步骤,具体可以包括以下步骤q1-步骤q3所描述的技术方案。
步骤q1,通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应所述样本数据关键要素集中属性的局部操作程序标识。
步骤q2,通过所述集成智能识别网络对所述第一智能操作行为数据集中的第一操作数据进行集成测试,得到与所述第一操作数据对应的测试描述内容。
步骤q3,基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络,
可以理解,在执行上述步骤q1-步骤q3所描述的技术方案时,通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置时,避免局部操作程序标识不准确的问题,从而能够准确地得到数据集成网络。
在一种可替换的实施例中,发明人发现,基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正时,存在误差步骤精确的问题,从而难以精确地得到所述数据集成网络,为了改善上述技术问题,步骤q3所描述的基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络的步骤,具体可以包括以下步骤q31和步骤q32所描述的技术方案。
步骤q31,获取所述局部操作程序标识的信任度特征向量。
步骤q32,确定所述局部操作程序标识在所述信任度特征向量下与所述测试描述内容之间的误差,并基于所述误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络。
可以理解,在执行上述步骤q31和步骤q32所描述的技术方案时,基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正时,改善误差步骤精确的问题,从而能够精确地得到所述数据集成网络。
在一种可替换的实施例中,发明人发现,通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试时,存在集成的百分比不准确的问题,从而难以准确地得到与所述第一操作数据对应的局部操作程序标识,为了改善上述技术问题,步骤q1所描述的通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应的局部操作程序标识的步骤,具体可以包括以下步骤q11和步骤q12所描述的技术方案。
步骤q11,通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到所述第一操作数据对应所述样本数据关键要素集中集成的百分比。
步骤q12,基于所述百分比从所述样本数据关键要素集中确定所述第一操作数据对应的局部操作程序标识。
可以理解,在执行上述步骤q11和步骤q12所描述的技术方案时,通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试时,改善集成的百分比不准确的问题,从而能够准确地得到与所述第一操作数据对应的局部操作程序标识。
基于上述基础,集成智能识别网络中包括第一搜索训练模型和第一计算训练模型,还可以包括以下步骤w1-步骤w3所描述的技术方案。
步骤w1,通过所述第一搜索训练模型对所述第一操作数据进行读取,得到第一读取描述内容。
步骤w2,获取所述第一计算训练模型对所述第一操作数据和第一预设浮动范围中的数据进行读取的第二读取描述内容。
步骤w3,基于所述第一读取描述内容与所述第二读取描述内容的误差对所述集成智能识别网络进行关联配置,得到所述数据集成网络。
可以理解,在执行上述步骤w1-步骤w3所描述的技术方案时,通过精确地获得第一读取描述内容,从而提高数据集成网络的精度。
在另一种可替换的实施例中,发明人发现,通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置时,存在集成反馈网络不准确的问题,从而难以准确地得到集成智能训练网络,为了改善上述技术问题,步骤200所描述的通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络的步骤,具体可以包括以下步骤e1-步骤e3所描述的技术方案。
步骤e1,基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置。
步骤e2,将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络,所述集成反馈网络用于在所述样本数据关键要素集中进行数据集成。
步骤e3,通过所述第二智能操作行为数据集中的所述第二操作数据和所述参考操作程序标识对所述集成网络进行监控配置,得到所述集成智能训练网络。
可以理解,在执行上述步骤e1-步骤e3所描述的技术方案时,通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置时,改善集成反馈网络不准确的问题,从而能够准确地得到集成智能训练网络。
在一种可替换的实施例中,发明人发现,描述内容抽取网络中包括第二搜索训练模型和第二计算训练模型;所述基于所述第一智能操作行为数据集中的第一操作数据对描述内容时,存在读取描述内容过多导致的误差变大的问题,从而难以完整地抽取网络进行全局监控配置,为了改善上述技术问题,步骤e1所描述的描述内容抽取网络中包括第二搜索训练模型和第二计算训练模型;所述基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置的步骤,具体可以包括以下步骤e11-步骤e13所描述的技术方案。
步骤e11,通过所述第二搜索训练模型对所述第一操作数据进行读取,得到第三读取描述内容。
步骤e12,获取所述第二计算训练模型对所述第一操作数据和第二预设浮动范围中的数据进行读取的第四读取描述内容。
步骤e13,基于所述第三读取描述内容与所述第四读取描述内容的误差对所述描述内容抽取网络进行全局监控配置。
可以理解,在执行上述步骤e11-步骤e13所描述的技术方案时,描述内容抽取网络中包括第二搜索训练模型和第二计算训练模型;所述基于所述第一智能操作行为数据集中的第一操作数据对描述内容时,改善读取描述内容过多导致的误差变大的问题,从而能够完整地抽取网络进行全局监控配置。
在一种可能的实施例中,发明人发现,将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合时,存在第二搜索训练模型连接错误的问题,从而难以精确地得到集成网络,为了改善上述技术问题,步骤e2所描述的将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络的步骤,具体可以包括以下步骤e21所描述的技术方案。
步骤e21,将所述集成反馈网络与经过全局监控配置的所述第二搜索训练模型连接,得到所述集成网络。
可以理解,在执行上述步骤e21所描述的技术方案时,将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合时,改善第二搜索训练模型连接错误的问题,从而能够精确地得到集成网络。
在一种可能的实施例中,发明人发现,通过所述数据集成网络对样本数据进行集成测试时,存在样本数据不准确的问题,从而难以准确地得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容,为了改善上述技术问题,步骤500所描述的通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容的步骤,具体可以包括以下步骤t1-步骤t4所描述的技术方案。
步骤t1,获取测试智能操作行为数据集,所述测试智能操作行为数据集中的测试数据用于对所述数据集成网络的配置效果进行测试。
步骤t2,从所述测试智能操作行为数据集中获取所述样本数据,所述样本数据批注有参考集成标签。
步骤t3,通过所述数据集成网络对样本数据进行集成测试,得到所述集成描述内容。
步骤t4,基于所述参考集成标签和所述集成描述内容获取所述数据集成网络的配置效果数据。
可以理解,在执行上述步骤t1-步骤t4所描述的技术方案时,通过所述数据集成网络对样本数据进行集成测试时,改善样本数据不准确的问题,从而能够准确地得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
在上述基础上,请结合参阅图2,提供了一种基于边缘计算的智能集成数据的装置200,应用于数据集成终端,所述装置包括:
数据获取模块210,用于获取第一智能操作行为数据集和第二智能操作行为数据集,所述第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集;
网络识别模块220,用于通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络;
网络配置模块230,用于获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络;
网络集成模块240,用于通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络;
内容描述模块250,用于通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
在上述基础上,请结合参阅图3,示出了一种基于边缘计算的智能集成数据的系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,在通过全局操作程序标识的第一操作数据进行全局监控配置以及有操作程序标识的第二操作数据进行监控配置后,得到集成智能训练网络,从而在集成智能训练网络的基础上,创建集成智能识别网络进行知识关联配置,利用智能训练网络进行监控配置来达到关联的目的,最终得到更高性能和精度的智能识别网络,配置主要依靠大量的第一操作数据,而对有操作程序标识的第二操作数据的数据量要求较小,避免了对参考数据进行大量批注的繁琐过程,提高了数据集成网络的配置效率以及准确率。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于边缘计算的智能集成数据的方法,其特征在于,所述方法包括:
获取第一智能操作行为数据集和第二智能操作行为数据集,所述第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集;
通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络;
获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络;
通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络;
通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
2.根据权利要求1所述的方法,其特征在于,所述通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络,包括:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应所述样本数据关键要素集中属性的局部操作程序标识;
通过所述集成智能识别网络对所述第一智能操作行为数据集中的第一操作数据进行集成测试,得到与所述第一操作数据对应的测试描述内容;
基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络。
3.根据权利要求2所述的方法,其特征在于,所述基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络,包括:
获取所述局部操作程序标识的信任度特征向量;
确定所述局部操作程序标识在所述信任度特征向量下与所述测试描述内容之间的误差,并基于所述误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络;
其中,所述通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应的局部操作程序标识,包括:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到所述第一操作数据对应所述样本数据关键要素集中集成的百分比;
基于所述百分比从所述样本数据关键要素集中确定所述第一操作数据对应的局部操作程序标识;
其中,所述集成智能识别网络中包括第一搜索训练模型和第一计算训练模型;所述方法还包括:
通过所述第一搜索训练模型对所述第一操作数据进行读取,得到第一读取描述内容;
获取所述第一计算训练模型对所述第一操作数据和第一预设浮动范围中的数据进行读取的第二读取描述内容;
基于所述第一读取描述内容与所述第二读取描述内容的误差对所述集成智能识别网络进行关联配置,得到所述数据集成网络。
4.根据权利要求1至3任一所述的方法,其特征在于,所述通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络,包括:
基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置;
将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络,所述集成反馈网络用于在所述样本数据关键要素集中进行数据集成;
通过所述第二智能操作行为数据集中的所述第二操作数据和所述参考操作程序标识对所述集成网络进行监控配置,得到所述集成智能训练网络。
5.根据权利要求4所述的方法,其特征在于,所述描述内容抽取网络中包括第二搜索训练模型和第二计算训练模型;所述基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置,包括:
通过所述第二搜索训练模型对所述第一操作数据进行读取,得到第三读取描述内容;
获取所述第二计算训练模型对所述第一操作数据和第二预设浮动范围中的数据进行读取的第四读取描述内容;
基于所述第三读取描述内容与所述第四读取描述内容的误差对所述描述内容抽取网络进行全局监控配置。
6.一种基于边缘计算的智能集成数据的系统,其特征在于,包括数据采集端和数据集成终端,所述数据采集端和所述数据集成终端通信连接,所述数据集成终端具体用于:
获取第一智能操作行为数据集和第二智能操作行为数据集,所述第一智能操作行为数据集中包括第一操作数据,所述第二智能操作行为数据集中包括批注有参考操作程序标识的第二操作数据,所述第二操作数据属于样本数据关键要素集;
通过所述第一操作数据以全局监控配置方式,以及所述第二操作数据以监控配置方式配置得到集成智能训练网络;
获取集成智能识别网络,所述集成智能识别网络为网络特征向量待配置的网络;
通过所述第一操作数据以所述集成智能训练网络为标准网络,对所述集成智能识别网络的所述网络特征向量进行关联配置,得到数据集成网络;
通过所述数据集成网络对样本数据进行集成测试,得到所述样本数据在所述样本数据关键要素集中归属的集成描述内容。
7.根据权利要求6所述的系统,其特征在于,所述数据集成终端具体用于:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到与所述第一操作数据对应所述样本数据关键要素集中属性的局部操作程序标识;
通过所述集成智能识别网络对所述第一智能操作行为数据集中的第一操作数据进行集成测试,得到与所述第一操作数据对应的测试描述内容;
基于所述局部操作程序标识与所述测试描述内容之间的误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络。
8.根据权利要求7所述的系统,其特征在于,所述数据集成终端具体用于:
获取所述局部操作程序标识的信任度特征向量;
确定所述局部操作程序标识在所述信任度特征向量下与所述测试描述内容之间的误差,并基于所述误差对所述集成智能识别网络的所述网络特征向量进行修正,得到所述数据集成网络;
其中,所述数据集成终端具体用于:
通过所述集成智能训练网络对所述第一智能操作行为数据集中的所述第一操作数据进行集成测试,得到所述第一操作数据对应所述样本数据关键要素集中集成的百分比;
基于所述百分比从所述样本数据关键要素集中确定所述第一操作数据对应的局部操作程序标识;
其中,所述数据集成终端具体还用于:
通过第一搜索训练模型对所述第一操作数据进行读取,得到第一读取描述内容;
获取第一计算训练模型对所述第一操作数据和第一预设浮动范围中的数据进行读取的第二读取描述内容;
基于所述第一读取描述内容与所述第二读取描述内容的误差对所述集成智能识别网络进行关联配置,得到所述数据集成网络。
9.根据权利要求6至8任一所述的系统,其特征在于,所述数据集成终端具体用于:
基于所述第一智能操作行为数据集中的第一操作数据对描述内容抽取网络进行全局监控配置;
将集成反馈网络与经过全局监控配置的所述描述内容抽取网络结合,得到集成网络,所述集成反馈网络用于在所述样本数据关键要素集中进行数据集成;
通过所述第二智能操作行为数据集中的所述第二操作数据和所述参考操作程序标识对所述集成网络进行监控配置,得到所述集成智能训练网络。
10.根据权利要求9所述的系统,其特征在于,所述数据集成终端具体用于:
通过第二搜索训练模型对所述第一操作数据进行读取,得到第三读取描述内容;
获取第二计算训练模型对所述第一操作数据和第二预设浮动范围中的数据进行读取的第四读取描述内容;
基于所述第三读取描述内容与所述第四读取描述内容的误差对所述描述内容抽取网络进行全局监控配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804084.4A CN113645063B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的智能集成数据的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804084.4A CN113645063B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的智能集成数据的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113645063A true CN113645063A (zh) | 2021-11-12 |
CN113645063B CN113645063B (zh) | 2024-03-19 |
Family
ID=78417515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804084.4A Active CN113645063B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的智能集成数据的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113645063B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108507A (zh) * | 2017-09-22 | 2020-05-05 | 祖克斯有限公司 | 根据二维图像和点云数据生成三维边界框 |
CN111985601A (zh) * | 2019-05-21 | 2020-11-24 | 富士通株式会社 | 用于增量学习的数据识别方法 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
-
2021
- 2021-07-16 CN CN202110804084.4A patent/CN113645063B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108507A (zh) * | 2017-09-22 | 2020-05-05 | 祖克斯有限公司 | 根据二维图像和点云数据生成三维边界框 |
CN111985601A (zh) * | 2019-05-21 | 2020-11-24 | 富士通株式会社 | 用于增量学习的数据识别方法 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113645063B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114168747A (zh) | 基于云服务的知识库构建方法及系统 | |
CN113378554B (zh) | 一种医疗信息智能交互的方法及系统 | |
CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
CN113645063A (zh) | 基于边缘计算的智能集成数据的方法及系统 | |
CN113626538A (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
CN113360562A (zh) | 基于人工智能与大数据的接口配对方法、系统及云平台 | |
CN114187552A (zh) | 一种机房动力环境监控方法及系统 | |
CN114417076A (zh) | 基于人工智能的生产线智能预警方法及系统 | |
CN113626688A (zh) | 基于软件定义的智能化医疗数据采集方法及系统 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
CN114169437A (zh) | 一种智能关键数据属性融合方法及系统 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
CN113609362A (zh) | 基于5g的数据管理方法及系统 | |
CN115345143A (zh) | 基于数据中心的能耗检测方法及系统 | |
CN115687875A (zh) | 一种智慧校园管理方法、系统及SaaS云平台 | |
CN115455070A (zh) | 一种电流信号的数据管控方法及系统 | |
CN115455406A (zh) | 一种网络信息的风险检测方法及系统 | |
CN114169551A (zh) | 一种机柜巡检管理方法及系统 | |
CN115374368A (zh) | 基于互联网的网签数据处理方法及系统 | |
CN114970507A (zh) | 基于元宇宙的特征识别方法及系统 | |
CN115345226A (zh) | 结合云计算的能耗统计方法及系统 | |
CN113609163A (zh) | 一种新型末端母线供电的方法及系统 | |
CN113611381A (zh) | 基于智慧医疗的门诊信息登记方法及系统 | |
CN114329209A (zh) | 结合创新资源数据的画像分析方法及系统 | |
CN114168999A (zh) | 基于数据中心的综合安保方法及系统 |
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 |