CN114048854B - 一种深度神经网络大数据内部数据文件的管理方法 - Google Patents

一种深度神经网络大数据内部数据文件的管理方法 Download PDF

Info

Publication number
CN114048854B
CN114048854B CN202111200741.0A CN202111200741A CN114048854B CN 114048854 B CN114048854 B CN 114048854B CN 202111200741 A CN202111200741 A CN 202111200741A CN 114048854 B CN114048854 B CN 114048854B
Authority
CN
China
Prior art keywords
data
files
neural network
file
neuron
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
Application number
CN202111200741.0A
Other languages
English (en)
Other versions
CN114048854A (zh
Inventor
王健
崔昊
蔡杰
王玉
龚平
葛浩
陈娟
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.)
China Utone Construction Consulting Co ltd
Original Assignee
China Utone Construction Consulting 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 China Utone Construction Consulting Co ltd filed Critical China Utone Construction Consulting Co ltd
Priority to CN202111200741.0A priority Critical patent/CN114048854B/zh
Publication of CN114048854A publication Critical patent/CN114048854A/zh
Application granted granted Critical
Publication of CN114048854B publication Critical patent/CN114048854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/11—File system administration, e.g. details of archiving or snapshots
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种深度神经网络大数据内部数据文件的管理方法，该深度神经网络大数据内部数据文件的管理方法包括获取目标，整理进程度读取日志文件后，从神经层端口进入网络的初始化层面，识别特征信息转变为概念，形成符号，通过神经层传递文件读出对应的数据文件，将对应的数据进行切割分类，输入至神经元。剔除重要值最末的相关特征，多次重复得到最优特征集合，提高分类效率的情况下的分类精度，最终得到最有特征数据，利用权值将数据文件进行拆分，建立数据处理的机制，排列成比重主次分明的顺序，建立数据库模型，在排列的过程中避免了大量数据的混乱，提升神经网络在运行过程中的加速使用，对神经元数据处理的效率大大提高。

Description

一种深度神经网络大数据内部数据文件的管理方法
技术领域
本发明涉及神经网络数据管理技术领域，具体为一种深度神经网络大数据内部数据文件的管理方法。
背景技术
神经网络连接模型，可模仿动物网络行为特征进行分布式并行信息处理的算法数学模型，依靠系统的复杂程度调整大量节点之间相互布局，整理大量数据文件，在管理的过程中，神经网络的布局较为复杂，在经过一串算法之后容易出现卷层的现象，将大量数据文集堆积在一起杂乱置放，形成错乱的蜘蛛网，使得数据容易混乱在一起，出现误差。
发明内容
为解决上述神经网络数据堆积呈现卷层状况的问题，实现以上神经网络数据自动整理避免重叠的目的，本发明通过以下技术方案予以实现：一种深度神经网络大数据内部数据文件的管理方法，包括以下步骤：
S1、获取目标，整理进程度读取日志文件后，从神经层端口进入网络的初始化层面，识别特征信息转变为概念，形成符号；
S2、通过神经层传递文件读出对应的数据文件，将对应的数据进行切割分类，输入至神经元；
S3、通过神经元处理信息读出对应的旧数据文件，生成新数据文件，将对应的神经元文件进行分解呈一个个对应的小数符号加以分析后，形成分析模块，分区域保存文件，通过保存的虚拟文件中保存的数据文件的存储路径读取数据文件；
S4、虚拟文件中所保存的数据文件的存储路径中的文件分析成小模块后，生成对应的特征模块，将隐含的数据文件从存储路径中分解出，形成多个小内存的数据文件，隐含层覆盖到已分解的数据文件上；
S5、在已经分解的数据文件基础上提取高维数据集特征，将这些高维数据集合起来分类集合在一起，获取已经分解的神经网络的特征信息，获取预设的特征信息匹配规则和优先级，将所匹配的特征信息进行相关度匹配和覆盖，最后进行分析；
S6、将小数据文件高分辨小目标识别，输出层由计算机进行构建模型，将大数据库中的任务调选到计算机内部进行分项标号理层，构件模型算法层，间隔预设时间获取已采集的性能数据文件，利用所述性能数据，生成与所述性能数据文件对应的txt格式文件；
S7、解析所述txt格式文件中保存的数据，并利用解析结果生成与所述性能数据文件对应的csv格式文件；
S8、整理进程模块，将神经元系统文件中所对应的旧数据文件进行整理，形成图表，通过虚拟文件中保存的数据文件更改存储路径，缓冲存储器的读写进程通道。
进一步的，所述神经网络特征信息获取模块包括互联网标签、互联网数据的数据格式。
进一步的，所述获取目标包括神经网外围数据，经过传输到神经网络，将初始化神经网络的特征信息在预设网络大数据中保存。
进一步的，所述切割分类数据首先选中数据，进行高级分裂，勾选字符类型分割完成。
进一步的，所述神经元处理信息包括权重存储器模块、权重缓存模块、数据存储模块和数据缓存模块，用于存储并缓存神经网络的神经元数据和权值数据并输出。
进一步的，所述高维数据集特征将所有原始特征组合在一起构成原始特征，按照重要程度从大到小排序分类。
进一步的，所述构建模型结合前面得的整理数据的分类，按照从大到小的数值比重，建立其数据库模型。
本发明提供了一种深度神经网络大数据内部数据文件的管理方法。具备以下有益效果：
1、该深度神经网络大数据内部数据文件的管理方法，通过建立模型后，统计出特征明显的重要排序，重要值靠前拉动，在每一轮打开的数据后形成模型框架，剔除重要值最末的相关特征，多次重复得到最优特征集合，提高分类效率的情况下的分类精度，最终得到最有特征数据，可避免大量数据混乱在一起出现误差。
2、该深度神经网络大数据内部数据文件的管理方法，通过神经网络数据的处理方法，利用权值将数据文件进行拆分，建立数据处理的机制，排列成比重主次分明的顺序，建立数据库模型，在排列的过程中避免了大量数据的混乱，提升神经网络在运行过程中的加速使用，对神经元数据处理的效率大大提高。
附图说明
图1为本发明方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
该深度神经网络大数据内部数据文件的管理方法的实施例如下：
一种深度神经网络大数据内部数据文件的管理方法，包括以下步骤：
S1、获取目标，整理进程度读取日志文件后，从神经层端口进入网络的初始化层面，识别特征信息转变为概念，形成符号；
S2、通过神经层传递文件读出对应的数据文件，将对应的数据进行切割分类，输入至神经元；
S3、通过神经元处理信息读出对应的旧数据文件，生成新数据文件，将对应的神经元文件进行分解呈一个个对应的小数符号加以分析后，形成分析模块，分区域保存文件，通过保存的虚拟文件中保存的数据文件的存储路径读取数据文件；
S4、虚拟文件中所保存的数据文件的存储路径中的文件分析成小模块后，生成对应的特征模块，将隐含的数据文件从存储路径中分解出，形成多个小内存的数据文件，隐含层覆盖到已分解的数据文件上；
S5、在已经分解的数据文件基础上提取高维数据集特征，将这些高维数据集合起来分类集合在一起，获取已经分解的神经网络的特征信息，获取预设的特征信息匹配规则和优先级，将所匹配的特征信息进行相关度匹配和覆盖，最后进行分析；
S6、将小数据文件高分辨小目标识别，输出层由计算机进行构建模型，将大数据库中的任务调选到计算机内部进行分项标号理层，构件模型算法层，间隔预设时间获取已采集的性能数据文件，利用所述性能数据，生成与所述性能数据文件对应的txt格式文件；
S7、解析所述txt格式文件中保存的数据，并利用解析结果生成与所述性能数据文件对应的csv格式文件；
S8、整理进程模块，将神经元系统文件中所对应的旧数据文件进行整理，形成图表，通过虚拟文件中保存的数据文件更改存储路径，缓冲存储器的读写进程通道。
其中，神经网络特征信息获取模块包括互联网标签、互联网数据的数据格式。
其中，获取目标包括神经网外围数据，经过传输到神经网络，将初始化神经网络的特征信息在预设网络大数据中保存。
其中，切割分类数据首先选中数据，进行高级分裂，勾选字符类型分割完成。
其中，神经元处理信息包括权重存储器模块、权重缓存模块、数据存储模块和数据缓存模块，用于存储并缓存神经网络的神经元数据和权值数据并输出。
其中，高维数据集特征将所有原始特征组合在一起构成原始特征，按照重要程度从大到小排序分类。
其中，构建模型结合前面得的整理数据的分类，按照从大到小的数值比重，建立其数据库模型。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种深度神经网络大数据内部数据文件的管理方法，其特征在于，包括以下步骤：
S1、获取目标，整理进程度读取日志文件后，从神经层端口进入网络的初始化层面，识别特征信息转变为概念，形成符号；
S2、通过神经层传递文件读出对应的数据文件，将对应的数据进行切割分类，输入至神经元；
S3、通过神经元处理信息读出对应的旧数据文件，生成新数据文件，将对应的神经元文件进行分解呈一个个对应的小数符号加以分析后，形成分析模块，分区域保存文件，通过保存的虚拟文件中保存的数据文件的存储路径读取数据文件；
S4、虚拟文件中所保存的数据文件的存储路径中的文件分析成小模块后，生成对应的特征模块，将隐含的数据文件从存储路径中分解出，形成多个小内存的数据文件，隐含层覆盖到已分解的数据文件上；
S5、在已经分解的数据文件基础上提取高维数据集特征，将这些高维数据集合起来分类集合在一起，获取已经分解的神经网络的特征信息，获取预设的特征信息匹配规则和优先级，将所匹配的特征信息进行相关度匹配和覆盖，最后进行分析；
S6、将小数据文件高分辨小目标识别，输出层由计算机进行构建模型，将大数据库中的任务调选到计算机内部进行分项标号理层，构件模型算法层，间隔预设时间获取已采集的性能数据文件，利用所述性能数据，生成与所述性能数据文件对应的txt格式文件；
S7、解析所述txt格式文件中保存的数据，并利用解析结果生成与所述性能数据文件对应的csv格式文件；
S8、整理进程模块，将神经元系统文件中所对应的旧数据文件进行整理，形成图表，通过虚拟文件中保存的数据文件更改存储路径，缓冲存储器的读写进程通道。
2.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述神经网络特征信息获取模块包括互联网标签、互联网数据的数据格式。
3.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述S1中获取目标包括神经网外围数据，经过传输到神经网络，将初始化神经网络的特征信息在预设网络大数据中保存。
4.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述S2中切割分类数据首先选中数据，进行高级分裂，勾选字符类型分割完成。
5.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述S3中神经元处理信息包括权重存储器模块、权重缓存模块、数据存储模块和数据缓存模块，用于存储并缓存神经网络的神经元数据和权值数据并输出。
6.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述S5中高维数据集特征将所有原始特征组合在一起构成原始特征，按照重要程度从大到小排序分类。
7.根据权利要求1中所述的一种深度神经网络大数据内部数据文件的管理方法，其特征在于，所述S6中构建模型结合前面得的整理数据的分类，按照从大到小的数值比重，建立其数据库模型。
CN202111200741.0A 2021-10-15 2021-10-15 一种深度神经网络大数据内部数据文件的管理方法 Active CN114048854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200741.0A CN114048854B (zh) 2021-10-15 2021-10-15 一种深度神经网络大数据内部数据文件的管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200741.0A CN114048854B (zh) 2021-10-15 2021-10-15 一种深度神经网络大数据内部数据文件的管理方法

Publications (2)

Publication Number Publication Date
CN114048854A CN114048854A (zh) 2022-02-15
CN114048854B true CN114048854B (zh) 2022-12-06

Family

ID=80205177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200741.0A Active CN114048854B (zh) 2021-10-15 2021-10-15 一种深度神经网络大数据内部数据文件的管理方法

Country Status (1)

Country Link
CN (1) CN114048854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701300B (zh) * 2023-05-06 2023-11-28 安徽皓安计算机科技有限公司 一种基于互联网的计算机文件管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038544A (zh) * 2017-12-04 2018-05-15 华南师范大学 基于大数据和深度学习的神经网络深度学习方法和系统
CN110070171A (zh) * 2019-03-29 2019-07-30 中国科学院深圳先进技术研究院 基于神经网络的分类方法、装置、终端及可读介质
CN110942139A (zh) * 2019-11-22 2020-03-31 深圳市魔数智擎人工智能有限公司 深度学习神经网络部署系统及其方法
CN111064678A (zh) * 2019-11-26 2020-04-24 西安电子科技大学 基于轻量级卷积神经网络的网络流量分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11544539B2 (en) * 2016-09-29 2023-01-03 Tsinghua University Hardware neural network conversion method, computing device, compiling method and neural network software and hardware collaboration system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038544A (zh) * 2017-12-04 2018-05-15 华南师范大学 基于大数据和深度学习的神经网络深度学习方法和系统
CN110070171A (zh) * 2019-03-29 2019-07-30 中国科学院深圳先进技术研究院 基于神经网络的分类方法、装置、终端及可读介质
CN110942139A (zh) * 2019-11-22 2020-03-31 深圳市魔数智擎人工智能有限公司 深度学习神经网络部署系统及其方法
CN111064678A (zh) * 2019-11-26 2020-04-24 西安电子科技大学 基于轻量级卷积神经网络的网络流量分类方法

Also Published As

Publication number Publication date
CN114048854A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN102324038B (zh) 一种基于数字图像的植物种类识别方法
CN112700325A (zh) 一种基于Stacking集成学习的网贷回头客预测的方法
CN114238573B (zh) 基于文本对抗样例的信息推送方法及装置
CN117151870B (zh) 一种基于客群画像行为分析方法及系统
CN111881302A (zh) 基于知识图谱的银行舆情分析方法和系统
CN112926645B (zh) 一种基于边缘计算的窃电检测方法
CN114612251A (zh) 风险评估方法、装置、设备及存储介质
CN113904872A (zh) 一种针对匿名服务网站指纹攻击的特征提取方法及系统
CN112632405A (zh) 一种推荐方法、装置、设备及存储介质
CN115936624A (zh) 基层数据管理方法及装置
CN115688024A (zh) 基于用户内容特征和行为特征的网络异常用户预测方法
CN114048854B (zh) 一种深度神经网络大数据内部数据文件的管理方法
Nguyen et al. Towards an automatic plant identification system without dedicated dataset
CN115809229A (zh) 一种基于多维数据属性的评估管理方法及系统
Stork et al. Large-scale zero-shot learning in the wild: Classifying zoological illustrations
CN106126523A (zh) 一种假币犯罪信息分析系统及分析方法
CN113920366A (zh) 一种基于机器学习的综合加权主数据识别方法
CN116629258B (zh) 基于复杂信息项数据的司法文书的结构化分析方法及系统
CN109582743A (zh) 一种针对恐怖袭击事件的数据挖掘方法
CN114943285B (zh) 互联网新闻内容数据智能审核系统
CN112131106B (zh) 基于小概率数据的测试数据构造方法及装置
CN113987126A (zh) 基于知识图谱的检索方法及装置
CN112258235A (zh) 一种电力营销稽核新业务发现方法及系统
CN117251532B (zh) 一种基于动态多级匹配的大规模文献机构消歧方法
Choudhury Automated Identification of Painters Over WikiArt Image Data Using Machine Learning Algorithms

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