CN114429309B - 基于人工智能的区域数据检测平台 - Google Patents
基于人工智能的区域数据检测平台 Download PDFInfo
- Publication number
- CN114429309B CN114429309B CN202210117304.0A CN202210117304A CN114429309B CN 114429309 B CN114429309 B CN 114429309B CN 202210117304 A CN202210117304 A CN 202210117304A CN 114429309 B CN114429309 B CN 114429309B
- Authority
- CN
- China
- Prior art keywords
- appearing
- monitoring area
- wild
- mountain forest
- type
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明涉及一种基于人工智能的区域数据检测平台,包括:信息提取机构,用于获取每一山林监控区域在每天的出现野兽类型以及每一出现野兽类型对应的出现数量;网络应用机构,用于将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行所述网络,获得需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量。通过本发明,能够根据不同山林地区的野兽类型数量为不同山林地区定制人工智能网络以完成基于邻近区域的过往野兽分布数据对本地区域未来的野兽分布数据的分析处理,从而为山林地区的野兽管理提供关键数据。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的区域数据检测平台。
背景技术
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学,研究目的是促使智能机器会听(语音识别、机器翻译等)、会看(图像识别、文字识别等)、会说(语音合成、人机对话等)、会思考(人机对弈、定理证明等)、会学习(机器学习、知识表示等)、会行动(机器人、自动驾驶汽车等)。
当前,对于监控的山林地区,由于地形复杂且覆盖面积较大,采用人工巡视模式很难完成对每一区域出现的野兽类型和野兽分布数量的统计和分析,因此,一般采用现场设置摄像头的模式进行数据采集和处理,显然,这种模式缺乏预见性,无法确定未来日期的野兽分布信息,自然无法进行相应的管理资源的调配。
发明内容
为了解决相关领域的技术问题,本发明提供了一种基于人工智能的区域数据检测平台,能够根据不同山林地区的野兽类型数量为不同山林地区定制人工智能网络以完成基于邻近区域的过往野兽分布数据对本地区域未来的野兽分布数据的分析处理,从而为提升了山林地区的野兽目标的监控效果。
相比较于现有技术,本发明至少需要具备以下两处突出的实质性特点:
(1)为不同的监控的山林地区选择不同的人工智能网络,以基于邻近区域的过往野兽分布数据分析本地区域未来的野兽分布数据,监控的山林地区内分布的野兽类型越丰富,人工智能网络的学习次数越多;
(2)具体的分析过程中,将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量。
根据本发明的一方面,提供了一种基于人工智能的区域数据检测平台,所述平台包括:
区域划分机构,用于将监控的山林地区进行均匀分割以获得多个面积相等的山林监控区域,并为每一个山林监控区域提供一个唯一的固定长度的二进制编码标识的区域编号;
信息提取机构,与所述区域划分机构连接,用于针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量;
首层创建机构,与所述信息提取机构连接,用于创建人工神经网络,所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量,所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量;
次层创建机构,与所述首层创建机构连接,用于采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络;
网络应用机构,与所述次层创建机构连接,用于将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量;
其中,采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:监控的山林地区内分布的野兽类型越丰富,选择的学习次数越多。
根据本发明的另一方面,还提供了一种基于人工智能的区域数据检测方法,所述方法包括使用如上述的基于人工智能的区域数据检测平台以采用人工智能网络基于邻近区域的过往野兽分布数据分析本地区域未来的野兽分布数据。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明实施方案1示出的基于人工智能的区域数据检测平台的结构方框图。
图2为根据本发明实施方案2示出的基于人工智能的区域数据检测平台的结构方框图。
具体实施方式
下面将参照附图对本发明的基于人工智能的区域数据检测平台的实施方案进行详细说明。
自动控制(automatic control)是指在没有人直接参与的情况下,利用外加的设备或装置,使机器、设备或生产过程的某个工作状态或参数自动地按照预定的规律运行。自动控制能够帮助人们解放人工、提升工作效率,加快整个社会的工业化程度和运行快捷程度。当前,对于监控的山林地区,由于地形复杂且覆盖面积较大,采用人工巡视模式很难完成对每一区域出现的野兽类型和野兽分布数量的统计和分析,因此,一般采用现场设置摄像头的模式进行数据采集和处理,显然,这种模式缺乏预见性,无法确定未来日期的野兽分布信息,自然无法进行相应的管理资源的调配。
为了克服上述不足,本发明搭建了一种基于人工智能的区域数据检测平台,能够有效解决相应的技术问题。
<实施方案1>
图1为根据本发明实施方案1示出的基于人工智能的区域数据检测平台的结构方框图。
根据本发明的实施方案1的基于人工智能的区域数据检测平台可以包括:
区域划分机构,用于将监控的山林地区进行均匀分割以获得多个面积相等的山林监控区域,并为每一个山林监控区域提供一个唯一的固定长度的二进制编码标识的区域编号;
信息提取机构,与所述区域划分机构连接,用于针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量;
首层创建机构,与所述信息提取机构连接,用于创建人工神经网络,所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量,所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量;
次层创建机构,与所述首层创建机构连接,用于采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络;
网络应用机构,与所述次层创建机构连接,用于将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量;
其中,采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:监控的山林地区内分布的野兽类型越丰富,选择的学习次数越多;
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:监控的山林地区的覆盖面积越大,选择的预设总数的数值越大;
所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在所述输出数据中,选择山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,所述输出数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值;
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在每一份输入数据中,每一个邻近山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,每一份输入数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值;
将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在当天凌晨启动将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量的操作;
采用各个山林监控区域在各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:将某一山林监控区域历史上某一日期的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的单份输出数据,将所述某一山林监控区域周围预设总数的各个邻近山林监控区域在所述历史上某一日期前一天的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的各份输入数据,执行对所述人工神经网络的单次学习操作;
针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:每一出现野兽类型对应的出现数量中,同一野兽目标在执行出现野兽类型和出现数量统计时,只被统计一次。
<实施方案2>
图2为根据本发明实施方案2示出的基于人工智能的区域数据检测平台的结构方框图。
根据本发明的实施方案2的基于人工智能的区域数据检测平台可以包括:
区域划分机构,用于将监控的山林地区进行均匀分割以获得多个面积相等的山林监控区域,并为每一个山林监控区域提供一个唯一的固定长度的二进制编码标识的区域编号;
信息提取机构,与所述区域划分机构连接,用于针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量;
首层创建机构,与所述信息提取机构连接,用于创建人工神经网络,所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量,所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量;
次层创建机构,与所述首层创建机构连接,用于采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络;
网络应用机构,与所述次层创建机构连接,用于将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量;
其中,采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:监控的山林地区内分布的野兽类型越丰富,选择的学习次数越多;
MMC存储卡,与所述次层创建机构连接,用于存储学习处理后的人工神经网络对应的各个网络参数;
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:监控的山林地区的覆盖面积越大,选择的预设总数的数值越大;
所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在所述输出数据中,选择山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,所述输出数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值;
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在每一份输入数据中,每一个邻近山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,每一份输入数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值;
将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在当天凌晨启动将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量的操作;
采用各个山林监控区域在各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:将某一山林监控区域历史上某一日期的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的单份输出数据,将所述某一山林监控区域周围预设总数的各个邻近山林监控区域在所述历史上某一日期前一天的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的各份输入数据,执行对所述人工神经网络的单次学习操作;
针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:每一出现野兽类型对应的出现数量中,同一野兽目标在执行出现野兽类型和出现数量统计时,只被统计一次。
同时,为了克服上述不足,本发明还搭建了一种基于人工智能的区域数据检测方法,所述方法包括使用如上述的基于人工智能的区域数据检测平台以采用人工智能网络基于邻近区域的过往野兽分布数据分析本地区域未来的野兽分布数据。
另外,在所述基于人工智能的区域数据检测平台中,在当天凌晨启动将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量的操作包括:在当天凌晨1点之前启动将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量的操作。
采用本发明的基于人工智能的区域数据检测平台,针对现有技术中山林地区野兽对象监控数据难以预测的技术问题,能够根据不同山林地区的野兽类型数量为不同山林地区定制人工智能网络以完成基于邻近区域的过往野兽分布数据对本地区域未来的野兽分布数据的分析处理,从而为山林地区的野兽管理提供关键数据。
应该理解的是,这里公开的实施方案和实施例是举例性质的和非限制性的。本发明的范围是由所附权利要求而不是由前面的叙述来限定,权利要求的意义的等同概念和在该意义之内的全部变化都意欲由权利要求所包括。
Claims (6)
1.一种基于人工智能的区域数据检测平台,其特征在于,所述平台包括:
区域划分机构,用于将监控的山林地区进行均匀分割以获得多个面积相等的山林监控区域,并为每一个山林监控区域提供一个唯一的固定长度的二进制编码标识的区域编号;
信息提取机构,与所述区域划分机构连接,用于针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量;
首层创建机构,与所述信息提取机构连接,用于创建人工神经网络,所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量,所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量;
次层创建机构,与所述首层创建机构连接,用于采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络;
网络应用机构,与所述次层创建机构连接,用于将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量;
其中,采用各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:监控的山林地区内分布的野兽类型越丰富,选择的学习次数越多;
MMC存储卡,与所述次层创建机构连接,用于存储学习处理后的人工神经网络对应的各个网络参数;
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:监控的山林地区的覆盖面积越大,选择的预设总数的数值越大;
所述人工神经网络的单份输出数据为选择山林监控区域在选择日期的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在所述输出数据中,选择山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,所述输出数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值。
2.如权利要求1所述的基于人工智能的区域数据检测平台,其特征在于:
所述人工神经网络的预设总数的各份输入数据为选择山林监控区域周围预设总数的各个邻近山林监控区域在选择日期的前一天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在每一份输入数据中,每一个邻近山林监控区域在选择日期的出现野兽类型为第一设定长度的二进制编码数值,每一出现野兽类型对应的出现数量为第二设定长度的二进制编码数值,每一份输入数据为第一设定长度的二进制编码数值衔接第二设定长度的二进制编码数值获得的固定长度的二进制编码数值。
3.如权利要求2所述的基于人工智能的区域数据检测平台,其特征在于:
将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:在当天凌晨启动将需要预判的山林监控区域周围预设总数的各个邻近山林监控区域在昨日的出现野兽类型以及每一出现野兽类型对应的出现数量作为学习处理后的人工神经网络的各份输入数据以运行学习处理后的人工神经网络,获得输出的需要预判的山林监控区域当天的出现野兽类型以及每一出现野兽类型对应的出现数量的操作。
4.如权利要求3所述的基于人工智能的区域数据检测平台,其特征在于:
采用各个山林监控区域在各个历史日期的出现野兽类型以及每一出现野兽类型对应的出现数量对所述首层创建机构创建的人工神经网络执行多次学习,以获得学习处理后的人工神经网络包括:将某一山林监控区域历史上某一日期的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的单份输出数据,将所述某一山林监控区域周围预设总数的各个邻近山林监控区域在所述历史上某一日期前一天的出现野兽类型以及每一出现野兽类型对应的出现数量作为所述人工神经网络的各份输入数据,执行对所述人工神经网络的单次学习操作。
5.如权利要求1所述的基于人工智能的区域数据检测平台,其特征在于:
针对每一山林监控区域,获取其在每天的出现野兽类型以及每一出现野兽类型对应的出现数量包括:每一出现野兽类型对应的出现数量中,同一野兽目标在执行出现野兽类型和出现数量统计时,只被统计一次。
6.一种基于人工智能的区域数据检测方法,所述方法包括使用如权利要求1-5任一所述的基于人工智能的区域数据检测平台以采用人工智能网络基于邻近区域的过往野兽分布数据分析本地区域未来的野兽分布数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117304.0A CN114429309B (zh) | 2022-02-08 | 2022-02-08 | 基于人工智能的区域数据检测平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117304.0A CN114429309B (zh) | 2022-02-08 | 2022-02-08 | 基于人工智能的区域数据检测平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114429309A CN114429309A (zh) | 2022-05-03 |
CN114429309B true CN114429309B (zh) | 2022-11-08 |
Family
ID=81313950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117304.0A Active CN114429309B (zh) | 2022-02-08 | 2022-02-08 | 基于人工智能的区域数据检测平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429309B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN112419202A (zh) * | 2020-12-11 | 2021-02-26 | 北京林业大学 | 基于大数据及深度学习的野生动物图像自动识别系统 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
CN114004428A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统 |
-
2022
- 2022-02-08 CN CN202210117304.0A patent/CN114429309B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112419202A (zh) * | 2020-12-11 | 2021-02-26 | 北京林业大学 | 基于大数据及深度学习的野生动物图像自动识别系统 |
CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
CN114004428A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114429309A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840111B (zh) | 一种图形化的业务处理系统和方法 | |
CN111049133A (zh) | 一种电网调控中心集中监控辅助巡视系统 | |
CN114153482B (zh) | 基于数字孪生DaaS平台的深度学习编程方法及系统 | |
CN109615086B (zh) | 一种运维辅助标签的生成方法及系统 | |
CN106355357A (zh) | 配电网故障处理方法及信息处理系统 | |
CN114611634B (zh) | 一种行为类型的确定方法、装置、存储介质及电子装置 | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN114429309B (zh) | 基于人工智能的区域数据检测平台 | |
CN114170041A (zh) | 应用建筑主题数据建立智慧建筑运维管理系统的方法 | |
CN116562503B (zh) | 基于数据分析的电网智能综合管控系统 | |
CN112235164A (zh) | 一种基于控制器的神经网络流量预测装置 | |
CN109659904B (zh) | 基于iec61850标准的柔直换流站告警归并及溯源方法 | |
CN113759995B (zh) | 真空站的联控方法及系统 | |
CN113887964B (zh) | 一种基于人机法的生产线仿真系统 | |
CN110198471A (zh) | 异常识别方法、装置、智能设备及存储介质 | |
CN211906341U (zh) | 一种电网调度管理系统 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
CN111949246A (zh) | 新能源电力行业应用的创建方法及装置 | |
CN115619328A (zh) | 基于工作票的违章统计方法、装置、存储介质及电子设备 | |
Marilly et al. | Alarm correlation for complex telecommunication networks using neural networks and signal processing | |
CN109740858A (zh) | 基于深度学习的自动化辅助决策系统及方法 | |
CN113712000A (zh) | 应用区块链的自动操控平台 | |
CN115660596B (zh) | 一种移动终端的数据交互方法及移动终端 | |
CN114884937B (zh) | 一种新能源集控系统数据断点续传方法 | |
CN114915022B (zh) | 一种智能配电网无线通信方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221020 Address after: 518000 North Room 01, Floor 5, Building 10, Jinxiu Science Park, Hudipai Village, Nandafu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong Applicant after: Shenzhen Runxin Data Technology Co.,Ltd. Address before: 710121 School of computer science, Xi'an University of Posts and telecommunications, Chang'an District, Xi'an City, Shaanxi Province Applicant before: Yan Xue |
|
GR01 | Patent grant | ||
GR01 | Patent grant |