CN115952316A - 电子合同在线签约过程的数据记录存储方法 - Google Patents

电子合同在线签约过程的数据记录存储方法 Download PDF

Info

Publication number
CN115952316A
CN115952316A CN202310229675.2A CN202310229675A CN115952316A CN 115952316 A CN115952316 A CN 115952316A CN 202310229675 A CN202310229675 A CN 202310229675A CN 115952316 A CN115952316 A CN 115952316A
Authority
CN
China
Prior art keywords
neuron
layer
degree
neurons
neural network
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
CN202310229675.2A
Other languages
English (en)
Other versions
CN115952316B (zh
Inventor
陆猛
赵云
庄玉龙
谢文迅
张伟
孙肖辉
郭尚
杨瑞钦
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.)
Beijing Dianju Information Technology Co ltd
Original Assignee
Beijing Dianju Information 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 Beijing Dianju Information Technology Co ltd filed Critical Beijing Dianju Information Technology Co ltd
Priority to CN202310229675.2A priority Critical patent/CN115952316B/zh
Publication of CN115952316A publication Critical patent/CN115952316A/zh
Application granted granted Critical
Publication of CN115952316B publication Critical patent/CN115952316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电数据处理技术领域，具体涉及电子合同在线签约过程的数据记录存储方法，包括：采集电子合同签约过程的视频数据；获取视频祯灰度图中每一像素点的梯度值，结合像素点与临近点的灰度值差异获取每一像素点的第一异常程度，从而获取每一神经元的第二重要程度，结合神经元的连接关系获取每一神经元的第三重要程度；获取每一神经元连接的权重及删除可能性，结合每一神经元的第三重要程度获取每一神经元的删除可能性，进而获取改进自编码神经网络；利用改进自编码神经网络对电子合同签约过程的视频数据进行安全存储。本发明旨在解决使用自编码神经网络对电子合同签约过程的视频数据进行安全存储时存储空间较大的问题。

Description

电子合同在线签约过程的数据记录存储方法
技术领域
本发明涉及电处理处理技术领域，具体涉及电子合同在线签约过程的数据记录存储方法。
背景技术
随着我国互联网技术的不断发展，逐步衍生出电子商务技术，电子合同作为电子商务的基础和核心，较多用于网络商务活动；电子合同受法律保护，具有一定的法律效益，企业在进行电子合同签订时，需要对签约过程数据进行记录存储；为了保障企业利益，需要对电子合同签约过程数据进行安全存储。
现有技术通常采用非对称加密算法对数据进行安全存储，但电子合同在线签约过程数据的数据量庞大，而非对称加密算法较多适用于处理少量数据，当数据量较大时，加密与解密时间较长，效率较低；由于自编码神经网络可对大量数据进行存储，可以使用自编码神经网络对电子合同签约过程数据进行存储，进而将自编码神经网络使用离线设备进行保存，保证了电子合同签约过程数据的数据安全，保证了企业利益；但现有的自编码神经网络中常采用全连接网络，网络结构复杂，对自编码神经网络进行离线安全存储时占用存储空间也大；为了节省自编码神经网络的储存空间，需要对自编码神经网络进行剪枝操作；本发明提出的电子合同在线签约过程的数据记录存储方法在电子合同在线签约过程的数据中，数据的重要程度不同，电子合同中的文字信息数据对企业的利益影响较大，结合数据的重要程度对自编码神经网络进行剪枝，进而降低自编码神经网络的储存空间；同时对自编码神经网络进行离线存储，保证了电子合同签约过程数据的数据安全。
发明内容
本发明提供电子合同在线签约过程的数据记录存储方法，以解决现有的使用自编码神经网络对电子合同视频数据进行压缩时，网络结构复杂，训练速度慢的问题。
本发明的电子合同在线签约过程的数据记录存储方法采用如下技术方案：
本发明一个实施例提供了电子合同在线签约过程的数据记录存储方法，该方法包括以下步骤：
采集电子合同签约过程的视频数据，获取视频祯灰度图；
获取每一视频祯灰度图中每一像素点的梯度值，根据每一像素点与临近像素点的灰度值差异获取每一像素点的相邻差异程度，根据每一像素点的梯度值及每一像素点的相邻差异程度获取每一像素点的第一重要程度，根据每一视频祯灰度图中每一像素点的第一重要程度获取每一神经元的第二重要程度；
根据每一神经元与其连接的上一层神经元的第二重要程度与神经元间的连接关系获取每一神经元的不可替代程度，根据每一神经元与上一层神经元的连接个数获取每一神经元的信息承载程度，根据每一神经元的不可替代程度与每一神经元的信息承载程度获取每一神经元的第三重要程度；
获取每一神经元连接的权重，根据每一神经元连接的权重获取每一神经元连接的删除可能性，根据每一神经元的第三重要程度与每一神经元连接的删除可能性获取每一神经元的删除可能性，根据像素点的第一重要程度、原始图像与重构函数的像素点灰度值差异获取神经网络损失函数，根据神经网络损失函数获取损失函数收敛值，根据每一神经元、每一神经元连接的删除可能性与损失函数收敛值的变化对自编码神经网络进行剪枝操作，获取改进自编码神经网络；
根据改进自编码神经网络对电子合同签约过程的视频数据进行安全存储，同时将改进自编码神经网络在移动存储设备进行安全存储。
可选的，所述根据每一像素点的梯度值及每一像素点的相邻差异程度获取每一像素点的第一重要程度，包括的具体步骤如下：
Figure SMS_1
其中，
Figure SMS_5
表示第
Figure SMS_7
视频祯灰度图中的第
Figure SMS_11
像素点的第一重要程度，
Figure SMS_3
表示第
Figure SMS_9
视频祯灰度图中的第
Figure SMS_13
像素点的梯度值，
Figure SMS_15
表示第
Figure SMS_2
视频祯灰度图中像素点梯度值的最大值，
Figure SMS_6
表示第
Figure SMS_10
视频祯灰度图中的第
Figure SMS_14
像素点的相邻差异集合，
Figure SMS_4
表示第
Figure SMS_8
视频祯灰度图中的第
Figure SMS_12
像素点的相邻差异程度。
可选的，所述根据每一视频祯灰度图中每一像素点的第一重要程度获取每一神经元的第二重要程度，包括的具体步骤如下：
对输入层的视频祯灰度图进行分块操作，记每一图像块为输入层一输入单元，记为输入神经元；
获取输入层每一输入神经元对应的图像块，获取该图像块中所有像素点的第一程度均值，记为每一输入神经元的第二重要程度；
对于输入层下一层的每一神经元，获取每一神经元所连接的输入神经元的第二重要程度均值，记为下一层的每一神经元的第二重要程度；
获取神经网络后续层的每一神经元的第二重要程度。
可选的，所述根据每一神经元与其连接的上一层神经元的第二重要程度与神经元间的连接关系获取每一神经元的不可替代程度，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层；
获取关注层上一层中与关注神经元连接的神经元，记为上层神经元；
记任意一上层神经元为关注上层神经元，获取关注上层神经元与下一层神经元连接的个数，记为关注上层神经元的重要连接个数；获取关注上层神经元的第二重要程度与关注上层神经元的重要连接个数的商值，记为关注上层神经元的有效程度，对关注神经元的每一上层神经元的有效程度求取均值，记为关注神经元的不可替代程度。
可选的，所述根据每一神经元与上一层神经元的连接个数获取每一神经元的信息承载程度，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层；
获取关注层中上一层中神经元总个数，记为上层总个数；获取关注层上一层中与关注神经元连接的神经元个数，记为上层连接个数；获取上层神经元与上层总个数的商值，记为关注神经元的信息承载程度。
可选的，所述根据每一神经元的不可替代程度与每一神经元的信息承载程度获取每一神经元的第三重要程度，包括的具体步骤如下：
Figure SMS_16
其中，
Figure SMS_18
表示第
Figure SMS_22
层中的第
Figure SMS_25
神经元的第三重要程度，
Figure SMS_20
表示第
Figure SMS_21
层中的第
Figure SMS_24
神经元的信息承载程度，
Figure SMS_27
表示第
Figure SMS_17
层中的第
Figure SMS_23
神经元的所有上层神经元的有效程度集合，
Figure SMS_26
表示第
Figure SMS_28
层中的第
Figure SMS_19
神经元的不可替代程度。
可选的，所述每一神经元连接的删除可能性等于1与每一神经元连接的权重相减的结果。
可选的，所述根据每一神经元的第三重要程度与每一神经元连接的删除可能性获取每一神经元的删除可能性，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层，记关注层上一层与关注层下一层中与关注神经元的神经元连接为关注连接,获取所有关注连接的删除可能性的均值，记为关注神经元的连接影响程度；
Figure SMS_29
其中，
Figure SMS_32
表示第
Figure SMS_34
层中的第
Figure SMS_37
神经元的删除可能性，
Figure SMS_31
表示第
Figure SMS_33
层中的第
Figure SMS_36
神经元的第三重要程度，
Figure SMS_39
表示所有关注连接的删除可能性集合，
Figure SMS_30
表示第
Figure SMS_35
层中的第
Figure SMS_38
神经元的连接影响程度。
可选的，所述根据像素点的第一重要程度、原始图像与重构函数的像素点灰度值差异获取神经网络损失函数，包括的具体步骤如下：
Figure SMS_40
其中，
Figure SMS_44
表示的输入层为第
Figure SMS_48
视频祯灰度图的神经网络的损失函数，
Figure SMS_52
表示第
Figure SMS_42
视频祯灰度图中的第
Figure SMS_45
像素点的第一重要程度，
Figure SMS_49
表示第
Figure SMS_53
视频祯灰度图中的第
Figure SMS_41
像素点的灰度值，
Figure SMS_46
表示第
Figure SMS_50
视频祯灰度图的重构图像中，第
Figure SMS_54
像素点的灰度值，
Figure SMS_43
表示第
Figure SMS_47
视频祯灰度图中的第
Figure SMS_51
像素点的第一误差程度。
可选的，所述根据每一神经元、每一神经元连接的删除可能性与损失函数收敛值的变化对自编码神经网络进行剪枝操作，获取改进自编码神经网络，包括的具体步骤如下：
获取删减操作前神经网络的损失函数收敛值，记为原始收敛值
Figure SMS_55
；
将所有神经元的删除可能性按照由大到小的顺序进行排列，按照神经元的排列顺序进行删除，获取每一删除的神经网络损失函数收敛值，获取每一次删除的神经网络损失函数收敛值与
Figure SMS_56
的差值的绝对值，记为损失函数误差，设定阈值，直至某次删除后获取得的损失函数误差小于阈值，此时停止连续删除操作；
对后续的
Figure SMS_57
个神经元分别单独进行一次删除，获取每一神经元对应的损失函数误差，当函数误差小于阈值时，删除对应的神经元，完成对神经元的删除操作；
利用每一神经元连接的删除可能性与损失函数的变换差异对神经元连接进行删除；
记经过神经元删除与神经元连接删除后的神经网络为改进自编码神经网络。
本发明的技术方案的有益效果是：根据视频帧图像所对应的文字等重要信息以及空白等不重要区域获取数据的重要程度，进而获取神经元的重要程度；根据神经元的重要程度与神经元之间的连接关系对重要程度进行调整，进而获取删除可能性，同时根据重要程度确定损失函数，根据损失函数与删除可能性对网络进行剪枝；使得神经网络训练中损失函数的收敛对重要的图像特征响应更佳，有利于保持图像重要特征的完整性，降低了剪枝对神经网络训练效果的影响；同时实现不重要网络的剪枝，简化了网络结构，降低了自编码网络进行存储时的存储空间，同时保证了电子合同在线签约过程的数据的安全存储。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例二所提供的电子合同在线签约过程的数据记录存储方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的电子合同在线签约过程的数据记录存储方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
电子合同受法律保护，具有一定的法律效益，为了保障企业利益，需要对电子合同签约过程数据进行记录和安全存储，需要先对电子合同签约过程的视频数据进行采集；
一方面，由于采集到的视频的数据量庞大，直接进行存储时耗费大量储存空间；另一方面自编码网络可以实现对大量数据进行高效压缩；因此为了实现对大量的数据进行高效存储的同时保证存储数据的安全，本发明采用自编码网络对电子合同签约过程数据进行安全存储，大致方法为：利用自编码网络对视频数据进行压缩，将压缩后的视频存储，然后再将自编码网络进行安全存储，达到对签约过程的视频数据安全存储的目的。
具体的，本发明实施例一提供的电子合同在线签约过程的数据记录存储方法，来达到对签约过程的视频数据安全存储的目的，该方法包括以下步骤：
步骤S101、采集电子合同签约过程的视频数据。
步骤S102、根据电子合同中文字信息较为重要的特性获取视频数据中每一数据的重要性；进而获取每一神经元在安全存储过程中的重要性。
需要说明的是，由于电子合同受法律保护，具有一定的法律效力，电子合同中的文字信息相较于空白背景更加重要，文字信息被模糊处理时会影响电子合同的执行效力，文字信息数据承载的信息量较多；对于文字信息数据，需要保证压缩存储时数据的完整性，而对于空白背景处的数据，承载的信息量较少，且容易被周边数据替代；根据文字特征获取视频数据中每一数据的重要性，其中，每一数据的重要性表征了视频数据中每一数据属于文字信息的可能性及每一数据承载的信息量大小。
进一步需要说明的是，由于使用自编码神经网络对电子合同签约过程的视频数据进行安全压缩存储，需要结合当自编码神经网络输入为电子合同签约过程的视频数据时，每一数据的重要性对自编码神经网络进行改进，但自编码神经网络中通过神经元进行数据传递与数据变换，需要根据每一数据的重要性获取每一神经元的重要性；其中，每一神经元的重要性表征了每一神经元承载的电子合同签约过程的视频数据的数据信息量大小。
步骤S103、根据每一神经元在安全存储过程中的重要性与神经元间的连接关系对神经元的重要性进行调整。
需要说明的是，在神经网络中，每一神经元与上一层神经元连接的个数越多，该神经元接受到的上一层神经元的数据信息量越多；同时，每一神经元与下一层神经元连接的个数越多，每一下一层连接的神经元所接受到的数据信息量越少，每一神经元与下一层神经元连接的个数越少，每一下一层连接的神经元所接受到的数据信息量越多；进而当每一神经元与上一层连接的个数越多同时该神经元的上一层连接的神经元，其与下一层连接的个数越少，说明该神经元越重要，在电子合同签约过程的视频数据进行存储时承载的数据信息量越多，对步骤S102中求取得到的神经元在安全存储过程中的重要性需要增大，使得神经元在安全存储过程中的重要性较大；同时，当每一神经元与上一层连接的个数越少同时该神经元的上一层连接的神经元，其与下一层连接的个数越多，说明该神经元在电子合同签约过程的视频数据进行存储时承载的数据信息量越少，对步骤S102中求取得到的神经元在安全存储过程中的重要性需要减小，使得神经元在安全存储过程中的重要性较小。
步骤S104、获取神经元连接的权重，根据神经元连接权重获取神经元连接的删除可能性，根据神经元的重要性与神经元连接的删除可能性获取神经元的删除可能性，根据神经元的删除可能性与神经元连接的删除可能性对自编码神经网络进行剪枝，获取改进自编码神经网络。
需要说明的是，在自编码神经网络中，神经元之间存在复杂的连接关系，对神经元进行删除后，对导致神经元相关连接被删除，而每一神经元连接具有各自的权重，权重越大，神经元间传递的数据信息量越多，需要结合神经元连接的权重与神经元的删除可能性对自编码神经网络进行剪枝，若神经元的重要性较大，其包含的数据信息量较多，删除可能性较小，对该神经元进行删除后，会影响电子合同数据的后续读取；若神经元的重要性较小，其包含的数据信息量较少，删除可能性较大，该数据在电子合同签约过程中承载的有用信息较少，对该数据进行删除后，不会影响电子合同数据的后续读取，且降低储存空间。
步骤S105、根据改进自编码神经网络对电子合同签约过程的视频数据进行安全存储，同时将改进自编码神经网络进行安全存储。
需要说明的是，改进自编码神经网络根据电子合同中文字信息较为重要的特性获取视频数据中每一数据的重要性对原始神经网络进行减枝，节省了自编码神经网络的储存空间，同时使用移动设备对改进自编码神经网络进行存储，保证电子合同签约过程数据的数据安全。
进一步的，请参阅图1，其示出了本发明实施例二提供的电子合同在线签约过程的数据记录存储方法的步骤流程图，该方法包括以下步骤：
步骤S201、采集电子合同签约过程的视频数据，获取每一祯的电子合同签约过程的视频数据作为视频祯数据。
由于本方法对电子合同在线签约过程的视频数据进行记录存储，首先需要在电子合同签约系统中获取电子合同在线签约过程的视频数据；电子合同签约过程主要涉及电子合同的浏览与确定签字过程；获取每一祯的电子合同签约过程的视频数据，记为视频祯数据；对获取得到的每一视频祯图像进行灰度化处理，记为视频祯灰度图。
步骤S202、获取每一视频祯灰度图中每一像素点的梯度值，根据每一像素点的梯度值及每一像素点与临近像素点灰度值的差异性获取每一像素点的第一重要程度，根据每一视频祯灰度图中每一像素点的第一重要程度获取每一神经元的第二重要程度。
需要说明的是，对于电子合同签约过程的视频数据，视频中文字等含有信息的区域与空白区域的重要性不同；此时对于文字信息，处理过程中需要保存完整信息，需要在压缩存储中考虑信息的完整性，而对于不重要区域则可以进行删减，进而根据区域的重要性对自编码神经网络进行调整。
具体的，使用Sobel算子获取每一视频祯灰度图中每个像素点的梯度值；分别获取每一视频祯灰度图中梯度值的最大值；需要说明的是，Sobel算子为现有技术，本实施例不再赘述。
进一步的，记任意视频祯灰度图中任意像素点为关注像素点，获取图像中其他像素点到关注像素点的欧式距离；将欧式距离按照由小到大的顺序进行排列，记为距离序列；获取距离序列中前
Figure SMS_58
个元素中每一元素所对应的像素点，记为相邻像素点集合；获取每一相邻像素点与关注像素点的灰度值差值的绝对值，记为相邻差异集合；对相邻差异集合中元素求取均值，记为相邻差异程度；需要说明的是，本实施例以
Figure SMS_59
为例进行叙述，实施者可根据具体应用场景进行其他设置。
具体的，以第
Figure SMS_70
视频祯灰度图中的第
Figure SMS_62
像素点为例，记第
Figure SMS_66
视频祯灰度图中的第
Figure SMS_74
像素点的灰度值为
Figure SMS_78
；获取第
Figure SMS_77
视频祯图像中其他像素点到第
Figure SMS_79
像素点的欧式距离；将欧式距离按照由小到大的顺序进行排列，记为第
Figure SMS_71
视频祯灰度图中的第
Figure SMS_75
像素点的距离序列；获取距离序列中前
Figure SMS_63
个元素中每一元素所对应的像素点，记为第
Figure SMS_67
视频祯灰度图中的第
Figure SMS_61
像素点的相邻像素点集合；获取每一相邻像素点与第
Figure SMS_65
视频祯灰度图中的第
Figure SMS_69
像素点的灰度值差值的绝对值，记为第
Figure SMS_73
视频祯灰度图中的第
Figure SMS_64
像素点的相邻差异集合
Figure SMS_68
；对相邻差异集合中元素求取均值，记为第
Figure SMS_72
视频祯灰度图中的第
Figure SMS_76
像素点的相邻差异程度
Figure SMS_60
。
需要说明的是，对于视频祯灰度图中文字区域内部的像素点较多灰度值相同，同时背景区域也存在较多灰度值相同的像素点，此时，像素点之间存在替代的可能性，越容易互相替代，像素点的重要程度较小；而对于视频祯灰度图中文字边缘处的像素点，边缘越明显，文字越明显；根据像素点的梯度值与相邻差异程度获取每一像素点的第一重要程度。
具体的，以第
Figure SMS_80
视频祯灰度图中的第
Figure SMS_81
像素点为例，获取该像素点的第一重要程度
Figure SMS_82
的计算方法为：
Figure SMS_83
其中，
Figure SMS_94
表示第
Figure SMS_85
视频祯灰度图中的第
Figure SMS_90
像素点的梯度值，
Figure SMS_86
表示第
Figure SMS_88
视频祯灰度图中像素点梯度值的最大值，
Figure SMS_92
表示第
Figure SMS_96
视频祯灰度图中的第
Figure SMS_95
像素点的相邻差异程度；
Figure SMS_99
表示在第
Figure SMS_87
视频祯灰度图中，第
Figure SMS_91
像素点趋近于边缘的可能性，此时，若
Figure SMS_97
与
Figure SMS_101
均较大，表示在第
Figure SMS_98
视频祯灰度图中，第
Figure SMS_100
像素点越趋近于边缘，同时第
Figure SMS_84
像素点与临近像素点的差异程度越大，第
Figure SMS_89
像素点被临近像素点替代的可能性越小，第
Figure SMS_93
像素点的第一重要程度越高。
至此，获取得到了每一视频祯灰度图中每一像素点的第一重要程度，第一重要程度表征了视频祯灰度图中每一像素点属于文字信息的可能性，属于文字信息的可能性越高，第一重要程度越大。
需要说明的是，使用自编码神经网络对视频祯灰度图进行压缩时，输入层为视频祯灰度图；对应神经网络中间层中位于中心的隐藏层即为压缩后的视频祯灰度图；在原始自编码神经网络中，通常存在大量输入神经元，导致神经网络训练时间较长；在自编码神经网络中，对较弱的神经元或神经元连接进行删减可以有效减少神经网络训练时间；需要根据神经网络中神经元的第二重要程度对神经网络中的神经元进行删减；在神经网络中，神经元作为信息传递的载体，此时对于神经元的第二重要程度主要体现在其信息来源；具体的，对于每一神经元，根据其上一层连接的神经元的第二重要程度获取该神经元的重要程度。
进一步需要说明的是，由于视频祯图像中由文字区域及背景区域组成，文字区域间与背景区域间均存在一定相似性，首先对输入层的视频祯灰度图进行分块操作，记获取得到的图像块大小为
Figure SMS_102
，记每一图像块为输入层一输入单元，记为输入神经元；需要说明的是，本实施例以
Figure SMS_103
为例进行叙述，实施者可根据具体应用场景进行其他设置。
进一步的，首先获取输入层每一输入神经元对应的图像块，获取该图像块中所有像素点的第一程度均值，记为该输入神经元的第二重要程度。
具体的，以输入层中第
Figure SMS_104
个神经元为例，获取第
Figure SMS_105
个神经元对应的图像块，记该图像块中所含像素点个数为
Figure SMS_106
，获取该图像中所有像素点的第一程度均值，记为输入层中第
Figure SMS_107
个神经元的第二重要程度
Figure SMS_108
，其中
Figure SMS_109
表示神经网络层数，此时，对于输入层中的神经元
Figure SMS_110
。
进一步的，对于输入层下一层的每一神经元，获取每一神经元所连接的输入神经元的第二重要程度均值，记为该神经元的第二重要程度；按照上述方法获取神经网络后续层的每一神经元的第二重要程度。
具体的，以第
Figure SMS_112
层中的第
Figure SMS_115
神经元为例，其中
Figure SMS_118
，获取第
Figure SMS_113
层中，与第
Figure SMS_117
层中的第
Figure SMS_120
神经元连接的神经元个数
Figure SMS_121
，记这
Figure SMS_111
个神经元的第二重要程度集合为
Figure SMS_116
，获取其均值，记为第
Figure SMS_119
层中的第
Figure SMS_122
神经元的第二重要程度
Figure SMS_114
。
至此，获取得到每一神经元的第二重要程度。
步骤S203、根据每一神经元与其连接的上一层神经元的第二重要程度与神经元间的连接关系获取每一神经元的不可替代程度，根据每一神经元与上一层神经元的连接个数获取每一神经元的信息承载程度，根据每一神经元的不可替代程度与每一神经元的信息承载程度获取每一神经元的第三重要程度。
需要说明的是，对于神经网络中的每一神经元，其与上一层连接的神经元数量体现了该神经元所承载的信息量，连接的数量越多表示所承载的信息越多，该神经元被删除的可能性越小，根据每一神经元与上一层连接的神经元数据获取每一神经元的信息承载程度；同时对于神经网络中的每一神经元，其与上一层连接的神经元中，每一上层连接的神经元与下一层连接的个数越少，表示该上层连接的神经元信息被分散传递给下一层的个数越少，当其与下一层连接的任一神经元被删除时，该上层连接神经元向下层神经元所传递的信息损失较多，说明该神经元不可替代程度越高，结合每一神经元与其连接的上一层神经元的第二重要程度与神经元之间的连接关系获取每一神经元的不可替代程度，进而结合每一神经元的信息承载程度与每一神经元与上一层连接的神经元的连接个数共同获取每一神经元的第三重要程度，第三重要程度表征了每一神经元所承载的视频祯灰度图中的信息量。
进一步的，记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层；获取关注层中上一层中神经元总个数，记为上层总个数；获取关注层上一层中与关注神经元连接的神经元与神经元个数，分别记为上层神经元与上层连接个数；获取上层神经元与上层总个数的商值，记为关注神经元的信息承载程度；记任意一上层神经元为关注上层神经元，获取关注上层神经元与下一层神经元连接的个数，记为关注上层神经元的重要连接个数；获取关注上层神经元的第二重要程度与关注上层神经元的重要连接个数的商值，记为关注上层神经元的有效程度，对关注神经元的每一上层神经元的有效程度求取均值，记为关注神经元的不可替代程度。
具体的，以第
Figure SMS_139
层中的第
Figure SMS_141
神经元为例，其中
Figure SMS_145
，获取第
Figure SMS_124
层中神经元的总个数,记为第
Figure SMS_127
层中的第
Figure SMS_131
神经元的上层总个数
Figure SMS_135
；记第
Figure SMS_126
层中，与第
Figure SMS_129
层中的第
Figure SMS_133
神经元连接的神经元为第
Figure SMS_137
层中的第
Figure SMS_143
神经元的上层神经元，获取上层神经元的个数，记为第
Figure SMS_147
层中的第
Figure SMS_151
神经元的上层连接个数
Figure SMS_155
；获取上层连接个数与上层总个数的商值，记为第
Figure SMS_142
层中的第
Figure SMS_148
神经元的信息承载程度
Figure SMS_152
；以第
Figure SMS_156
层中，与第
Figure SMS_123
层中的第
Figure SMS_130
神经元连接的第
Figure SMS_134
个神经元为例，获取第
Figure SMS_138
层中第
Figure SMS_149
个神经元与第
Figure SMS_153
层连接的神经元个数，记为第
Figure SMS_157
层中第
Figure SMS_160
个神经元的重要连接个数
Figure SMS_159
；获取第
Figure SMS_161
层中第
Figure SMS_162
个神经元的重要连接个数与第
Figure SMS_163
层中第
Figure SMS_132
个神经元的第二重要程度的商值，记为第
Figure SMS_136
层中第
Figure SMS_140
个神经元的有效程度
Figure SMS_144
；获取第
Figure SMS_146
层中的第
Figure SMS_150
神经元的所有上层神经元的有效程度集合
Figure SMS_154
，对有效程度集合求取均值，记为第
Figure SMS_158
层中的第
Figure SMS_125
神经元的不可替代程度
Figure SMS_128
。
进一步需要说明的是，对于神经元的信息承载程度，若信息承载程度越大，说明该神经元与上一层连接的神经元越多，该神经元承载的信息量越多，该神经元的越重要；同时，若神经元对应的一上层神经元的重要连接个数越少，表示上层神经元的信息较多传递给该神经元，当该神经元被删除时，上层神经元向下层所传递的信息损失较多，进而该神经元的一上层神经元的有效程度越大，若该神经元的所有上层神经元的有效程度均较大，该神经元的不可替代程度较大；根据每一神经元的信息承载程度与不可替代程度获取每一神经元的第三重要程度。
具体的，以第
Figure SMS_164
层中的第
Figure SMS_165
神经元为例，计算该神经元的第三重要程度
Figure SMS_166
的计算过程为：
Figure SMS_167
其中，
Figure SMS_175
表示第
Figure SMS_170
层中的第
Figure SMS_172
神经元的信息承载程度，
Figure SMS_178
表示第
Figure SMS_181
层中的第
Figure SMS_183
神经元的所有上层神经元的有效程度集合，
Figure SMS_186
表示第
Figure SMS_189
层中的第
Figure SMS_190
神经元的不可替代程度；若
Figure SMS_168
较大，表示第
Figure SMS_187
层中的第
Figure SMS_182
神经元连接的第
Figure SMS_185
层神经元较多，第
Figure SMS_184
层中的第
Figure SMS_188
神经元承载的第
Figure SMS_171
层的信息较多；若
Figure SMS_173
较大，表示当第
Figure SMS_176
层中的第
Figure SMS_179
神经元被删除时，第
Figure SMS_169
层向第
Figure SMS_174
层传递的信息损失较多，第
Figure SMS_177
层中的第
Figure SMS_180
神经元的不可替代程度较大；进而由于神经元的第三重要程度由神经元的不可替代程度与信息承载程度共同决定，当不可替代程度与信息承载程度均较大时，神经元的第三重要程度较高；需要说明的是，对于输入层的神经元，不与上一层发生运算，对于输入层神经元不参与后续的删除操作；按照上述方法获取除输入层神经元外的所有神经元第三重要程度，通过线性归一化方式对所有神经元的第三重要程度进行处理，记获取得到的数值为每一神经元的第三重要程度。
至此，获取得到每一神经元的第三重要程度。
步骤S204、获取每一神经元连接的权重，根据每一神经元连接的权重获取每一神经元连接的删除可能性，根据每一神经元的第三重要程度与每一神经元连接的删除可能性获取每一神经元的删除可能性，根据像素点的第一重要程度、原始图像与重构函数的像素点灰度值差异获取神经网络损失函数，从而获取损失函数收敛值，根据每一神经元、每一神经元连接的删除可能性与损失函数收敛值的变化对自编码神经网络进行剪枝操作，获取改进自编码神经网络。
需要说明的是，神经网络中神经元之间存在复杂的连接关系，并且每一个神经元连接具有各自的权重，一般神经元之间的连接权重通过神经网络的训练不断更新，网络训练完成后可获得神经元之间的连接权重；神经元之间的权重越大，传递的信息越多，此时神经元之间的连接越重要，其删除可能性越低；神经网络剪枝主要删除不重要的神经元及不重要的连接，由于可根据连接的权重获取每一连接的删除可能性，但当对神经元进行删除时，会导致神经元相关连接的删除，需要结合神经元的第三重要程度与神经元相关连接的权重获取每一神经元的删除可能性。
进一步的，根据自编码神经网络获取每一神经元连接的权重，由于权重越大，该神经元连接传递的信息越多，该神经元连接对应的删除可能性越小，使用1与每一神经元连接的权重相减获取每一神经元连接的删除可能性。
具体的，以第
Figure SMS_192
层与第
Figure SMS_194
层之间的第
Figure SMS_197
个连接为例，获取第
Figure SMS_193
层与第
Figure SMS_195
层之间的第
Figure SMS_198
个连接的权重
Figure SMS_200
，获取第
Figure SMS_191
层与第
Figure SMS_196
层之间的第
Figure SMS_199
个连接的删除可能性
Figure SMS_201
。
进一步需要说明的是，由于当对神经元进行删除时，会导致神经元与上下层的连接一并删除，需要根据神经元与其上下层连接的删除可能性获取神经元的连接影响程度。
进一步的，记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层，记关注层上一层与关注层下一层中与关注神经元的连接为关注连接，获取该神经元的关注连接个数，记为关注连接个数；获取所有关注连接的删除可能性的均值，记为关注神经元的连接影响程度。
具体的，以第
Figure SMS_203
层中的第
Figure SMS_207
神经元为例，获取第
Figure SMS_211
层与第
Figure SMS_205
层中与第
Figure SMS_209
层中的第
Figure SMS_212
神经元的神经元连接，记为第
Figure SMS_214
层中的第
Figure SMS_202
神经元的关注连接，获取关注连接个数
Figure SMS_206
；获取所有关注连接的删除可能性集合
Figure SMS_210
，获取该集合的均值，记为第
Figure SMS_213
层中的第
Figure SMS_204
神经元的连接影响程度
Figure SMS_208
。
具体的，以第
Figure SMS_215
层中的第
Figure SMS_216
神经元为例，计算该神经元的删除可能性
Figure SMS_217
的计算过程为：
Figure SMS_218
其中，
Figure SMS_227
表示第
Figure SMS_221
层中的第
Figure SMS_223
神经元的第三重要程度，
Figure SMS_222
表示所有关注连接的删除可能性集合，
Figure SMS_226
表示第
Figure SMS_228
层中的第
Figure SMS_232
神经元的连接影响程度；若第
Figure SMS_229
层中的第
Figure SMS_233
神经元的第三重要程度
Figure SMS_219
越大，表示第
Figure SMS_225
层中的第
Figure SMS_230
神经元越重要，第
Figure SMS_234
层中的第
Figure SMS_231
神经元被删除的可能性越小；同时，
Figure SMS_235
表示第
Figure SMS_220
层中的第
Figure SMS_224
神经元的关注连接的删除可能性，关注连接的权值越大，传递的信息越多，关注连接的删除可能性越小；由于神经元的删除会导致其上下层连接删除，神经元的可能性由神经元的第三重要程度与神经元与上下层连接的删除可能性共同决定。
至此，获取得到每一神经元的删除可能性与每一神经元连接的删除可能性。
进一步需要说明的是，由于对神经网络中神经元、神经元连接进行删除后，网络结构发生变换，从而损失函数出现变化；由于需要保证压缩前后数据误差较小，需要在删除神经元或删除神经元连接后控制损失函数的增加，根据损失函数收敛值的变化情况、每一神经元的删除可能性、每一神经元连接的删除可能性对神经网络中神经元及神经元连接进行删除；同时，对于自编码神经网络，主要在于对数据进行压缩与重构，且重构的数据总是与原始数据存在误差，此时根据原始数据与重构数据之间的误差构建损失函数，同时，数据的第一重要程度不同，赋予误差的权重也不同，第一重要程度越高，对损失函数的贡献越大。
进一步的，记任意视频祯灰度图中任意像素点为关注像素点，获取重构图像中，关注像素点所在位置的灰度值，记为重构灰度值；获取关注像素点灰度值和重构灰度值的差异的绝对值，记为关注像素点的第一误差程度。
具体的，以第
Figure SMS_236
视频祯灰度图中的第
Figure SMS_241
像素点为例，记第
Figure SMS_245
视频祯灰度图中的第
Figure SMS_238
像素点的灰度值为
Figure SMS_240
，获取在第
Figure SMS_244
视频祯灰度图的重构图像中，第
Figure SMS_248
像素点的灰度值
Figure SMS_237
，记为第
Figure SMS_243
视频祯灰度图中的第
Figure SMS_247
像素点的重构灰度值；获取
Figure SMS_250
与
Figure SMS_239
的差值的绝对值，记为第
Figure SMS_242
视频祯灰度图中的第
Figure SMS_246
像素点的第一误差程度
Figure SMS_249
。
具体的，以第
Figure SMS_251
视频祯灰度图为例，计算当自编码神经网络输入为第
Figure SMS_252
视频祯灰度图时，自编码神经网络所对应的损失函数
Figure SMS_253
的计算过程为：
Figure SMS_254
其中，
Figure SMS_264
表示第
Figure SMS_257
视频祯灰度图中的第
Figure SMS_261
像素点的第一重要程度，
Figure SMS_270
表示第
Figure SMS_274
视频祯灰度图中的第
Figure SMS_271
像素点的灰度值，
Figure SMS_275
表示第
Figure SMS_263
视频祯灰度图的重构图像中，第
Figure SMS_267
像素点的灰度值，
Figure SMS_258
表示第
Figure SMS_259
视频祯灰度图中的第
Figure SMS_256
像素点的第一误差程度；将第
Figure SMS_260
视频祯灰度图中的第
Figure SMS_266
像素点的第一重要程度与第
Figure SMS_269
视频祯灰度图中的第
Figure SMS_272
像素点的第一误差程度相乘，使得若第
Figure SMS_276
视频祯灰度图中的第
Figure SMS_273
像素点为文字信息，对于原始的误差程度增大，进而对损失函数的影响更大，若第
Figure SMS_277
视频祯灰度图中的第
Figure SMS_255
像素点为空白信息，对于原始的误差程度减小，进而对损失函数的影响减小；
Figure SMS_262
表示第
Figure SMS_265
视频祯灰度图中每一像素点的误差程度与第一重要程度相乘集合；
Figure SMS_268
为现有的求均值函数。
进一步的，公知的是，神经网络在训练过程中，网络参数是不断在更新的，每更新一次记为对网络进行一次训练；本实施例中网络每训练S次记为一个训练阶段，将这S次获得的S个损失函数值求均值记为一个训练阶段的平均损失，对于连续的U个训练阶段，对这U个训练阶段的U个平均损失再求均值，记为UA，同时将这U个训练阶段的U个平均损失最大与最小值的差值记为UB，如果UB小于UA的百分之5，那么认为神经网络已经收敛，神经网络收敛时的损失函数值等于UA；否则不收敛，继续下一次的训练，直至网络收敛；进而可根据损失函数获取损失函数收敛值；需要说明的是，本实施例以
Figure SMS_278
、
Figure SMS_279
为例进行叙述，实施者可根据具体应用场景进行其他设置。
进一步的，由于神经元删除对网络的影响较大，所以首先进行神经元的删除；首先获取删减操作前神经网络的损失函数收敛值，记为原始收敛值
Figure SMS_280
；具体对于神经网络中神经元的删除过程如下：
将所有神经元的删除可能性按照由大到小的顺序进行排列，记为神经元删除可能性序列，按照序列中元素顺序对神经元进行连续删除，例如第一次删除神经元删除可能性序列中第一个神经元，第二次删除神经元删除可能性序列中第一个神经元与第二个神经元；获取每一删除的神经网络损失函数收敛值，获取每一次删除的神经网络损失函数收敛值与
Figure SMS_281
的差值的绝对值，记为损失函数误差，设定阈值为
Figure SMS_282
，直至第
Figure SMS_283
次删除后获取得的损失函数误差小于阈值，此时停止连续删除操作；需要说明的是，本实施例以
Figure SMS_284
为例进行叙述，实施者可根据具体应用场景进行其他设置；
在第
Figure SMS_285
次删除后，对后续的
Figure SMS_286
个神经元分别单独进行一次删除，获取每一神经元对应的损失函数误差，当函数误差小于阈值时，删除对应的神经元；需要说明的是，本实施例以
Figure SMS_287
为例进行叙述，实施者可根据具体应用场景进行其他设置；
至此，完成对神经元的删除操作。
进一步需要说明的是，根据损失函数的变化差异与神经元的删除可能性对神经元进行删除操作，保证对神经元进行删除后网络的可靠性，即保证神经网络的误差可控；分步删除避免了单个神经元的删除可能性异常对神经网络的影响，保证对神经元进行删除的高效性。
进一步的，利用每一神经元连接的删除可能性与损失函数的变换差异根据上述步骤对神经元连接进行删除操作；记经过神经元删除与神经元连接删除后的神经网络为改进自编码神经网络。
至此，完成神经网络中对神经元以及神经元之间连接的删除，实现了神经网络的剪枝，获取改进自编码神经网络。
步骤S205、根据改进自编码神经网络对电子合同签约过程的视频数据与改进自编码神经网络进行安全存储。
需要说明的是，获取得到的改进自编码神经网络根据视频祯灰度图中不同区域的重要性对原始神经网络进行剪枝，节省了储存空间，同时保证了压缩后的视频祯灰度图中文字重要区域的完整性。
进一步的，由于自编码神经网络中位于隐藏层的数据为输入数据的压缩数据，获取改进自编码神经网络中间层中位于中心的隐藏层的数据，记为压缩视频祯灰度图；依次获取每一视频祯灰度图所对应的压缩视频祯灰度图，完成对电子合同签约过程的视频数据的压缩存储；对改进自编码神经网络与利用改进自编码神经网络进行压缩存储的电子合同签约过程的视频数据使用U盘进行存储，同时将U盘交给有权限的人进行保管，对数据进行使用读取时需要使用U盘进行获取；保证了电子合同签约过程的视频数据不受网络攻击，保障了电子合同签约过程的视频数据的安全性。
至此，完成对电子合同签约过程的视频数据进行安全存储。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.电子合同在线签约过程的数据记录存储方法，其特征在于，该方法包括以下步骤：
采集电子合同签约过程的视频数据，获取视频祯灰度图；
获取每一视频祯灰度图中每一像素点的梯度值，根据每一像素点与临近像素点的灰度值差异获取每一像素点的相邻差异程度，根据每一像素点的梯度值及每一像素点的相邻差异程度获取每一像素点的第一重要程度，根据每一视频祯灰度图中每一像素点的第一重要程度获取每一神经元的第二重要程度；
根据每一神经元与其连接的上一层神经元的第二重要程度与神经元间的连接关系获取每一神经元的不可替代程度，根据每一神经元与上一层神经元的连接个数获取每一神经元的信息承载程度，根据每一神经元的不可替代程度与每一神经元的信息承载程度获取每一神经元的第三重要程度；
获取每一神经元连接的权重，根据每一神经元连接的权重获取每一神经元连接的删除可能性，根据每一神经元的第三重要程度与每一神经元连接的删除可能性获取每一神经元的删除可能性，根据像素点的第一重要程度、原始图像与重构函数的像素点灰度值差异获取神经网络损失函数，根据神经网络损失函数获取损失函数收敛值，根据每一神经元、每一神经元连接的删除可能性与损失函数收敛值的变化对自编码神经网络进行剪枝操作，获取改进自编码神经网络；
根据改进自编码神经网络对电子合同签约过程的视频数据进行安全存储，同时将改进自编码神经网络在移动存储设备进行安全存储。
2.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一像素点的梯度值及每一像素点的相邻差异程度获取每一像素点的第一重要程度，包括的具体步骤如下：
Figure QLYQS_1
其中，
Figure QLYQS_3
表示第
Figure QLYQS_6
视频祯灰度图中的第
Figure QLYQS_10
像素点的第一重要程度，
Figure QLYQS_5
表示第
Figure QLYQS_9
视频祯灰度图中的第
Figure QLYQS_13
像素点的梯度值，
Figure QLYQS_15
表示第
Figure QLYQS_2
视频祯灰度图中像素点梯度值的最大值，
Figure QLYQS_8
表示第
Figure QLYQS_12
视频祯灰度图中的第
Figure QLYQS_14
像素点的相邻差异集合，
Figure QLYQS_4
表示第
Figure QLYQS_7
视频祯灰度图中的第
Figure QLYQS_11
像素点的相邻差异程度。
3.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一视频祯灰度图中每一像素点的第一重要程度获取每一神经元的第二重要程度，包括的具体步骤如下：
对输入层的视频祯灰度图进行分块操作，记每一图像块为输入层一输入单元，记为输入神经元；
获取输入层每一输入神经元对应的图像块，获取该图像块中所有像素点的第一程度均值，记为每一输入神经元的第二重要程度；
对于输入层下一层的每一神经元，获取每一神经元所连接的输入神经元的第二重要程度均值，记为下一层的每一神经元的第二重要程度；
获取神经网络后续层的每一神经元的第二重要程度。
4.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一神经元与其连接的上一层神经元的第二重要程度与神经元间的连接关系获取每一神经元的不可替代程度，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层；
获取关注层上一层中与关注神经元连接的神经元，记为上层神经元；
记任意一上层神经元为关注上层神经元，获取关注上层神经元与下一层神经元连接的个数，记为关注上层神经元的重要连接个数；获取关注上层神经元的第二重要程度与关注上层神经元的重要连接个数的商值，记为关注上层神经元的有效程度，对关注神经元的每一上层神经元的有效程度求取均值，记为关注神经元的不可替代程度。
5.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一神经元与上一层神经元的连接个数获取每一神经元的信息承载程度，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层；
获取关注层中上一层中神经元总个数，记为上层总个数；获取关注层上一层中与关注神经元连接的神经元个数，记为上层连接个数；获取上层神经元与上层总个数的商值，记为关注神经元的信息承载程度。
6.根据权利要求4和5任一项所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一神经元的不可替代程度与每一神经元的信息承载程度获取每一神经元的第三重要程度，包括的具体步骤如下：
Figure QLYQS_16
其中，
Figure QLYQS_18
表示第
Figure QLYQS_22
层中的第
Figure QLYQS_25
神经元的第三重要程度，
Figure QLYQS_19
表示第
Figure QLYQS_21
层中的第
Figure QLYQS_24
神经元的信息承载程度，
Figure QLYQS_27
表示第
Figure QLYQS_17
层中的第
Figure QLYQS_23
神经元的所有上层神经元的有效程度集合，
Figure QLYQS_26
表示第
Figure QLYQS_28
层中的第
Figure QLYQS_20
神经元的不可替代程度。
7.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述每一神经元连接的删除可能性等于1与每一神经元连接的权重相减的结果。
8.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一神经元的第三重要程度与每一神经元连接的删除可能性获取每一神经元的删除可能性，包括的具体步骤如下：
记任意层中任意一神经元为关注神经元，记关注神经元所在的神经网络层数为关注层，记关注层上一层与关注层下一层中与关注神经元的神经元连接为关注连接,获取所有关注连接的删除可能性的均值，记为关注神经元的连接影响程度；
Figure QLYQS_29
其中，
Figure QLYQS_30
表示第
Figure QLYQS_34
层中的第
Figure QLYQS_37
神经元的删除可能性，
Figure QLYQS_32
表示第
Figure QLYQS_33
层中的第
Figure QLYQS_36
神经元的第三重要程度，
Figure QLYQS_39
表示所有关注连接的删除可能性集合，
Figure QLYQS_31
表示第
Figure QLYQS_35
层中的第
Figure QLYQS_38
神经元的连接影响程度。
9.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据像素点的第一重要程度、原始图像与重构函数的像素点灰度值差异获取神经网络损失函数，包括的具体步骤如下：
Figure QLYQS_40
其中，
Figure QLYQS_43
表示的输入层为第
Figure QLYQS_46
视频祯灰度图的神经网络的损失函数，
Figure QLYQS_49
表示第
Figure QLYQS_42
视频祯灰度图中的第
Figure QLYQS_45
像素点的第一重要程度，
Figure QLYQS_48
表示第
Figure QLYQS_51
视频祯灰度图中的第
Figure QLYQS_41
像素点的灰度值，
Figure QLYQS_44
表示第
Figure QLYQS_47
视频祯灰度图的重构图像中，第
Figure QLYQS_50
像素点的灰度值。
10.根据权利要求1所述电子合同在线签约过程的数据记录存储方法，其特征在于，所述根据每一神经元、每一神经元连接的删除可能性与损失函数收敛值的变化对自编码神经网络进行剪枝操作，获取改进自编码神经网络，包括的具体步骤如下：
获取删减操作前神经网络的损失函数收敛值，记为原始收敛值
Figure QLYQS_52
；
将所有神经元的删除可能性按照由大到小的顺序进行排列，按照神经元的排列顺序进行删除，获取每一删除的神经网络损失函数收敛值，获取每一次删除的神经网络损失函数收敛值与
Figure QLYQS_53
的差值的绝对值，记为损失函数误差，设定阈值，直至某次删除后获取得的损失函数误差小于阈值，此时停止连续删除操作；
对后续的
Figure QLYQS_54
个神经元分别单独进行一次删除，获取每一神经元对应的损失函数误差，当函数误差小于阈值时，删除对应的神经元，完成对神经元的删除操作；
利用每一神经元连接的删除可能性与损失函数的变换差异对神经元连接进行删除；
记经过神经元删除与神经元连接删除后的神经网络为改进自编码神经网络。
CN202310229675.2A 2023-03-10 2023-03-10 电子合同在线签约过程的数据记录存储方法 Active CN115952316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310229675.2A CN115952316B (zh) 2023-03-10 2023-03-10 电子合同在线签约过程的数据记录存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310229675.2A CN115952316B (zh) 2023-03-10 2023-03-10 电子合同在线签约过程的数据记录存储方法

Publications (2)

Publication Number Publication Date
CN115952316A true CN115952316A (zh) 2023-04-11
CN115952316B CN115952316B (zh) 2023-05-12

Family

ID=85891257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310229675.2A Active CN115952316B (zh) 2023-03-10 2023-03-10 电子合同在线签约过程的数据记录存储方法

Country Status (1)

Country Link
CN (1) CN115952316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116156198A (zh) * 2023-04-23 2023-05-23 哈尔滨学院 一种舞蹈教学用视觉测量信号传输装置及系统
CN116341282A (zh) * 2023-05-19 2023-06-27 陕西君合建消防科技有限公司 一种消防喷淋管网的布局优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法
US20200372344A1 (en) * 2017-12-01 2020-11-26 Koninklijke Philips N.V. Training a neural network model
CN113382205A (zh) * 2021-05-25 2021-09-10 特斯联科技集团有限公司 一种用于监视器的人工智能多源数据处理系统及方法
CN114612489A (zh) * 2022-03-15 2022-06-10 徐州科悦电子科技有限公司 一种基于自编码神经网络的图像边缘提取方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法
US20200372344A1 (en) * 2017-12-01 2020-11-26 Koninklijke Philips N.V. Training a neural network model
CN113382205A (zh) * 2021-05-25 2021-09-10 特斯联科技集团有限公司 一种用于监视器的人工智能多源数据处理系统及方法
CN114612489A (zh) * 2022-03-15 2022-06-10 徐州科悦电子科技有限公司 一种基于自编码神经网络的图像边缘提取方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116156198A (zh) * 2023-04-23 2023-05-23 哈尔滨学院 一种舞蹈教学用视觉测量信号传输装置及系统
CN116341282A (zh) * 2023-05-19 2023-06-27 陕西君合建消防科技有限公司 一种消防喷淋管网的布局优化方法

Also Published As

Publication number Publication date
CN115952316B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN115952316A (zh) 电子合同在线签约过程的数据记录存储方法
CN112307472B (zh) 基于智能决策的异常用户识别方法、装置及计算机设备
CN113657607B (zh) 一种面向联邦学习的连续学习方法
CN110020866B (zh) 一种识别模型的训练方法、装置及电子设备
FR2917525A1 (fr) Traitement de donnees biometriques par transformation
CN107679457A (zh) 用户身份校验方法及装置
CN112288025B (zh) 基于树结构的异常案件识别方法、装置、设备及存储介质
CN110390084A (zh) 文本查重方法、装置、设备及存储介质
CN113221983B (zh) 迁移学习模型的训练方法及装置、图像处理方法及装置
CN114332500B (zh) 图像处理模型训练方法、装置、计算机设备和存储介质
CN112968872A (zh) 基于自然语言处理的恶意流量检测方法、系统、终端
Wu et al. Fingerprint bio‐key generation based on a deep neural network
WO2023029274A1 (zh) 基于多方合作的指静脉识别方法、系统和存储介质
CN112818868B (zh) 基于行为序列特征数据的违规用户识别方法和装置
CN117292712A (zh) 用户反馈信息的异常识别方法、装置和计算机设备
CN116993490A (zh) 一种基于人工智能的银行场景自动处理方法及系统
Li et al. Perceptual image hash function via associative memory‐based self‐correcting
CN111209414B (zh) 基于影像资料调用业务场景实现资料冷热分离存储的方法
CN112214506B (zh) 一种信息采集方法、装置及存储介质
Du et al. Advpl: Adversarial personalized learning
CN113902576A (zh) 基于深度学习的信息推送方法、装置、电子设备及介质
CN112115443A (zh) 一种终端用户鉴权方法及系统
CN117591985B (zh) 一种基于数据处理的大数据聚合分析方法及系统
Wang et al. Adaptively hybrid fractal image coding
CN109461065A (zh) 一种跨境电子商务视频安全监控系统及控制方法

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