CN116320459A - 一种基于人工智能的计算机网络通信数据处理方法及系统 - Google Patents

一种基于人工智能的计算机网络通信数据处理方法及系统 Download PDF

Info

Publication number
CN116320459A
CN116320459A CN202310022843.0A CN202310022843A CN116320459A CN 116320459 A CN116320459 A CN 116320459A CN 202310022843 A CN202310022843 A CN 202310022843A CN 116320459 A CN116320459 A CN 116320459A
Authority
CN
China
Prior art keywords
communication data
statistical
vector
feature
feature vector
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
CN202310022843.0A
Other languages
English (en)
Other versions
CN116320459B (zh
Inventor
常进
杨钧涵
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.)
Nanyang Institute of Technology
Original Assignee
Nanyang Institute of Technology
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 Nanyang Institute of Technology filed Critical Nanyang Institute of Technology
Priority to CN202310022843.0A priority Critical patent/CN116320459B/zh
Publication of CN116320459A publication Critical patent/CN116320459A/zh
Application granted granted Critical
Publication of CN116320459B publication Critical patent/CN116320459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H04N19/126—Details of normalisation or weighting functions, e.g. normalisation matrices or variable uniform quantisers

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种基于人工智能的计算机网络通信数据处理方法及系统。其首先提取所获取的第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率，然后，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，最后，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。通过这样的方式，可以提升数据处理性能，进而提升无线通信系统的性能。

Description

一种基于人工智能的计算机网络通信数据处理方法及系统
技术领域
本申请涉及数据处理技术领域，且更为具体地，涉及一种基于人工智能的计算机网络通信数据处理方法及系统。
背景技术
无线通信的相关技术中，在利用人工智能网络(Artificial IntelligenceNetwork，AIN，也即，人工神经网络)对通信数据进行处理时，可能由于实际环境中存在的各种非理想因素的影响，导致待处理的通信数据出现如相位随机偏转、幅度偏差等问题，极大的影响了AI网络的数据处理性能，进而影响无线通信系统的性能。
因此，期待一种优化的基于人工智能的计算机网络通信数据处理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的计算机网络通信数据处理方法及系统。其首先提取所获取的第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率，然后，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，最后，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。通过这样的方式，可以提升数据处理性能，进而提升无线通信系统的性能。
根据本申请的一个方面，提供了一种基于人工智能的计算机网络通信数据处理方法，其包括：
获取第一通信数据；
提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；
将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及
将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，包括：
将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；
将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及
融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述图像编码器为深度残差网络。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述序列编码器为多尺度邻域特征提取模块，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层级联的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量，包括：
使用所述Clip模型的序列编码器的第一卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第一尺度统计特征向量；
其中，所述公式为：
Figure 22106DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为第一一维卷积核在/>
Figure DEST_PATH_IMAGE003
方向上的宽度、/>
Figure DEST_PATH_IMAGE004
为第一一维卷积核参数向量、
Figure DEST_PATH_IMAGE005
为与卷积核函数运算的局部向量矩阵，/>
Figure DEST_PATH_IMAGE006
为第一一维卷积核的尺寸，/>
Figure DEST_PATH_IMAGE007
表示所述多个统计特征；
使用所述Clip模型的序列编码器的第二卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第二尺度统计特征向量；
其中，所述公式为：
Figure DEST_PATH_IMAGE008
其中，
Figure 595039DEST_PATH_IMAGE009
为第二一维卷积核在/>
Figure 374776DEST_PATH_IMAGE003
方向上的宽度、/>
Figure DEST_PATH_IMAGE010
为第二一维卷积核参数向量、
Figure DEST_PATH_IMAGE011
为与卷积核函数运算的局部向量矩阵，/>
Figure DEST_PATH_IMAGE012
为第二一维卷积核的尺寸，/>
Figure 707669DEST_PATH_IMAGE007
表示所述多个统计特征；以及
使用所述Clip模型的序列编码器的多尺度融合层对所述第一尺度统计特征向量和所述第二尺度统计特征向量进行级联以得到所述统计特征向量。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵，包括：
对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量；以及
将所述优化特征向量进行向量-矩阵重构以得到所述通信数据特征矩阵。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量，包括：以如下公式对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到所述优化特征向量；
其中，所述公式为：
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
表示所述统计特征向量，/>
Figure 240150DEST_PATH_IMAGE015
表示所述波形特征向量，/>
Figure DEST_PATH_IMAGE016
表示所述波形特征向量的转置向量，/>
Figure DEST_PATH_IMAGE017
表示向量的二范数，/>
Figure DEST_PATH_IMAGE018
表示所述通信数据特征矩阵展开后得到的特征向量，/>
Figure DEST_PATH_IMAGE019
表示优化后的所述优化特征向量，/>
Figure DEST_PATH_IMAGE020
表示一维卷积运算。
在上述的基于人工智能的计算机网络通信数据处理方法中，所述对抗生成网络包括生成器和鉴别器，其中，所述将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，包括：
将所述通信数据特征矩阵输入所述基于对抗生成网络的通信数据优化器以由所述对抗生成网络的生成器通过反卷积编码生成所述第二通信数据。
根据本申请的另一个方面，提供了一种基于人工智能的计算机网络通信数据处理系统，其包括：
通信数据获取模块，用于获取第一通信数据；
特征统计模块，用于提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；
编码模块，用于将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及
通信数据优化模块，用于将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
在上述的基于人工智能的计算机网络通信数据处理系统中，所述编码模块，进一步用于：
将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；
将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及
融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
与现有技术相比，本申请提供的基于人工智能的计算机网络通信数据处理方法及系统，其首先提取所获取的第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率，然后，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，最后，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。通过这样的方式，可以提升数据处理性能，进而提升无线通信系统的性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的场景示意图。
图2为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的流程图。
图3为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的架构示意图。
图4为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法中步骤S130的子步骤流程图。
图5为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法中步骤S133的子步骤流程图。
图6为根据本申请实施例的基于人工智能的计算机网络通信数据处理系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为网络通信数据的优化提供了新的解决思路和方案。具体地，在本申请的技术方案中，可将网络通信数据的优化问题转化为网络通信数据的对抗生成问题，也就是，首先对网络通信数据进行特征编码，进而，基于所提取的特征并通过对抗生成思想来生成优化后的网络通信数据。
具体地，在本申请的技术方案中，首先获取第一通信数据，这里所述第一通信数据表示原始通信数据。接着，从所述第一通信数据提取多个统计特征。在本申请一个具体的示例中，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率。
接着，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵。应注意到，在本申请的技术方案中，所述第一通信数据的波形图为图像数据，而所述多个统计特征本质上为离散数值数据，两者属于不同模态的数据，因此，使用包含序列编码器和图像编码器的Clip模型来对所述第一通信数据的波形图和所述多个统计特征进行多模态数据特征融合。
具体地，在本申请的技术方案中，所述图像编码器为深度残差网络，其通过对所述第一通信数据的波形图进行深度卷积编码以得到波形特征向量，及，提取所述第一通信数据的波形图的高维局部隐含特征。所述序列编码器为多尺度邻域特征提取模块，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层级联的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。相应地，在将所述多个统计特征输入到所述序列编码器后，所述序列编码器对所述多个统计特征进行多尺度一维卷积编码以捕捉各个统计特征间的不同尺度的关联模式特征，以得到统计特征向量。进而，融合所述统计特征向量和所述波形特征向量以得到所述通信数据特征矩阵。在一个具体的示例中，计算所述波形特征向量的转置向量与所述统计特征向量之间的乘积以得到所述通信数据特征矩阵，即，对所述统计特征向量和所述波形特征向量进行按位置关联以得到所述通信数据特征矩阵。
在得到用于表示所述第一通信数据的多模态特征表示后（即，所述通信数据特征矩阵），将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，这里，所述第二通信数据为优化后的通信数据。更具体地，在本申请的技术方案中，所述对抗生成网络包含生成器和鉴别器，其中，所述生成器用于生成优化后通信数据，而所述鉴别器用于度量生成优化后通信数据与真实的优化后通信数据之间的鉴别器损失函数值，并以所述鉴别器损失函数值作为损失函数值并通过梯度下降的反向传播算法来更新所述生成器的神经网络参数以得到所生成的优化后通信数据与真实的优化后通信数据能够趋近。
特别地，在本申请的技术方案中，包含序列编码器和图像编码器的Clip模型分别从所述多个统计特征和所述波形图得到用于表达统计特征的序列关联的统计特征向量和波形图的图像语义的波形特征向量，由于这两者的特征分布方向并不一致，因此在通过对所述统计特征向量和所述波形特征向量进行按位置关联得到所述通信数据特征矩阵时，可能存在所述通信数据特征矩阵的整体特征分布的收敛性差的问题，从而影响第二通信数据的准确性。而另一方面，如果直接对所述统计特征向量和所述波形特征向量设置权重以进行显性关联，则所述通信数据特征矩阵的各特征值之间的相关度可能会升高，这也会降低第二通信数据的准确性。
因此，优选地基于所述统计特征向量，例如记为
Figure 265875DEST_PATH_IMAGE014
和所述波形特征向量，例如记为
Figure 532908DEST_PATH_IMAGE015
对所述通信数据特征矩阵进行向量模基的希尔伯特空间约束以进行优化，表示为：
Figure 200650DEST_PATH_IMAGE013
Figure 322058DEST_PATH_IMAGE020
表示一维卷积运算，即以卷积算子/>
Figure DEST_PATH_IMAGE021
对特征向量/>
Figure 581001DEST_PATH_IMAGE018
进行一维卷积，特征向量/>
Figure 538593DEST_PATH_IMAGE018
是所述通信数据特征矩阵展开后得到的特征向量。
也就是，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述通信数据特征矩阵展开后得到的特征向量
Figure 541184DEST_PATH_IMAGE018
进行约束，来将所述特征向量/>
Figure 64569DEST_PATH_IMAGE018
的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述特征向量/>
Figure 494414DEST_PATH_IMAGE018
的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样，再将优化后的特征向量/>
Figure 736039DEST_PATH_IMAGE019
还原为所述通信数据特征矩阵，就可以提升所述通信数据特征矩阵得到的所述第二通信数据的准确性。
基于此，本申请提供了一种基于人工智能的计算机网络通信数据处理方法，其包括：获取第一通信数据；提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
图1为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的应用场景图。如图1所示，在该应用场景中，获取第一通信数据（例如，如图1中所示意的D），并提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率，然后，将所述第一通信数据输入至部署有基于人工智能的计算机网络通信数据处理算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于所述基于人工智能的计算机网络通信数据处理算法以得到第二通信数据。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的流程图。如图2所示，根据本申请实施例的基于人工智能的计算机网络通信数据处理方法，包括步骤：S110，获取第一通信数据；S120，提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；S130，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及，S140，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
图3为根据本申请实施例的基于人工智能的计算机网络通信数据处理方法的架构示意图。如图3所示，在该网络架构中，首先，获取第一通信数据；接着，提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；然后，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；最后，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
更具体地，在步骤S110中，获取第一通信数据。在利用人工智能网络对通信数据进行处理时，可能由于实际环境中存在的各种非理想因素的影响，导致待处理的通信数据出现如相位随机偏转、幅度偏差等问题，极大的影响了AI网络的数据处理性能，进而影响无线通信系统的性能。深度学习以及神经网络的发展为网络通信数据的优化提供了新的解决思路和方案。具体地，在本申请的技术方案中，可将网络通信数据的优化问题转化为网络通信数据的对抗生成问题，也就是，首先对网络通信数据进行特征编码，进而，基于所提取的特征并通过对抗生成思想来生成优化后的网络通信数据。
更具体地，在步骤S120中，提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率。
更具体地，在步骤S130中，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵。应注意到，在本申请的技术方案中，所述第一通信数据的波形图为图像数据，而所述多个统计特征本质上为离散数值数据，两者属于不同模态的数据，因此，使用包含序列编码器和图像编码器的Clip模型来对所述第一通信数据的波形图和所述多个统计特征进行多模态数据特征融合。
相应地，在一个具体示例中，如图4所示，所述将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，包括：S131，将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；S132，将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及，S133，融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
相应地，在一个具体示例中，所述图像编码器为深度残差网络。在本申请的技术方案中，所述图像编码器为深度残差网络，其通过对所述第一通信数据的波形图进行深度卷积编码以得到波形特征向量，及，提取所述第一通信数据的波形图的高维局部隐含特征。
相应地，在一个具体示例中，所述序列编码器为多尺度邻域特征提取模块，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层级联的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。相应地，在将所述多个统计特征输入到所述序列编码器后，所述序列编码器对所述多个统计特征进行多尺度一维卷积编码以捕捉各个统计特征间的不同尺度的关联模式特征，以得到统计特征向量。进而，融合所述统计特征向量和所述波形特征向量以得到所述通信数据特征矩阵。在一个具体的示例中，计算所述波形特征向量的转置向量与所述统计特征向量之间的乘积以得到所述通信数据特征矩阵，即，对所述统计特征向量和所述波形特征向量进行按位置关联以得到所述通信数据特征矩阵。
相应地，在一个具体示例中，所述将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量，包括：使用所述Clip模型的序列编码器的第一卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第一尺度统计特征向量；其中，所述公式为：
Figure 480004DEST_PATH_IMAGE001
其中，
Figure 123475DEST_PATH_IMAGE002
为第一一维卷积核在/>
Figure 458642DEST_PATH_IMAGE003
方向上的宽度、/>
Figure 108935DEST_PATH_IMAGE004
为第一一维卷积核参数向量、
Figure 187749DEST_PATH_IMAGE005
为与卷积核函数运算的局部向量矩阵，/>
Figure 685727DEST_PATH_IMAGE006
为第一一维卷积核的尺寸，/>
Figure 926215DEST_PATH_IMAGE007
表示所述多个统计特征；使用所述Clip模型的序列编码器的第二卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第二尺度统计特征向量；其中，所述公式为：
Figure 876854DEST_PATH_IMAGE008
其中，
Figure 759359DEST_PATH_IMAGE009
为第二一维卷积核在/>
Figure 580684DEST_PATH_IMAGE003
方向上的宽度、/>
Figure 523233DEST_PATH_IMAGE010
为第二一维卷积核参数向量、
Figure 961167DEST_PATH_IMAGE011
为与卷积核函数运算的局部向量矩阵，/>
Figure 850626DEST_PATH_IMAGE012
为第二一维卷积核的尺寸，/>
Figure 323195DEST_PATH_IMAGE007
表示所述多个统计特征；以及，使用所述Clip模型的序列编码器的多尺度融合层对所述第一尺度统计特征向量和所述第二尺度统计特征向量进行级联以得到所述统计特征向量。
相应地，在一个具体示例中，如图5所示，所述融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵，包括：S1331，对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量；以及，S1332，将所述优化特征向量进行向量-矩阵重构以得到所述通信数据特征矩阵。
特别地，在本申请的技术方案中，包含序列编码器和图像编码器的Clip模型分别从所述多个统计特征和所述波形图得到用于表达统计特征的序列关联的统计特征向量和波形图的图像语义的波形特征向量，由于这两者的特征分布方向并不一致，因此在通过对所述统计特征向量和所述波形特征向量进行按位置关联得到所述通信数据特征矩阵时，可能存在所述通信数据特征矩阵的整体特征分布的收敛性差的问题，从而影响第二通信数据的准确性。而另一方面，如果直接对所述统计特征向量和所述波形特征向量设置权重以进行显性关联，则所述通信数据特征矩阵的各特征值之间的相关度可能会升高，这也会降低第二通信数据的准确性。因此，优选地基于所述统计特征向量和所述波形特征向量对所述通信数据特征矩阵进行向量模基的希尔伯特空间约束以进行优化。
相应地，在一个具体示例中，所述对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量，包括：以如下公式对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到所述优化特征向量；其中，所述公式为：
Figure 436645DEST_PATH_IMAGE013
其中，
Figure 79985DEST_PATH_IMAGE014
表示所述统计特征向量，/>
Figure 304293DEST_PATH_IMAGE015
表示所述波形特征向量，/>
Figure 365790DEST_PATH_IMAGE016
表示所述波形特征向量的转置向量，/>
Figure 118982DEST_PATH_IMAGE017
表示向量的二范数，/>
Figure 531509DEST_PATH_IMAGE018
表示所述通信数据特征矩阵展开后得到的特征向量，/>
Figure 559508DEST_PATH_IMAGE019
表示优化后的所述优化特征向量，/>
Figure 475511DEST_PATH_IMAGE020
表示一维卷积运算。
也就是，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述通信数据特征矩阵展开后得到的特征向量
Figure 665184DEST_PATH_IMAGE018
进行约束，来将所述特征向量/>
Figure 565007DEST_PATH_IMAGE018
的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述特征向量/>
Figure 599959DEST_PATH_IMAGE018
的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样，再将优化后的特征向量/>
Figure 901627DEST_PATH_IMAGE019
还原为所述通信数据特征矩阵，就可以提升所述通信数据特征矩阵得到的所述第二通信数据的准确性。
更具体地，在步骤S140中，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。在得到用于表示所述第一通信数据的多模态特征表示后（即，所述通信数据特征矩阵），将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，这里，所述第二通信数据为优化后的通信数据。更具体地，在本申请的技术方案中，所述对抗生成网络包含生成器和鉴别器，其中，所述生成器用于生成优化后通信数据，而所述鉴别器用于度量生成优化后通信数据与真实的优化后通信数据之间的鉴别器损失函数值，并以所述鉴别器损失函数值作为损失函数值并通过梯度下降的反向传播算法来更新所述生成器的神经网络参数以得到所生成的优化后通信数据与真实的优化后通信数据能够趋近。
相应地，在一个具体示例中，所述对抗生成网络包括生成器和鉴别器，其中，所述将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，包括：将所述通信数据特征矩阵输入所述基于对抗生成网络的通信数据优化器以由所述对抗生成网络的生成器通过反卷积编码生成所述第二通信数据。
综上，基于本申请实施例的基于人工智能的计算机网络通信数据处理方法，其首先提取所获取的第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率，然后，将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，最后，将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。通过这样的方式，可以提升数据处理性能，进而提升无线通信系统的性能。
示例性系统
图6为根据本申请实施例的基于人工智能的计算机网络通信数据处理系统100的框图。如图6所示，根据本申请实施例的基于人工智能的计算机网络通信数据处理系统100，包括：通信数据获取模块110，用于获取第一通信数据；特征统计模块120，用于提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；编码模块130，用于将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及，通信数据优化模块140，用于将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述编码模块130，进一步用于：将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及，融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述图像编码器为深度残差网络。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述序列编码器为多尺度邻域特征提取模块，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层级联的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述编码模块130，进一步用于：使用所述Clip模型的序列编码器的第一卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第一尺度统计特征向量；其中，所述公式为：
Figure 262201DEST_PATH_IMAGE001
其中，
Figure 649320DEST_PATH_IMAGE002
为第一一维卷积核在/>
Figure 748950DEST_PATH_IMAGE003
方向上的宽度、/>
Figure 639545DEST_PATH_IMAGE004
为第一一维卷积核参数向量、
Figure 436600DEST_PATH_IMAGE005
为与卷积核函数运算的局部向量矩阵，/>
Figure 514278DEST_PATH_IMAGE006
为第一一维卷积核的尺寸，/>
Figure 687770DEST_PATH_IMAGE007
表示所述多个统计特征；使用所述Clip模型的序列编码器的第二卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第二尺度统计特征向量；其中，所述公式为：
Figure 698451DEST_PATH_IMAGE008
其中，
Figure 135249DEST_PATH_IMAGE009
为第二一维卷积核在/>
Figure 231381DEST_PATH_IMAGE003
方向上的宽度、/>
Figure 942985DEST_PATH_IMAGE010
为第二一维卷积核参数向量、
Figure 729544DEST_PATH_IMAGE011
为与卷积核函数运算的局部向量矩阵，/>
Figure 868401DEST_PATH_IMAGE012
为第二一维卷积核的尺寸，/>
Figure 451829DEST_PATH_IMAGE007
表示所述多个统计特征；以及，使用所述Clip模型的序列编码器的多尺度融合层对所述第一尺度统计特征向量和所述第二尺度统计特征向量进行级联以得到所述统计特征向量。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵，包括：对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量；以及，将所述优化特征向量进行向量-矩阵重构以得到所述通信数据特征矩阵。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量，包括：以如下公式对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到所述优化特征向量；其中，所述公式为：
Figure 170387DEST_PATH_IMAGE013
其中，
Figure 155660DEST_PATH_IMAGE014
表示所述统计特征向量，/>
Figure 465419DEST_PATH_IMAGE015
表示所述波形特征向量，/>
Figure 4985DEST_PATH_IMAGE016
表示所述波形特征向量的转置向量，/>
Figure 58391DEST_PATH_IMAGE017
表示向量的二范数，/>
Figure 898171DEST_PATH_IMAGE018
表示所述通信数据特征矩阵展开后得到的特征向量，/>
Figure 847673DEST_PATH_IMAGE019
表示优化后的所述优化特征向量，/>
Figure 140114DEST_PATH_IMAGE020
表示一维卷积运算。
在一个示例中，在上述基于人工智能的计算机网络通信数据处理系统100中，所述对抗生成网络包括生成器和鉴别器，其中，所述将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，包括：将所述通信数据特征矩阵输入所述基于对抗生成网络的通信数据优化器以由所述对抗生成网络的生成器通过反卷积编码生成所述第二通信数据。
这里，本领域技术人员可以理解，上述基于人工智能的计算机网络通信数据处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于人工智能的计算机网络通信数据处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于人工智能的计算机网络通信数据处理系统100可以实现在各种无线终端中，例如具有基于人工智能的计算机网络通信数据处理算法的服务器等。在一个示例中，根据本申请实施例的基于人工智能的计算机网络通信数据处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的计算机网络通信数据处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的计算机网络通信数据处理系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的计算机网络通信数据处理系统100与该无线终端也可以是分立的设备，并且该基于人工智能的计算机网络通信数据处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于人工智能的计算机网络通信数据处理方法，其特征在于，包括：
获取第一通信数据；
提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；
将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及
将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
2.根据权利要求1所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵，包括：
将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；
将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及
融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
3.根据权利要求2所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述图像编码器为深度残差网络。
4.根据权利要求3所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述序列编码器为多尺度邻域特征提取模块，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层级联的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
5.根据权利要求4所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量，包括：
使用所述Clip模型的序列编码器的第一卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第一尺度统计特征向量；
其中，所述公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 953516DEST_PATH_IMAGE004
为第一一维卷积核在/>
Figure 178830DEST_PATH_IMAGE006
方向上的宽度、/>
Figure 719533DEST_PATH_IMAGE008
为第一一维卷积核参数向量、
Figure 97425DEST_PATH_IMAGE010
为与卷积核函数运算的局部向量矩阵，/>
Figure 839116DEST_PATH_IMAGE012
为第一一维卷积核的尺寸，/>
Figure 302458DEST_PATH_IMAGE014
表示所述多个统计特征；
使用所述Clip模型的序列编码器的第二卷积层以如下公式对所述多个统计特征进行一维卷积编码以得到第二尺度统计特征向量；
其中，所述公式为：
Figure DEST_PATH_IMAGE016A
其中，
Figure 335267DEST_PATH_IMAGE018
为第二一维卷积核在/>
Figure 505349DEST_PATH_IMAGE006
方向上的宽度、/>
Figure 276996DEST_PATH_IMAGE020
为第二一维卷积核参数向量、
Figure 414585DEST_PATH_IMAGE022
为与卷积核函数运算的局部向量矩阵，/>
Figure 297090DEST_PATH_IMAGE024
为第二一维卷积核的尺寸，/>
Figure 649574DEST_PATH_IMAGE014
表示所述多个统计特征；以及
使用所述Clip模型的序列编码器的多尺度融合层对所述第一尺度统计特征向量和所述第二尺度统计特征向量进行级联以得到所述统计特征向量。
6.根据权利要求5所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵，包括：
对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量；以及
将所述优化特征向量进行向量-矩阵重构以得到所述通信数据特征矩阵。
7.根据权利要求6所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到优化特征向量，包括：以如下公式对所述波形特征向量和所述统计特征向量进行向量模基的希尔伯特空间约束以得到所述优化特征向量；
其中，所述公式为：
Figure DEST_PATH_IMAGE026A
其中，
Figure 687062DEST_PATH_IMAGE028
表示所述统计特征向量，/>
Figure 124997DEST_PATH_IMAGE030
表示所述波形特征向量，/>
Figure 811193DEST_PATH_IMAGE032
表示所述波形特征向量的转置向量，/>
Figure 470714DEST_PATH_IMAGE034
表示向量的二范数，/>
Figure 584163DEST_PATH_IMAGE036
表示所述通信数据特征矩阵展开后得到的特征向量，/>
Figure 447077DEST_PATH_IMAGE038
表示优化后的所述优化特征向量，/>
Figure 671385DEST_PATH_IMAGE040
表示一维卷积运算。
8.根据权利要求7所述的基于人工智能的计算机网络通信数据处理方法，其特征在于，所述对抗生成网络包括生成器和鉴别器，其中，所述将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据，包括：
将所述通信数据特征矩阵输入所述基于对抗生成网络的通信数据优化器以由所述对抗生成网络的生成器通过反卷积编码生成所述第二通信数据。
9.一种基于人工智能的计算机网络通信数据处理系统，其特征在于，包括：
通信数据获取模块，用于获取第一通信数据；
特征统计模块，用于提取所述第一通信数据的多个统计特征，所述多个统计特征包括所述第一通信数据的总功率、所述第一通信数据中每个元素的幅度值，所述第一通信数据中各子带的输入总功率；
编码模块，用于将所述第一通信数据的波形图和所述多个统计特征通过包含序列编码器和图像编码器的Clip模型以得到通信数据特征矩阵；以及
通信数据优化模块，用于将所述通信数据特征矩阵通过基于对抗生成网络的通信数据优化器以得到第二通信数据。
10.根据权利要求9所述的基于人工智能的计算机网络通信数据处理系统，其特征在于，所述编码模块，进一步用于：
将所述第一通信数据的波形图通过所述Clip模型的图像编码器以得到波形特征向量；
将所述多个统计特征通过所述Clip模型的序列编码器以得到统计特征向量；以及
融合所述波形特征向量和所述统计特征向量以得到所述通信数据特征矩阵。
CN202310022843.0A 2023-01-08 2023-01-08 一种基于人工智能的计算机网络通信数据处理方法及系统 Active CN116320459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310022843.0A CN116320459B (zh) 2023-01-08 2023-01-08 一种基于人工智能的计算机网络通信数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310022843.0A CN116320459B (zh) 2023-01-08 2023-01-08 一种基于人工智能的计算机网络通信数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN116320459A true CN116320459A (zh) 2023-06-23
CN116320459B CN116320459B (zh) 2024-01-23

Family

ID=86815762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310022843.0A Active CN116320459B (zh) 2023-01-08 2023-01-08 一种基于人工智能的计算机网络通信数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116320459B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116734750A (zh) * 2023-08-15 2023-09-12 山西锦烁生物医药科技有限公司 基于光纤传感器的冰场冰层厚度智能检测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170078133A1 (en) * 2014-05-17 2017-03-16 John David Terry Method and apparatus for controlling out-of-band interference and error vector magnitude (evm)using peak-to-average-power-ratio (papr) reduction with constraints
WO2019158189A1 (en) * 2018-02-13 2019-08-22 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for signal transmission and reception in a wireless communication network
US20200257985A1 (en) * 2019-02-08 2020-08-13 DeepSig Inc. Adversarially generated communications
US20210049468A1 (en) * 2018-11-14 2021-02-18 Nvidia Corporation Generative adversarial neural network assisted video reconstruction
CN112541864A (zh) * 2020-09-25 2021-03-23 中国石油大学(华东) 一种基于多尺度生成式对抗网络模型的图像修复方法
CN113963087A (zh) * 2021-10-12 2022-01-21 北京百度网讯科技有限公司 图像处理方法、图像处理模型训练方法、装置及存储介质
CN114677185A (zh) * 2022-05-26 2022-06-28 深圳市虎瑞科技有限公司 智慧大屏广告智能推荐系统及其推荐方法
CN115099285A (zh) * 2022-07-12 2022-09-23 绍兴九樱纺织品有限公司 基于神经网络模型的智能检测方法及其系统
WO2022198898A1 (zh) * 2021-03-26 2022-09-29 北京至真互联网技术有限公司 图像分类方法和装置及设备
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法
CN115512005A (zh) * 2022-08-22 2022-12-23 华为技术有限公司 一种数据处理方法及其装置
CN115524027A (zh) * 2022-10-31 2022-12-27 杭州宇嘉微科技有限公司 无源无线接触式温度监测系统及其方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170078133A1 (en) * 2014-05-17 2017-03-16 John David Terry Method and apparatus for controlling out-of-band interference and error vector magnitude (evm)using peak-to-average-power-ratio (papr) reduction with constraints
WO2019158189A1 (en) * 2018-02-13 2019-08-22 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for signal transmission and reception in a wireless communication network
US20210049468A1 (en) * 2018-11-14 2021-02-18 Nvidia Corporation Generative adversarial neural network assisted video reconstruction
US20200257985A1 (en) * 2019-02-08 2020-08-13 DeepSig Inc. Adversarially generated communications
CN112541864A (zh) * 2020-09-25 2021-03-23 中国石油大学(华东) 一种基于多尺度生成式对抗网络模型的图像修复方法
WO2022198898A1 (zh) * 2021-03-26 2022-09-29 北京至真互联网技术有限公司 图像分类方法和装置及设备
JP2022180519A (ja) * 2021-10-12 2022-12-06 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 画像処理方法、画像処理モデルのトレーニング方法、装置及び記憶媒体
CN113963087A (zh) * 2021-10-12 2022-01-21 北京百度网讯科技有限公司 图像处理方法、图像处理模型训练方法、装置及存储介质
CN114677185A (zh) * 2022-05-26 2022-06-28 深圳市虎瑞科技有限公司 智慧大屏广告智能推荐系统及其推荐方法
CN115099285A (zh) * 2022-07-12 2022-09-23 绍兴九樱纺织品有限公司 基于神经网络模型的智能检测方法及其系统
CN115512005A (zh) * 2022-08-22 2022-12-23 华为技术有限公司 一种数据处理方法及其装置
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法
CN115524027A (zh) * 2022-10-31 2022-12-27 杭州宇嘉微科技有限公司 无源无线接触式温度监测系统及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林宇: "基于机器学习的信息预测研究分析", 《CNKI优秀硕士学位论文全文库》 *
郭清杨;: "基于生成对抗网络的对抗样本生成", 现代计算机, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116734750A (zh) * 2023-08-15 2023-09-12 山西锦烁生物医药科技有限公司 基于光纤传感器的冰场冰层厚度智能检测方法及系统
CN116734750B (zh) * 2023-08-15 2023-10-27 山西锦烁生物医药科技有限公司 基于光纤传感器的冰场冰层厚度智能检测方法及系统

Also Published As

Publication number Publication date
CN116320459B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Qiu et al. Learning transformations for clustering and classification.
Zhong et al. Squeeze-and-excitation wide residual networks in image classification
CN106650650B (zh) 一种跨年龄人脸识别方法
CN116320459B (zh) 一种基于人工智能的计算机网络通信数据处理方法及系统
CN114677185B (zh) 智慧大屏广告智能推荐系统及其推荐方法
CN113111760B (zh) 基于通道注意力的轻量化图卷积人体骨架动作识别方法
EP3074926A1 (en) Method and system for exacting face features from data of face images
CN115982736B (zh) 用于计算机网络信息的数据加密方法及系统
Shang et al. Fuzzy double trace norm minimization for recommendation systems
CN116341518A (zh) 用于大数据统计分析的数据处理方法及系统
Razaviyayn et al. Dictionary learning for sparse representation: Complexity and algorithms
CN114821169A (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN116385365A (zh) 基于扫描图像的煤流量监控系统及其方法
Jha et al. A review on various image fusion algorithms
Chen et al. A variational approach for sparse component estimation and low-rank matrix recovery
CN112862003A (zh) 一种图神经网络信息增强方法、装置及设备
Liu et al. Towards robust gan-generated image detection: a multi-view completion representation
CN116536906B (zh) 一种立体裁剪内裤的成型质量检测方法
Zhang et al. Survey on compressed sensing reconstruction method for 3D data
Wang et al. Data augmentation in hotspot detection based on generative adversarial network
Shirin et al. Review on image synthesis techniques
CN116842072A (zh) 基于TDenginer数据库的数据处理系统及其方法
CN114386476A (zh) 对抗样本生成方法、目标识别模型的训练方法及相关装置
CN117067258A (zh) 机械臂的性能测试方法及系统
CN115296922A (zh) 光纤网络威胁智能感知方法及其系统

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