CN116955459A - 基于人工智能的传感器运行行为估计网络优化方法及系统 - Google Patents

基于人工智能的传感器运行行为估计网络优化方法及系统 Download PDF

Info

Publication number
CN116955459A
CN116955459A CN202311141865.5A CN202311141865A CN116955459A CN 116955459 A CN116955459 A CN 116955459A CN 202311141865 A CN202311141865 A CN 202311141865A CN 116955459 A CN116955459 A CN 116955459A
Authority
CN
China
Prior art keywords
data
feature vector
data segment
typical
mined
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.)
Withdrawn
Application number
CN202311141865.5A
Other languages
English (en)
Inventor
高春亚
赵正军
张菊
杨建国
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.)
Chuangyu Intelligent Changshu Netlink Technology Co ltd
Original Assignee
Chuangyu Intelligent Changshu Netlink 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 Chuangyu Intelligent Changshu Netlink Technology Co ltd filed Critical Chuangyu Intelligent Changshu Netlink Technology Co ltd
Priority to CN202311141865.5A priority Critical patent/CN116955459A/zh
Publication of CN116955459A publication Critical patent/CN116955459A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的基于人工智能的传感器运行行为估计网络优化方法及系统，涉及人工智能技术领域。在本发明中，确定出在前估计数据片段的数据片段聚合特征向量；依据数据片段聚合特征向量，确定出当前聚焦中间特征向量；依据当前聚焦中间特征向量，确定出待挖掘数据单元；挖掘出待挖掘数据单元对应的待挖掘数据特征向量，并融合形成融合数据特征向量；挖掘出待分析运行行为信息对应的整体行为特征向量，以及，在融合数据特征向量中融合整体行为特征向量，以形成聚焦行为特征向量，并估计出在后估计数据片段；基于在前估计数据片段和在后估计数据片段，组合形成待对应的运行行为概况数据。基于上述内容，可以提高行为挖掘的可靠度。

Description

基于人工智能的传感器运行行为估计网络优化方法及系统
本申请是申请号202310719547.6、申请日为2023年06月16日、发明创造名称为“基于人工智能的传感器运行行为挖掘方法及系统”的中国申请的分案申请。
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于人工智能的传感器运行行为估计网络优化方法及系统。
背景技术
人工智能(Artificial Intelligence，简称AI)，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。其中，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在人工智能的诸多应用中，一般包括从大量的运行行为数据中挖掘出一些关键信息，以进行表征，即得到一些概括性的内容，使得相应的用户可以更为快速有效的对运行行为进行掌控。但是，在现有技术中，在进行行为挖掘的过程中，存在着可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于人工智能的传感器运行行为挖掘方法及系统，以提高行为挖掘的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于人工智能的传感器运行行为挖掘方法，包括：
确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量，所述待分析运行行为信息用于描述待分析传感器的运行；
依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量；
对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元，所述第一数量大于1；
在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量；
挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段；
基于所述在前估计数据片段和所述在后估计数据片段，组合形成所述待分析运行行为信息对应的运行行为概况数据，所述运行行为概况数据用于对所述待分析运行行为信息进行概括性的说明。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元的步骤，包括：
对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中；
在所述第一数量个待定数据单元分析模型中的第a个待定数据单元分析模型中，依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的第二数量个待确认数据单元，并挖掘出每一个待确认数据单元对应的待确认数据特征向量，所述a小于或等于所述第一数量，所述第二数量个待确认数据单元为在第三数量个待确认数据单元中，第b个待定数据单元分析模型确定出的待挖掘数据单元以外的待确认数据单元，所述b与1的和值等于所述a，所述第三数量与所述a之间的差值等于所述第二数量与1之间的差值；
将所述第二数量个待确认数据特征向量进行向量映射操作，以输出所述第二数量个待确认数据单元各自对应的可能性表征参数；
依据所述第二数量个待确认数据单元各自对应的可能性表征参数，在所述第二数量个待确认数据单元中，分析出待挖掘数据单元，所述第一数量个待定数据单元分析模型各自对应的待挖掘数据单元两两不一样。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量的步骤，包括：
确定出用于估计所述在前估计数据片段的在前聚焦中间特征向量；
利用聚焦特征分析模型，将所述在前聚焦中间特征向量和所述数据片段聚合特征向量进行关联的聚焦特征分析操作，以形成用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量的步骤，包括：
在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量；
分别将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行向量关联分析操作，以形成对应的第一数量个关联性表征参数；
将所述第一数量个关联性表征参数进行参数映射操作，以形成所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数；
依据所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数，将所述第一数量个待挖掘数据特征向量进行对应权重的叠加操作，以形成对应的融合数据特征向量。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段的步骤，包括：
挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量；
通过数据片段估计模型，确定出所述在前估计数据片段对应的在前中间特征向量，以及，将所述在前中间特征向量和所述聚焦行为特征向量进行向量聚合分析操作，以估计出第四数量个待定估计数据片段和每一个所述待定估计数据片段对应的数据片段可能性参数；
在所述第四数量个待定估计数据片段中，将对应的数据片段可能性参数最大的一个待定估计数据片段进行标记，以标记为在后估计数据片段。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量的步骤，包括：
挖掘出待分析运行行为信息对应的数据单元整体特征向量；
将所述待分析运行行为信息已经估计出的在前估计数据片段进行关键信息挖掘操作，形成所述在前估计数据片段对应的数据片段挖掘特征向量；
基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述挖掘出待分析运行行为信息对应的数据单元整体特征向量的步骤，包括：
确定出所述待分析运行行为信息对应的第三数量个待确认数据单元；以及，在所述待分析运行行为信息中，挖掘出每一个所述待确认数据单元对应的数据单元挖掘特征向量；以及，将所述第三数量个待确认数据单元对应的第三数量个数据单元挖掘特征向量进行向量聚合操作，以形成所述待分析运行行为信息对应的数据单元整体特征向量；
所述基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量的步骤，包括：
将所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量；或，确定出所述在前估计数据片段的在前中间特征向量，以及，将所述在前中间特征向量、所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述传感器运行行为挖掘方法还包括：
提取到典型运行行为信息，并确定出所述典型运行行为信息对应的典型运行行为概况数据，所述典型运行行为概况数据包括典型在前数据片段和典型在后数据片段；
通过候选数据片段估计网络，估计出所述典型运行行为信息的典型在前估计数据片段，以及，挖掘出所述典型在前估计数据片段对应的典型的数据片段聚合特征向量；
通过所述候选数据片段估计网络包括的候选聚焦特征分析模型，依据所述典型的数据片段聚合特征向量，确定出用于估计所述典型在前估计数据片段对应的典型在后估计数据片段的典型聚焦中间特征向量，以及，对所述典型聚焦中间特征向量进行加载处理，以加载到第一数量个候选的待定数据单元分析模型中，以通过所述第一数量个候选的待定数据单元分析模型，分别依据所述典型聚焦中间特征向量，确定出所述典型运行行为信息中的典型待挖掘数据单元；
在所述典型运行行为信息中，挖掘出基于所述第一数量个候选的待定数据单元分析模型各自确定出的典型待挖掘数据单元对应的典型的待挖掘数据特征向量，并融合形成第一数量个典型的待挖掘数据特征向量对应的典型融合数据特征向量；
挖掘出所述典型运行行为信息对应的典型整体行为特征向量，以及，在所述典型融合数据特征向量中融合所述典型整体行为特征向量，以形成典型聚焦行为特征向量，并估计出所述典型聚焦行为特征向量对应的典型在前估计数据片段的第一输出；
挖掘出所述典型聚焦行为特征向量的典型中间特征向量，基于所述典型聚焦中间特征向量和所述典型中间特征向量，估计出所述典型运行行为信息对应的典型在前估计数据片段的第二输出；
基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络。
在一些优选的实施例中，在上述基于人工智能的传感器运行行为挖掘方法中，所述基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络的步骤，包括：
基于所述典型在前估计数据片段的第一输出和所述典型在后数据片段之间的区别信息，确定出学习代价第一指标；
基于所述典型在前估计数据片段的第二输出和所述典型在后数据片段之间的区别信息，确定出学习代价第二指标；
基于所述典型在前估计数据片段的第一输出和所述典型在前估计数据片段的第二输出之间的区别信息，确定出学习代价第三指标；
基于所述学习代价第一指标和所述学习代价第二指标，将所述候选数据片段估计网络进行网络优化操作，以及，基于所述学习代价第三指标，将所述候选数据片段估计网络中的候选聚焦特征分析模型进行网络优化操作，以形成对应的优化数据片段估计网络。
本发明实施例还提供一种基于人工智能的传感器运行行为挖掘系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的方法。
本发明实施例提供的基于人工智能的传感器运行行为挖掘方法及系统，可以先确定出在前估计数据片段的数据片段聚合特征向量；依据数据片段聚合特征向量，确定出当前聚焦中间特征向量；依据当前聚焦中间特征向量，确定出待挖掘数据单元；挖掘出待挖掘数据单元对应的待挖掘数据特征向量，并融合形成融合数据特征向量；挖掘出待分析运行行为信息对应的整体行为特征向量，以及，在融合数据特征向量中融合整体行为特征向量，以形成聚焦行为特征向量，并估计出在后估计数据片段；基于在前估计数据片段和在后估计数据片段，组合形成待对应的运行行为概况数据。基于前述的内容，即采用第一数量个待定数据单元分析模型，从待分析运行行为信息中确定到多个具有相关语义内容的待挖掘数据单元，然后，通过融合处理，可以形成相对更完整的特征向量，使得可以更为可靠地估计出对应的在后估计数据片段，因此，可以提高行为挖掘的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的传感器运行行为挖掘系统的结构框图。
图2为本发明实施例提供的基于人工智能的传感器运行行为挖掘方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能的传感器运行行为挖掘装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
如图1所示，本发明实施例提供了一种基于人工智能的传感器运行行为挖掘系统。其中，所述基于人工智能的传感器运行行为挖掘系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于人工智能的传感器运行行为挖掘方法。
应当理解的是，在一些可行的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
应当理解的是，在一些可行的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是，在一些可行的实施方式中，所述基于人工智能的传感器运行行为挖掘系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于人工智能的传感器运行行为挖掘方法，可应用于上述基于人工智能的传感器运行行为挖掘系统。其中，所述基于人工智能的传感器运行行为挖掘方法有关的流程所定义的方法步骤，可以由所述基于人工智能的传感器运行行为挖掘系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量。所述待分析运行行为信息用于描述待分析传感器的运行，如描述待分析传感器的运行行为或运行过程等，所述在前估计数据片段属于在前一个流程已经估计出的数据片段，在本发明实施例中，是结合前一个流程估计出的数据片段，来预估出当前流程的数据片段。
步骤S120，依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量。
步骤S130，对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元。所述第一数量可以大于1，即多个待定数据单元分析模型。
步骤S140，在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量，即将第一数量个待挖掘数据特征向量进行融合，以形成融合数据特征向量。
步骤S150，挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段。
步骤S160，基于所述在前估计数据片段和所述在后估计数据片段，组合形成所述待分析运行行为信息对应的运行行为概况数据。
在本发明实施例中，所述基于人工智能的传感器运行行为挖掘系统可以基于所述在前估计数据片段和所述在后估计数据片段，组合形成所述待分析运行行为信息对应的运行行为概况数据，即通过依次确定出的第一个估计数据片段、第二个估计数据片段、第三个估计数据片段、第四个估计数据片段等进行组合，以形成运行行为概况数据，另外，数据片段可以是指一个语句或一个词语等，具体的粒度不受限制。所述运行行为概况数据用于对所述待分析运行行为信息进行概括性的说明。如此，可以实现待分析运行行为信息的有效压缩，得到概括性的、代表性的数据。
基于前述的内容，即采用第一数量个待定数据单元分析模型，从待分析运行行为信息中确定到多个具有相关语义内容的待挖掘数据单元，然后，通过融合处理，可以形成相对更完整的特征向量，使得可以更为可靠地估计出对应的在后估计数据片段，因此，可以提高行为挖掘的可靠度。
应当理解的是，在一些可行的实施方式中，上述描述中的步骤S110，即所述确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量的步骤，可以进一步包括以下描述的具体实施内容：
挖掘出待分析运行行为信息对应的数据单元整体特征向量；
将所述待分析运行行为信息已经估计出的在前估计数据片段进行关键信息挖掘操作，形成所述在前估计数据片段对应的数据片段挖掘特征向量，例如，可以通过特征空间映射网络，将所述在前估计数据片段进行特征空间的映射操作，以形成对应的数据片段挖掘特征向量；
基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量。
应当理解的是，在一些可行的实施方式中，所述挖掘出待分析运行行为信息对应的数据单元整体特征向量的步骤，可以进一步包括以下描述的具体实施内容：
确定出所述待分析运行行为信息对应的第三数量个待确认数据单元，例如，可以在所述待分析运行行为信息中，确定出多个待确认数据单元，即第三数量个待确认数据单元，每一个待确认数据单元属于所述待分析运行行为信息中的一部分，每两个待确认数据单元之间不相同或不完全相同；
在所述待分析运行行为信息中，挖掘出每一个所述待确认数据单元对应的数据单元挖掘特征向量，例如，可以对所述待确认数据单元进行特征空间的映射操作，以形成对应的数据单元挖掘特征向量；
将所述第三数量个待确认数据单元对应的第三数量个数据单元挖掘特征向量进行向量聚合操作，以形成所述待分析运行行为信息对应的数据单元整体特征向量，例如，可以将所述第三数量个数据单元挖掘特征向量进行级联组合操作，以形成数据单元整体特征向量，如{数据单元挖掘特征向量1，数据单元挖掘特征向量2，数据单元挖掘特征向量3......}，或，可以基于所述第三数量个待确认数据单元分别配置的加权系数，对所述第三数量个数据单元挖掘特征向量进行加权叠加操作，得到数据单元整体特征向量。
应当理解的是，在一些可行的实施方式中，所述基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量的步骤，可以进一步包括以下描述的具体实施内容：
将所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量；或，
确定出所述在前估计数据片段的在前中间特征向量，所述在前估计数据片段可以是基于所述在前中间特征向量进行估计分析以得到，其中，在所述在后估计数据片段属于进行估计的第一个数据片段的情况，可以将配置的一个参考特征向量作为在前估计数据片段的在前中间特征向量；
将所述在前中间特征向量、所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量，如{在前中间特征向量，数据单元整体特征向量，数据片段挖掘特征向量}。
应当理解的是，在一些可行的实施方式中，上述的步骤S120，即所述依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量的步骤，可以进一步包括以下描述的具体实施内容：
确定出用于估计所述在前估计数据片段的在前聚焦中间特征向量，所述在前估计数据片段的在前聚焦中间特征向量，属于该在前估计数据片段在作为在后估计数据片段进行分析得到当前聚焦中间特征向量；
利用聚焦特征分析模型，将所述在前聚焦中间特征向量和所述数据片段聚合特征向量进行关联的聚焦特征分析操作，以形成用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量，所述关联的聚焦特征分析操作可以包括，基于所述在前聚焦中间特征向量，对所述数据片段聚合特征向量进行聚焦特征分析操作，以得到第一聚焦结果，并基于所述数据片段聚合特征向量，对所述在前聚焦中间特征向量进行聚焦特征分析操作，以得到第二聚焦结果，然后，可以将第一聚焦结果和第二聚焦结果进行叠加或级联组合，以形成在后估计数据片段的当前聚焦中间特征向量；另外，“基于所述在前聚焦中间特征向量，对所述数据片段聚合特征向量进行聚焦特征分析操作”可以是指，基于第一映射矩阵和第二映射矩阵分别对所述在前聚焦中间特征向量进行映射操作，并基于第三映射矩阵，对所述数据片段聚合特征向量进行映射操作，然后，计算得到的第一映射向量的转置向量和得到的第三映射向量之间的乘积，之后，可以基于该乘积对得到的第二映射向量进行加权，得到第一聚焦结果。
应当理解的是，在一些可行的实施方式中，上述的步骤S130，即所述对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元的步骤，可以进一步包括以下描述的具体实施内容：
对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，即加载到多个待定数据单元分析模型中；
在所述第一数量个待定数据单元分析模型中的第a个待定数据单元分析模型（如第一个待定数据单元分析模型、第二个待定数据单元分析模型、第三个待定数据单元分析模型等）中，依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的第二数量个待确认数据单元（所述第二数量个待确认数据单元属于确定出的所述第三数量个待确认数据单元中的至少部分），并挖掘出每一个待确认数据单元对应的待确认数据特征向量，所述a小于或等于所述第一数量，所述第二数量个待确认数据单元为在第三数量个待确认数据单元中，第b个待定数据单元分析模型确定出的待挖掘数据单元以外的待确认数据单元，所述b与1的和值等于所述a，所述第三数量与所述a之间的差值等于所述第二数量与1之间的差值；
将所述第二数量个待确认数据特征向量进行向量映射操作，以输出所述第二数量个待确认数据单元各自对应的可能性表征参数，示例性地，所述向量映射操作可以通过多层感知机(MLP，MultiLayer Perceptron)单元实现，即将所述第二数量个待确认数据特征向量加载到多层感知机单元中，以分析出每一个待确认数据单元对应的可能性表征参数，或者，对于所述多层感知机单元的输出数据可以进行进一步的处理，以得到所述可能性表征参数，如通过激活函数进行处理等，使得其输出属于（0，1）；
依据所述第二数量个待确认数据单元各自对应的可能性表征参数，在所述第二数量个待确认数据单元中，分析出待挖掘数据单元，所述第一数量个待定数据单元分析模型各自对应的待挖掘数据单元两两不一样，例如，可以将对应的可能性表征参数最大的待确认数据单元作为所述第a个待定数据单元分析模型对应的待挖掘数据单元。
其中，应当理解的是，在一些可行的实施方式中，通过所述第a个待定数据单元分析模型，从所述第三数量个待确认数据单元中，获取待确认数据单元，在获取到的待确认数据单元中，确定出待分析运行行为信息中的待挖掘数据单元。在所述第a个待定数据单元分析模型确定出待挖掘数据单元时，可以删除所述第三数量个待确认数据单元中由所述第a个待定数据单元分析模型确定出的待挖掘数据单元，以使其他的待定数据单元分析模型不会再次确定出由所述第a个待定数据单元分析模型确定出的待挖掘数据单元，以得到第一数量个语义内容相近却不完全一致的待挖掘数据单元，可以提高待挖掘数据单元确定的可靠性。
应当理解的是，在一些可行的实施方式中，上述的步骤S140，即所述在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量的步骤，可以进一步包括以下描述的具体实施内容：
在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，即对待挖掘数据单元进行关键信息挖掘，以得到待挖掘数据特征向量；
分别将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行向量关联分析操作，以形成对应的第一数量个关联性表征参数；
将所述第一数量个关联性表征参数进行参数映射操作，以形成所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数，通过所述参数映射操作，可以将参数映射到区间（0，1）；
依据所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数，将所述第一数量个待挖掘数据特征向量进行对应权重的叠加操作，以形成对应的融合数据特征向量，也就是说，可以将所述映射关联性表征参数作为对应的待挖掘数据特征向量的加权系数。
其中，应当理解的是，在一些可行的实施方式中，所述分别将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行向量关联分析操作，以形成对应的第一数量个关联性表征参数的步骤，可以包括：
将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行处理，以形成具有一致频道（维度）的向量，将处理后的第一数量个待挖掘数据特征向量分别与处理后的当前聚焦中间特征向量进行向量叠加操作，如此，可以形成第一数量个关联性表征参数；或者，
获取所述待挖掘数据单元对应的第一配置加权系数，并获取所述当前聚焦中间特征向量对应的第二配置加权系数；
依据所述第一配置加权系数，将所述第一数量个待挖掘数据特征向量分别进行加权计算，以形成第一数量个加权后的待挖掘数据特征向量，并依据所述第二配置加权系数，将所述当前聚焦中间特征向量进行加权计算，以形成对应的目标加权参数，然后，可以在每一个加权后的待挖掘数据特征向量中增加所述目标加权参数，以形成第一数量个关联性表征参数。
应当理解的是，在一些可行的实施方式中，上述的步骤S150，即所述挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段的步骤，可以进一步包括以下描述的具体实施内容：
挖掘出所述待分析运行行为信息对应的整体行为特征向量，例如，可以将所述待分析运行行为信息这个整体进行特征空间的映射操作，以形成对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，例如，对所述融合数据特征向量和所述整体行为特征向量进行叠加操作；
通过数据片段估计模型，确定出所述在前估计数据片段对应的在前中间特征向量，以及，将所述在前中间特征向量和所述聚焦行为特征向量进行向量聚合分析操作，以估计出第四数量个待定估计数据片段和每一个所述待定估计数据片段对应的数据片段可能性参数，例如，可以将所述在前中间特征向量和所述聚焦行为特征向量进行向量聚合操作，以形成对应的待处理聚合特征向量，之后，可以基于所述待处理聚合特征向量进行分析估计，以确定出第四数量个待定估计数据片段（以疑似的数据片段）和每一个所述待定估计数据片段对应的数据片段可能性参数；
在所述第四数量个待定估计数据片段中，将对应的数据片段可能性参数最大的一个待定估计数据片段进行标记，以标记为在后估计数据片段。
其中，应当理解的是，在一些可行的实施方式中，所述挖掘出所述待分析运行行为信息对应的整体行为特征向量的步骤，也可以进一步包括以下描述的具体实施内容：
对所述待分析运行行为信息进行分词处理，以形成所述待分析运行行为信息对应的行为信息词语集合，以及，将所述行为信息词语集合中的每一个行为信息词语进行编码处理，以形成每一个行为信息词语对应的词语向量，再基于每两个行为信息词语对应的词语向量之间的向量相似度，对所述行为信息词语集合进行图谱化处理，以形成对应的目标图谱，在所述目标图谱中，每一个图谱对象对应于一个行为信息词语，连接两个图谱对象的图谱线段的权重对应于该两个图谱对象对应的两个行为信息词语对应的词语向量之间的向量相似度，可以具有正相关的关系；
分别或依次将所述行为信息词语集合中的每一个行为信息词语对应的图谱对象，作为起始图谱对象，并在所述目标图谱中确定出所述起始图谱对象对应的相邻图谱对象簇，以及，从所述起始图谱对象开始，基于图谱线段的权重，对所述相邻图谱对象簇进行遍历操作，以确定出第一个遍历图谱对象，以及，确定出所述第一个遍历图谱对象的相邻图谱对象簇，再进行如所述起始图谱对象的遍历操作，直到遍历停止，形成遍历路径，其中，在遍历的过程中停止的可能性为预先配置的参考可能性；
基于上述的步骤，在形成每一个图谱对象对应的多个遍历路径之后，对于每一个所述图谱对象，在该图谱对象对应的多个遍历路径中，确定出权重均值最大的一个遍历路径，以作为对应的目标遍历路径，以及，分别基于该目标遍历路径对应的每一个行为信息词语对应的词语向量，对该图谱对象对应的词语向量进行聚焦特征分析操作，以得到该图谱对象对应的每一个聚焦特征分析特征向量，再将该图谱对象对应的每一个聚焦特征分析特征向量和该图谱对象对应的行为信息词语对应的词语向量进行叠加操作，以形成该图谱对象对应的叠加特征向量；
将每一个所述图谱对象对应的叠加特征向量进行级联组合，以形成所述待分析运行行为信息对应的整体行为特征向量。
其中，应当理解的是，在一些可行的实施方式中，上述的步骤S150，即所述挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段的步骤，也可以进一步包括以下描述的具体实施内容：
挖掘出所述待分析运行行为信息对应的整体行为特征向量，如前相关描述，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，如前相关描述；
利用数据片段估计模型，将所述聚焦行为特征向量和所述当前聚焦中间特征向量进行向量分析操作，以形成初级估计数据和初级中间特征向量，所述初级估计数据基于所述初级中间特征向量进行分析估计操作以得到，例如，可以将所述聚焦行为特征向量和所述当前聚焦中间特征向量进行聚合操作，如叠加、级联组合或关联的聚焦特征分析操作等，以形成对应的初级中间特征向量，然后，可以基于所述初级中间特征向量进行估计分析，以形成对应的初级估计数据，其中，所述初级估计数据可以包括第四数量个待定估计数据片段和所述第四数量个待定估计数据片段中的每一个待定估计数据片段对应的第一数据片段可能性参数；
将所述当前聚焦中间特征向量和所述初级中间特征向量进行向量聚合操作，以形成对应的聚合中间特征向量；
将所述聚合中间特征向量进行分析估计操作，以输出中级估计数据，所述中级估计数据可以包括第四数量个待定估计数据片段和所述第四数量个待定估计数据片段中的每一个待定估计数据片段对应的第二数据片段可能性参数；
将所述初级估计数据和所述中级估计数据进行数据合并分析操作，以输出所述聚焦行为特征向量对应的所述在后估计数据片段，例如，可以将所述初级估计数据和所述中级估计数据进行均值或加权均值计算，以形成对应的目标估计数据，所述目标估计数据可以包括第四数量个待定估计数据片段和所述第四数量个待定估计数据片段中的每一个待定估计数据片段对应的目标数据片段可能性参数，然后，可以将对应的目标数据片段可能性参数最大的待定估计数据片段，作为对应的所述在后估计数据片段。
其中，应当理解的是，在一些可行的实施方式中，所述将所述当前聚焦中间特征向量和所述初级中间特征向量进行向量聚合操作，以形成对应的聚合中间特征向量的步骤，可以进一步包括以下描述的具体实施内容：
通过向量线性处理单元（如前所述的MLP），将所述当前聚焦中间特征向量进行线性处理，以形成预设频道的当前线性中间特征向量；
通过向量线性整合单元（如前所述的MLP），将所述初级中间特征向量进行线性整合，以形成所述预设频道的初级线性中间特征向量；
将所述当前线性中间特征向量和所述初级线性中间特征向量进行相加运算，以形成对应的聚合中间特征向量。
应当理解的是，在一些可行的实施方式中，所述基于人工智能的传感器运行行为挖掘方法，还可以进一步包括以下描述的具体实施内容：
提取到典型运行行为信息，并确定出所述典型运行行为信息对应的典型运行行为概况数据，所述典型运行行为概况数据包括典型在前数据片段和典型在后数据片段（如包括第一个典型数据片段、第二个典型数据片段、第三个典型数据片段等，其中，对于第一个典型数据片段和第二个典型数据片段，第一个典型数据片段作为典型在前数据片段，第二个典型数据片段作为典型在后数据片段；对于第二个典型数据片段和第三个典型数据片段，第二个典型数据片段作为典型在前数据片段，第三个典型数据片段作为典型在后数据片段）；
通过候选数据片段估计网络，估计出所述典型运行行为信息的典型在前估计数据片段，以及，挖掘出所述典型在前估计数据片段对应的典型的数据片段聚合特征向量，如前相关描述；
通过所述候选数据片段估计网络包括的候选聚焦特征分析模型，依据所述典型的数据片段聚合特征向量，确定出用于估计所述典型在前估计数据片段对应的典型在后估计数据片段的典型聚焦中间特征向量，以及，对所述典型聚焦中间特征向量进行加载处理，以加载到第一数量个候选的待定数据单元分析模型中，以通过所述第一数量个候选的待定数据单元分析模型，分别依据所述典型聚焦中间特征向量，确定出所述典型运行行为信息中的典型待挖掘数据单元，如前相关描述；
在所述典型运行行为信息中，挖掘出基于所述第一数量个候选的待定数据单元分析模型各自确定出的典型待挖掘数据单元对应的典型的待挖掘数据特征向量，并融合形成第一数量个典型的待挖掘数据特征向量对应的典型融合数据特征向量，如前相关描述；
挖掘出所述典型运行行为信息对应的典型整体行为特征向量，以及，在所述典型融合数据特征向量中融合所述典型整体行为特征向量，以形成典型聚焦行为特征向量，并估计出所述典型聚焦行为特征向量对应的典型在前估计数据片段的第一输出，即基于所述典型聚焦行为特征向量进行估计分析操作，以得到对应的第一输出数据，即得到典型在后数据片段对应的估计数据，可以参照前文中的所述初级估计数据的相关描述；
挖掘出所述典型聚焦行为特征向量的典型中间特征向量，基于所述典型聚焦中间特征向量和所述典型中间特征向量，估计出所述典型运行行为信息对应的典型在前估计数据片段的第二输出，即基于所述典型聚焦中间特征向量和所述典型中间特征向量进行估计分析操作，以得到对应的第二输出数据，可以参照前文中的所述中级估计数据的相关描述；
基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络，所述优化数据片段估计网络可以用于执行前述的步骤S110-步骤S160。
应当理解的是，在一些可行的实施方式中，所述基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络的步骤，可以进一步包括以下描述的具体实施内容：
基于所述典型在前估计数据片段的第一输出和所述典型在后数据片段之间的区别信息，确定出学习代价第一指标，即第一种估计数据和实际数据的区别，进行误差计算，具体的函数不受限制；
基于所述典型在前估计数据片段的第二输出和所述典型在后数据片段之间的区别信息，确定出学习代价第二指标，即第二估计数据和实际数据的区别，进行误差计算，具体的函数不受限制；
基于所述典型在前估计数据片段的第一输出和所述典型在前估计数据片段的第二输出之间的区别信息，确定出学习代价第三指标，即第一种估计数据和第二种估计数据的区别，进行误差计算，具体的函数不受限制；
基于所述学习代价第一指标和所述学习代价第二指标，将所述候选数据片段估计网络进行网络优化操作，以及，基于所述学习代价第三指标，将所述候选数据片段估计网络中的候选聚焦特征分析模型进行网络优化操作,即进行网络参数的优化调整，以形成对应的优化数据片段估计网络。
结合图3，本发明实施例还提供一种基于人工智能的传感器运行行为挖掘装置，可应用于上述基于人工智能的传感器运行行为挖掘系统。其中，所述基于人工智能的传感器运行行为挖掘装置可以包括：
特征向量第一确定模块，用于确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量，所述待分析运行行为信息用于描述待分析传感器的运行；
特征向量第二确定模块，用于依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量；
数据单元确定模块，用于对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元，所述第一数量大于1；
特征向量融合模块，用于在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量；
数据片段估计模块，用于挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段；
行为概况数据确定模块，用于基于所述在前估计数据片段和所述在后估计数据片段，组合形成所述待分析运行行为信息对应的运行行为概况数据，所述运行行为概况数据用于对待分析运行行为信息进行概括性的说明。
综上所述，本发明提供的基于人工智能的传感器运行行为挖掘方法及系统，可以先确定出在前估计数据片段的数据片段聚合特征向量；依据数据片段聚合特征向量，确定出当前聚焦中间特征向量；依据当前聚焦中间特征向量，确定出待挖掘数据单元；挖掘出待挖掘数据单元对应的待挖掘数据特征向量，并融合形成融合数据特征向量；挖掘出待分析运行行为信息对应的整体行为特征向量，以及，在融合数据特征向量中融合整体行为特征向量，以形成聚焦行为特征向量，并估计出在后估计数据片段；基于在前估计数据片段和在后估计数据片段，组合形成待对应的运行行为概况数据。基于前述的内容，即采用第一数量个待定数据单元分析模型，从待分析运行行为信息中确定到多个具有相关语义内容的待挖掘数据单元，然后，通过融合处理，可以形成相对更完整的特征向量，使得可以更为可靠地估计出对应的在后估计数据片段，因此，可以提高行为挖掘的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于人工智能的传感器运行行为估计网络优化方法，其特征在于，包括：
提取到典型运行行为信息，并确定出所述典型运行行为信息对应的典型运行行为概况数据，所述典型运行行为概况数据包括典型在前数据片段和典型在后数据片段；
通过候选数据片段估计网络，估计出所述典型运行行为信息的典型在前估计数据片段，以及，挖掘出所述典型在前估计数据片段对应的典型的数据片段聚合特征向量；
通过所述候选数据片段估计网络包括的候选聚焦特征分析模型，依据所述典型的数据片段聚合特征向量，确定出用于估计所述典型在前估计数据片段对应的典型在后估计数据片段的典型聚焦中间特征向量，以及，对所述典型聚焦中间特征向量进行加载处理，以加载到第一数量个候选的待定数据单元分析模型中，以通过所述第一数量个候选的待定数据单元分析模型，分别依据所述典型聚焦中间特征向量，确定出所述典型运行行为信息中的典型待挖掘数据单元；
在所述典型运行行为信息中，挖掘出基于所述第一数量个候选的待定数据单元分析模型各自确定出的典型待挖掘数据单元对应的典型的待挖掘数据特征向量，并融合形成第一数量个典型的待挖掘数据特征向量对应的典型融合数据特征向量；
挖掘出所述典型运行行为信息对应的典型整体行为特征向量，以及，在所述典型融合数据特征向量中融合所述典型整体行为特征向量，以形成典型聚焦行为特征向量，并估计出所述典型聚焦行为特征向量对应的典型在前估计数据片段的第一输出；
挖掘出所述典型聚焦行为特征向量的典型中间特征向量，基于所述典型聚焦中间特征向量和所述典型中间特征向量，估计出所述典型运行行为信息对应的典型在前估计数据片段的第二输出；
基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络。
2.如权利要求1所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述基于所述典型在前估计数据片段的第一输出、所述典型在前估计数据片段的第二输出和所述典型在后数据片段，将所述候选数据片段估计网络进行网络优化操作，以形成对应的优化数据片段估计网络的步骤，包括：
基于所述典型在前估计数据片段的第一输出和所述典型在后数据片段之间的区别信息，确定出学习代价第一指标；
基于所述典型在前估计数据片段的第二输出和所述典型在后数据片段之间的区别信息，确定出学习代价第二指标；
基于所述典型在前估计数据片段的第一输出和所述典型在前估计数据片段的第二输出之间的区别信息，确定出学习代价第三指标；
基于所述学习代价第一指标和所述学习代价第二指标，将所述候选数据片段估计网络进行网络优化操作，以及，基于所述学习代价第三指标，将所述候选数据片段估计网络中的候选聚焦特征分析模型进行网络优化操作，以形成对应的优化数据片段估计网络。
3.如权利要求1或2所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述方法还包括：
确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量，所述待分析运行行为信息用于描述待分析传感器的运行行为或运行过程，所述在前估计数据片段属于在前一个流程已经估计出的数据片段；
依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量；
对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元，所述第一数量大于1；
在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量；
挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段；
基于所述在前估计数据片段和所述在后估计数据片段，组合形成所述待分析运行行为信息对应的运行行为概况数据，所述运行行为概况数据用于对所述待分析运行行为信息进行概括性的说明。
4.如权利要求3所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中，以在所述第一数量个待定数据单元分析模型中，分别依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的待挖掘数据单元的步骤，包括：
对所述当前聚焦中间特征向量进行加载处理，以加载到第一数量个待定数据单元分析模型中；
在所述第一数量个待定数据单元分析模型中的第a个待定数据单元分析模型中，依据所述当前聚焦中间特征向量，确定出所述待分析运行行为信息中的第二数量个待确认数据单元，并挖掘出每一个待确认数据单元对应的待确认数据特征向量，所述a小于或等于所述第一数量，所述第二数量个待确认数据单元为在第三数量个待确认数据单元中，第b个待定数据单元分析模型确定出的待挖掘数据单元以外的待确认数据单元，所述b与1的和值等于所述a，所述第三数量与所述a之间的差值等于所述第二数量与1之间的差值；
将所述第二数量个待确认数据特征向量进行向量映射操作，以输出所述第二数量个待确认数据单元各自对应的可能性表征参数；
依据所述第二数量个待确认数据单元各自对应的可能性表征参数，在所述第二数量个待确认数据单元中，分析出待挖掘数据单元，所述第一数量个待定数据单元分析模型各自对应的待挖掘数据单元两两不一样。
5.如权利要求3所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述依据所述数据片段聚合特征向量，确定出用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量的步骤，包括：
确定出用于估计所述在前估计数据片段的在前聚焦中间特征向量；
利用聚焦特征分析模型，将所述在前聚焦中间特征向量和所述数据片段聚合特征向量进行关联的聚焦特征分析操作，以形成用于估计所述在前估计数据片段对应的在后估计数据片段的当前聚焦中间特征向量。
6.如权利要求3所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量，并融合形成第一数量个待挖掘数据特征向量对应的融合数据特征向量的步骤，包括：
在所述待分析运行行为信息中，挖掘出基于所述第一数量个待定数据单元分析模型各自确定出的待挖掘数据单元对应的待挖掘数据特征向量；
分别将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行向量关联分析操作，以形成对应的第一数量个关联性表征参数；
将所述第一数量个关联性表征参数进行参数映射操作，以形成所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数；
依据所述第一数量个待挖掘数据特征向量各自对应的映射关联性表征参数，将所述第一数量个待挖掘数据特征向量进行对应权重的叠加操作，以形成对应的融合数据特征向量。
7.如权利要求6所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述分别将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行向量关联分析操作，以形成对应的第一数量个关联性表征参数的步骤，包括：
将第一数量个待挖掘数据特征向量和所述当前聚焦中间特征向量进行处理，以形成具有一致频道的向量，将处理后的第一数量个待挖掘数据特征向量分别与处理后的当前聚焦中间特征向量进行向量叠加操作，形成第一数量个关联性表征参数；或者，
获取所述待挖掘数据单元对应的第一配置加权系数，并获取所述当前聚焦中间特征向量对应的第二配置加权系数；
依据所述第一配置加权系数，将所述第一数量个待挖掘数据特征向量分别进行加权计算，以形成第一数量个加权后的待挖掘数据特征向量，并依据所述第二配置加权系数，将所述当前聚焦中间特征向量进行加权计算，以形成对应的目标加权参数，在每一个加权后的待挖掘数据特征向量中增加所述目标加权参数，以形成第一数量个关联性表征参数。
8.如权利要求3所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量，并估计出所述聚焦行为特征向量对应的所述在后估计数据片段的步骤，包括：
挖掘出所述待分析运行行为信息对应的整体行为特征向量，以及，在所述融合数据特征向量中融合所述整体行为特征向量，以形成聚焦行为特征向量；
通过数据片段估计模型，确定出所述在前估计数据片段对应的在前中间特征向量，以及，将所述在前中间特征向量和所述聚焦行为特征向量进行向量聚合分析操作，以估计出第四数量个待定估计数据片段和每一个所述待定估计数据片段对应的数据片段可能性参数；
在所述第四数量个待定估计数据片段中，将对应的数据片段可能性参数最大的一个待定估计数据片段进行标记，以标记为在后估计数据片段。
9.如权利要求3所述的基于人工智能的传感器运行行为估计网络优化方法，其特征在于，所述确定出待分析运行行为信息已经估计出的在前估计数据片段的数据片段聚合特征向量的步骤，包括：
确定出所述待分析运行行为信息对应的第三数量个待确认数据单元；以及，在所述待分析运行行为信息中，挖掘出每一个所述待确认数据单元对应的数据单元挖掘特征向量；以及，将所述第三数量个待确认数据单元对应的第三数量个数据单元挖掘特征向量进行向量聚合操作，以形成所述待分析运行行为信息对应的数据单元整体特征向量；
所述基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量的步骤，包括：
将所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量；或，确定出所述在前估计数据片段的在前中间特征向量，以及，将所述在前中间特征向量、所述数据单元整体特征向量和所述数据片段挖掘特征向量进行级联组合操作，以形成所述在前估计数据片段的数据片段聚合特征向量；
将所述待分析运行行为信息已经估计出的在前估计数据片段进行关键信息挖掘操作，形成所述在前估计数据片段对应的数据片段挖掘特征向量；
基于所述数据单元整体特征向量和所述数据片段挖掘特征向量，确定出所述在前估计数据片段的数据片段聚合特征向量。
10.一种基于人工智能的传感器运行行为挖掘系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的方法。
CN202311141865.5A 2023-06-16 2023-06-16 基于人工智能的传感器运行行为估计网络优化方法及系统 Withdrawn CN116955459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311141865.5A CN116955459A (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为估计网络优化方法及系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202310719547.6A CN116521761B (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为挖掘方法及系统
CN202311141865.5A CN116955459A (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为估计网络优化方法及系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202310719547.6A Division CN116521761B (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为挖掘方法及系统

Publications (1)

Publication Number Publication Date
CN116955459A true CN116955459A (zh) 2023-10-27

Family

ID=87401377

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310719547.6A Active CN116521761B (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为挖掘方法及系统
CN202311141865.5A Withdrawn CN116955459A (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为估计网络优化方法及系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310719547.6A Active CN116521761B (zh) 2023-06-16 2023-06-16 基于人工智能的传感器运行行为挖掘方法及系统

Country Status (1)

Country Link
CN (2) CN116521761B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10892055B2 (en) * 2016-08-24 2021-01-12 Panasonic Intellectual Property Management Co., Ltd. Motor function estimation information generation apparatus, motor function estimation system, motor function estimation information generation method, motor function estimation method and storage medium
CN107977379B (zh) * 2016-10-25 2022-06-28 百度国际科技（深圳）有限公司 用于挖掘信息的方法和装置
CN107992746B (zh) * 2017-12-14 2021-06-25 华中师范大学 恶意行为挖掘方法及装置
CN111460130B (zh) * 2020-03-27 2023-07-25 咪咕数字传媒有限公司 信息推荐方法、装置、设备和可读存储介质
CN111708785B (zh) * 2020-06-27 2021-01-05 深圳市创世易明科技有限公司 大数据挖掘处理方法、装置及云平台
CN113535815B (zh) * 2021-07-08 2022-12-09 深圳市万恒科技有限公司 适于电子商务的业务操作行为大数据挖掘方法及系统
CN114757721B (zh) * 2022-05-25 2022-12-30 广州小飞信息科技有限公司 用于联合大数据挖掘的业务预测分析方法及ai挖掘系统

Also Published As

Publication number Publication date
CN116521761A (zh) 2023-08-01
CN116521761B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116126945B (zh) 基于数据分析的传感器运行状态分析方法和系统
CN112016318A (zh) 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN116304341A (zh) 基于用户网络大数据的欺诈判别方法及系统
CN116310914B (zh) 基于人工智能的无人机监控方法及系统
CN113963205A (zh) 基于特征融合的分类模型训练方法、装置、设备及介质
CN111666393A (zh) 智能问答系统的验证方法、装置、计算机设备及存储介质
CN116821661A (zh) 时序数据监测方法、装置、电子设备及非易失性存储介质
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN115062779A (zh) 基于动态知识图谱的事件预测方法及装置
CN116501972B (zh) 基于大数据在线服务的内容推送方法及ai智能推送系统
CN115757900B (zh) 应用人工智能模型的用户需求分析方法及系统
CN116521761B (zh) 基于人工智能的传感器运行行为挖掘方法及系统
CN116048944A (zh) 用于大数据平台的负载趋势预测方法及系统
CN116628138A (zh) 应用于深度学习的物流订单文本挖掘方法及系统
CN111079175A (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN116361567A (zh) 应用于云办公的数据处理方法及系统
WO2023093017A1 (zh) 一种Web服务设备的识别方法及装置
CN113239272B (zh) 一种网络管控系统的意图预测方法和意图预测装置
CN113240098B (zh) 基于混合门控神经网络的故障预测方法、装置和存储介质
CN113822135A (zh) 基于人工智能的视频处理方法、装置、设备及存储介质
CN113792163B (zh) 多媒体推荐方法、装置、电子设备及存储介质
CN111309572B (zh) 测试分析方法、装置、计算机设备及存储介质
CN117292304B (zh) 一种多媒体数据传输控制方法及系统
US20240303436A1 (en) Text-based relation extraction method and device
CN116383883B (zh) 一种基于大数据的数据管理权限处理方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231027