TWI730288B - 深度學習方法、系統、伺服器及可讀存儲介質 - Google Patents
深度學習方法、系統、伺服器及可讀存儲介質 Download PDFInfo
- Publication number
- TWI730288B TWI730288B TW108103960A TW108103960A TWI730288B TW I730288 B TWI730288 B TW I730288B TW 108103960 A TW108103960 A TW 108103960A TW 108103960 A TW108103960 A TW 108103960A TW I730288 B TWI730288 B TW I730288B
- Authority
- TW
- Taiwan
- Prior art keywords
- factor
- data
- current environment
- module
- weight
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種深度學習方法,包括對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型;即時獲取當前環境的因子資訊;將當前環境的因子資訊輸入因子權重與因子評分的評估模型,並計算多個因子的動態權重資料與評分資料;將多個因子的動態權重資料與評分資料輸入風險評估模型,確定風險評估結果;判斷環境是否滿足預設的第一環境重要特徵條件;當環境滿足預設的第一環境重要特徵條件時,對多個因子的權重資料及評分資料進行取樣;及所述多個因子的權重及評分的樣本資料進行訓練,分別對因子權重與評分的評估模型進行調整更新。
Description
本發明涉及人工智慧技術領域,尤其涉及一種深度學習方法、系統、伺服器及可讀存儲介質。
隨著科學技術的快速發展,AI人工智慧技術已廣泛地應用於各個領域。機器學習是AI人工智慧技術中較為常用的技術,其藉由採集一領域大量行業知識的大資料進行建模,並以電腦類比人腦學習的方式(如深度學習)從大量資料中找到一定的規律,即可快速獲得一個可能要花費數十年時間積累行業經驗的人類專家的決策建議。而且在對海量資料進行處理的過程中,可能會發現領域內尚不明確或不為人知的規律,進而擴充相關領域知識與計算的適宜/合理性。然而,目前常用的深度學習評估模型(如風險評估)模型仍然需要領域專家提供量化評估,並且無法配合環境變化進行自動調整,如此導致降低評估結果的準確性。
鑒於以上內容,有必要提出一種深度學習方法、系統、伺服器及可讀存儲介質以配合環境變化進行自我調整調整。
本申請的第一方面提供一種深度學習方法,包括:
對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型;即時獲取當前環境的因子資訊;將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料;將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果;判斷當前環境是否滿足預設的第一環境重要特徵條件;當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣;及對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整。
本申請的第二方面提供一種深度學習系統,所述系統包括:建立模組,用於對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型;獲取模組,用於即時獲取當前環境的因子資訊;計算模組,用於將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料;確定模組,用於將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果;判斷模組,用於判斷當前環境是否滿足預設的第一環境重要特徵條件;
取樣模組,用於當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣;及調整模組,用於對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整。
本申請的第三方面提供一種伺服器,所述伺服器包括處理器,所述處理器用於執行記憶體中存儲的電腦程式時實現如前所述的深度學習方法。
本申請的第四方面提供一種電腦可讀存儲介質,其上存儲有電腦程式,所述電腦程式被處理器執行時實現如前所述的深度學習方法。
本發明藉由偵測到的環境參數對評估模型進行調整及修正,使得評估模型可以根據環境變化進行自動調整,有效提高了評估結果的準確性。
1:伺服器
10:處理器
100:深度學習系統
101:確定模組
102:建立模組
103:獲取模組
104:計算模組
105:判斷模組
106:取樣模組
107:調整模組
108:導入模組
20:記憶體
30:電腦程式
2:資料庫
3:採集終端
4:終端設備
S10~S100:深度學習方法
圖1是本發明實施例一提供的深度學習方法的應用環境架構示意圖。
圖2是本發明實施例二提供的深度學習方法的流程圖。
圖3是本發明實施例二中深度學習方法的神經網路示意圖。
圖4是本發明實施例三提供的深度學習系統的結構示意圖。
圖5是本發明實施例四提供的伺服器示意圖。
為了能夠更清楚地理解本發明的上述目的、特徵和優點,下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是,在不衝突的情況下,本申請的實施例及實施例中的特徵可以相互組合。
在下面的描述中闡述了很多具體細節以便於充分理解本發明,所描述的實施例僅僅是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本發明保護的範圍。
除非另有定義,本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的,不是旨在於限制本發明。
實施例一
參閱圖1所示,為本發明實施例一提供的深度學習方法的應用環境架構示意圖。
本發明中的深度學習方法應用在伺服器1中,所述伺服器1與至少一資料庫2、採集終端3及終端設備4藉由網路建立通信連接。所述網路可以是有線網路,也可以是無線網路,例如無線電、無線保真(Wireless Fidelity,WIFI)、蜂窩、衛星、廣播等。
所述伺服器1可以是單一的伺服器、伺服器集群或雲端伺服器等,安裝有深度學習軟體。所述資料庫2用於給所述伺服器1提供資料存取服務。所述採集終端3為配置有感測裝置的電子設備,用於根據深度學習的專案進行現場環境資訊的採集。所述終端設備4為智慧電子設備,包括但不限於智慧手機、平板電腦、膝上型便捷電腦、臺式電腦等。
實施例二
請參閱圖2所示,是本發明第二實施例提供的深度學習方法的流程圖。根據不同的需求,所述流程圖中步驟的順序可以改變,某些步驟可以省略。
步驟S10,採用層次分析法確定所述多個因子、每個因子的權重資料及每個因子的評分資料。
需要說明的是,為便於描述,本說明書以某區域消防設施隱患風險專案為例進行說明。
在本實施方式中,根據層次分析法,影響所述區域消防設施隱患風險的因素可以劃分為消防系統設備妥善狀況、消防搶救器材妥善狀況及逃生輔助器材妥善狀況,影響所述消防系統設備妥善狀況的因子包括定址感煙火災探測器妥善率、手動報警按鈕妥善率、噴淋信號閥妥善率、噴淋壓力開關妥善率等。
進一步地,所述步驟S10根據專家經驗對影響所述消防系統設備妥善狀況的因子進行兩兩比較,生成比較矩陣,判定因子間的相對重要性,然後用歸一法確定每個因子的權重。所述步驟S10根據多層次模糊綜合評價與專家經驗對每個因子進行評分。
步驟S20,對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型。
在所述步驟S20中,首先確定當前的因子資訊,將因子資訊、權重資料及評分資料轉換為0到1之間的分量,然後將資料轉換後的因子資訊、每個因子的權重資料及評分資料輸入一類神經網路進行訓練。
請參考圖3,在本實施方式中,所述因子資訊為每個因子的故障數,作為所述類神經網路的輸入層,權重資料與評分資料作為所述類神經網路的目標輸出層。所述因子的權重資料與評分資料分別在一類神經網路中進行訓練,對輸入的資料樣本進行測試驗證,直至實際輸出值與目標輸出值在允許的誤差範圍內,如此建立初始的因子權重與因子評分的評估模型。
式中,bi為偏權值,wji為權重值,ii為輸入的故障數。
其次,基於所述類神經網路作向後傳遞運算,計算目標輸出值與實際輸出值之間的差值。其中,計算公式(3)為:δ i =O j (1-O j )(T i -O j )。
式中,δ i為目標輸出值與實際輸出值之間的差值,Ti為目標輸出量。
進一步地,根據上述差值計算偏權值與權重變數。其中,偏權值變數的計算公式(4)為:△b i =ηδ i 。
式中,△bi為偏權值變數,η為機器學習速率,用於控制權重修正幅度。
權重變數的計算公式(5)為:△w ji =x j ηδ i 。
最後,根據上述偏權值變數及權重變數修正下一輪偏權值及權重值。其中,修正下一輪偏權值的計算公式(6)為:b i+1=b i +△b i 。
修正下一輪權重值的計算公式(7)為:w ji+1=w ji +△w ji 。
進一步地,所述步驟S20還包括將建立的因子權重評估模型與評分評估模型存儲至所述資料庫2中。
步驟S30,即時獲取當前環境的因子資訊。
在本實施方式中,所述伺服器1發送一控制指令至所述終端設備4,所述終端設備4可以回應所述控制指令偵測並獲取當前環境下每個因子的資訊,即消防設備的資訊。優選地,所述消防設備的資訊為各個設備的即時故障數。所述終端設備4還將獲取到的當前環境下每個因子的資訊回傳至所述伺服器1。
步驟S40,將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
具體的,先將所述消防設備的即時故障數轉換為0到1之間的分量,然後將轉換後的即時故障數分別輸入因子權重的評估模型及因子評分的評估模型,藉由上述計算公式(1)與計算公式(2)分別計算出對應的權重資料與評分資料。
步驟S50,將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果。
式中,Di(max)為安全等級的最大安全值,Di(min)為安全等級的最小安全值。
步驟S60,判斷當前環境是否滿足預設的第一環境重要特徵條件。
在本實施方式中,所述第一環境重要特徵條件為預設的所有因子總評分值範圍的下限值,所述步驟S60具體為判斷當前環境下所有因子的總評分是否小於所述預設的所有因子總評分值範圍的下限值。當判斷結果為是時,說明當前環境滿足預設的第一環境重要特徵條件,所述流程進入步驟S70。當判斷結果為否時,說明當前環境不滿足預設的第一環境重要特徵條件,所述流程返回步驟S30繼續獲取當前環境的因子資訊,將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
步驟S70,當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣。
可以理解的是,在所述步驟S70中,當當前環境下所有因子的總評分滿足預設的第一環境重要特徵條件時,繼續對所述多個因子的權重資料及評分資料進行取樣。
步驟S80,對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整更新。
步驟S90,判斷當前環境是否滿足預設的第二環境重要特徵條件。
在本實施方式中,所述第二環境重要特徵條件為預設的所有因子總評分值範圍的上限值。所述步驟S90具體為在因子權重與評分的評估模型調整更新後,判斷當前環境下所有因子的總評分是否大於或等於所述預設權重值或評分值安全範圍的上限值。
當判斷結果為是時,說明當前環境滿足預設的第二環境重要特徵條件。當判斷結果為否時,說明當前環境不滿足預設的第二環境重要特徵條件,所述流程返回步驟S30繼續獲取當前環境的因子資訊,將獲取到的當前環境的因
子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
步驟S100,當當前環境滿足預設的第二環境重要特徵條件時,導入更新後的因子權重與評分的評估模型。
進一步地,導入更新後的因子權重與評分的評估模型之後,所述流程返回步驟S40,在所述步驟S40中,將獲取到的當前環境的因子資訊輸入所述更新後的因子權重與評分的評估模型,以計算當前環境下多個因子的動態權重資料與評分資料。
進一步地,所述伺服器1可以將藉由以上步驟確定的專案評估模型計算出的評估結果發送至用戶的終端設備4,所述使用者可以根據專案評估結果藉由所述終端設備4發送回饋資訊至所述伺服器1,所述伺服器1則進一步根據使用者的回饋資訊確定維持當前的評估模型或對當前的評估模型進行修正。
應所述瞭解,所述實施例僅為說明之用,在專利申請範圍上並不受此結構的限制。
實施例三
圖4為本發明深度學習系統較佳實施例的結構圖。
在一些實施例中,深度學習系統100運行於伺服器1中。所述伺服器藉由網路連接了資料庫2、採集終端3及終端設備4。所述深度學習系統100可以包括多個由程式碼段所組成的功能模組。所述深度學習系統100中的各個程式段的程式碼可以存儲於伺服器的記憶體中,並由所述至少一個處理器所執行,以實現深度學習功能。
本實施例中,所述深度學習系統100根據其所執行的功能,可以被劃分為多個功能模組。參閱圖4所示,所述功能模組可以包括:確定模組101、建立模組102、獲取模組103、計算模組104、判斷模組105、取樣模組106、調整
模組107及導入模組108。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段,其存儲在記憶體中。在本實施例中,關於各模組的功能將在後續的實施例中詳述。
所述確定模組101用於採用層次分析法確定所述多個因子、每個因子的權重資料及每個因子的評分資料。
需要說明的是,為便於描述,本說明書以區域消防設施隱患風險專案為例進行說明。
在本實施方式中,根據層次分析法,影響所述區域消防設施隱患風險的因素可以劃分為消防系統設備妥善狀況、消防搶救器材妥善狀況及逃生輔助器材妥善狀況,影響所述消防系統設備妥善狀況的因子包括定址感煙火災探測器妥善率、手動報警按鈕妥善率、噴淋信號閥妥善率、噴淋壓力開關妥善率等。
進一步地,所述確定模組101根據專家經驗對影響所述消防系統設備妥善狀況的因子進行兩兩比較,生成比較矩陣,判定因子間的相對重要性,然後用歸一法確定每個因子的權重。根據多層次模糊綜合評價與專家經驗對每個因子進行評分。
所述建立模組102用於對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型。
所述建立模組102首先確定當前的因子資訊,將因子資訊、權重資料及評分資料轉換為0到1之間的分量,然後將資料轉換後的因子資訊、每個因子的權重資料及評分資料輸入一類神經網路進行訓練。
請參考圖3,在本實施方式中,所述因子資訊為每個因子的故障數,作為所述類神經網路的輸入層,權重資料與評分資料作為所述類神經網路的目標輸出層。所述因子的權重資料與評分資料分別在一類神經網路中進行訓練,
對輸入的資料樣本進行測試驗證,直至實際輸出值與目標輸出值在允許的誤差範圍內,如此建立初始的因子權重與因子評分的評估模型。
式中,bi為偏權值,wji為權重值,ii為輸入的故障數。
其次,基於所述類神經網路作向後傳遞運算,計算目標輸出值與實際輸出值之間的差值。其中,計算公式(3)為:δ i =O j (1-O j )(T i -O j )。
式中,δ i為目標輸出值與實際輸出值之間的差值,Ti為目標輸出量。
進一步地,根據上述差值計算偏權值與權重變數。其中,偏權值變數的計算公式(4)為:△b i =ηδ i 。
式中,△bi為偏權值變數,η為機器學習速率,用於控制權重修正幅度。
權重變數的計算公式(5)為:△w ji =x j ηδ i 。
最後,根據上述偏權值變數及權重變數修正下一輪偏權值及權重值。其中,修正下一輪偏權值的計算公式(6)為:
b i+1=b i +△b i 。
修正下一輪權重值的計算公式(7)為:w ji+1=w ji +△w ji 。
所述獲取模組103用於即時獲取當前環境的因子資訊。
在本實施方式中,所述獲取模組103發送一控制指令至所述採集終端3,所述採集終端3可以回應所述控制指令偵測並獲取當前環境下每個因子的資訊,即消防設備的資訊。優選地,所述消防設備的資訊為各個設備的即時故障數。所述終端設備4還將獲取到的當前環境下每個因子的資訊回傳至所述獲取模組103。
所述計算模組104用於將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
具體的,所述計算模組104先將所述消防設備的即時故障數轉換為0到1之間的分量,然後將轉換後的即時故障數分別輸入因子權重的評估模型及因子評分的評估模型,藉由上述計算公式(1)與計算公式(2)分別計算出對應的權重資料與評分資料。
所述確定模組101還將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果。
式中,Di(max)為安全等級的最大安全值,Di(min)為安全等級的最小安全值。
所述判斷模組105用於判斷當前環境是否滿足預設的第一環境重要特徵條件。
在本實施方式中,所述第一環境重要特徵條件為預設的所有因子總評分值範圍的下限值,所述判斷模組105判斷當前環境下所有因子的總評分是否小於所述預設的所有因子總評分值範圍的下限值。當判斷結果為是時,說明當前環境滿足預設的第一環境重要特徵條件。當判斷結果為否時,說明當前環境不滿足預設的第一環境重要特徵條件,所述獲取模組103繼續獲取當前環境的因子資訊,所述計算模組104將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
所述取樣模組106用於當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣。
可以理解的是,所述取樣模組106當當前環境下所有因子的總評分滿足預設的第一環境重要特徵條件時,繼續對所述多個因子的權重資料及評分資料進行取樣。
所述調整模組107對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整更新。
所述判斷模組105還用於判斷當前環境是否滿足預設的第二環境重要特徵條件。
在本實施方式中,所述第二環境重要特徵條件為預設的所有因子總評分值範圍的上限值。所述判斷模組105在因子權重與評分的評估模型調整更
新後,判斷當前環境下所有因子的總評分是否大於或等於所述預設權重值或評分值安全範圍的上限值。
當判斷結果為是時,說明當前環境滿足預設的第二環境重要特徵條件。當判斷結果為否時,說明當前環境不滿足預設的第二環境重要特徵條件,繼續獲取當前環境的因子資訊,將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
所述導入模組108用於當當前環境滿足預設的第二環境重要特徵條件時,導入更新後的因子權重與評分的評估模型至所述計算模組104。所述計算模組104將獲取到的當前環境的因子資訊輸入所述更新後的因子權重與評分的評估模型,以計算當前環境下多個因子的動態權重資料與評分資料。
實施例四
圖5為本發明伺服器較佳實施例的示意圖。
所述伺服器1包括處理器10、記憶體20以及存儲在所述記憶體20中並可在所述處理器10上運行的電腦程式30,例如深度學習程式。所述處理器10執行所述電腦程式30時實現上述深度學習方法實施例中的步驟,例如圖2所示的步驟S10~S100。或者,所述處理器10執行所述電腦程式30時實現上述深度學習系統實施例中各模組/單元的功能,例如圖4中的模組101-108。
示例性的,所述電腦程式30可以被分割成一個或多個模組/單元,所述一個或者多個模組/單元被存儲在所述記憶體20中,並由所述處理器10執行,以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能的一系列電腦程式指令段,所述指令段用於描述所述電腦程式30在所述伺服器1中的執行過程。例如,所述電腦程式30可以被分割成圖4中的確定模組101、建立模組
102、獲取模組103、計算模組104、判斷模組105、取樣模組106、調整模組107及導入模組108。各模組具體功能參見實施例三。
所述伺服器1伺服器集群或及雲端伺服器。本領域技術人員可以理解,所述示意圖僅僅是伺服器1的示例,並不構成對伺服器1的限定,可以包括比圖示更多或更少的部件,或者組合某些部件,或者不同的部件,例如所述伺服器1還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器10可以是中央處理單元(Central Processing Unit,CPU),還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array,FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者所述處理器10也可以是任何常規的處理器等,所述處理器10是所述伺服器1的控制中心,利用各種介面和線路連接整個伺服器1的各個部分。
所述記憶體20可用於存儲所述電腦程式30和/或模組/單元,所述處理器10藉由運行或執行存儲在所述記憶體20內的電腦程式和/或模組/單元,以及調用存儲在記憶體20內的資料,實現所述伺服器1的各種功能。所述記憶體20可主要包括存儲程式區和存儲資料區,其中,存儲程式區可存儲作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等;存儲資料區可存儲根據伺服器1的使用所創建的資料(比如音訊資料、電話本等)等。此外,記憶體20可以包括高速隨機存取記憶體,還可以包括非易失性記憶體,例如硬碟、記憶體、插接式硬碟,智慧存儲卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述伺服器1集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時,可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解,本發明實現上述實施例方法中的全部或部分流程,也可以藉由電腦程式來指令相關的硬體來完成,所述的電腦程式可存儲於一電腦可讀存儲介質中,所述電腦程式在被處理器執行時,可實現上述各個方法實施例的步驟。其中,所述電腦程式包括電腦程式代碼,所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括:能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、U盤、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM,Read-Only Memory)、隨機存取記憶體(RAM,Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。需要說明的是,所述電腦可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減,例如在某些司法管轄區,根據立法和專利實踐,電腦可讀介質不包括電載波信號和電信信號。
在本發明所提供的幾個實施例中,應所述理解到,所揭露的伺服器和方法,可以藉由其它的方式實現。例如,以上所描述的伺服器實施例僅僅是示意性的,例如,所述單元的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。
另外,在本發明各個實施例中的各功能單元可以集成在相同處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在相同單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言,顯然本發明不限於上述示範性實施例的細節,而且在不背離本發明的精神或基本特徵的情況下,能夠以其他的具體形式實現本發明。因此,無論從哪一點來看,均應將實施例看作是示範性的,
而且是非限制性的,本發明的範圍由所附申請專利範圍而不是上述說明限定,因此旨在將落在申請專利範圍的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將申請專利範圍中的任何附圖標記視為限制所涉及的申請專利範圍。此外,顯然“包括”一詞不排除其他單元或步驟,單數不排除複數。伺服器申請專利範圍中陳述的多個單元或伺服器也可以由同一個單元或伺服器藉由軟體或者硬體來實現。第一,第二等詞語用來表示名稱,而並不表示任何特定的順序。
綜上所述,本發明符合發明專利要件,爰依法提出專利申請。惟,以上所述者僅為本發明之較佳實施方式,舉凡熟悉本案技藝之人士,於爰依本發明精神所作之等效修飾或變化,皆應涵蓋於以下之申請專利範圍內。
S10~S100:深度學習方法
Claims (9)
- 一種深度學習方法,應用於伺服器中,其中,所述方法包括:建立模組對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型;獲取模組即時獲取當前環境的因子資訊;計算模組將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料;確定模組將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果;判斷模組判斷當前環境是否滿足預設的第一環境重要特徵條件;取樣模組當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣;及調整模組對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整。
- 如請求項1所述之深度學習方法,其中,所述方法還包括:所述獲取模組還當當前環境不滿足預設的第一環境重要特徵條件時,獲取當前環境的因子資訊;及所述計算模組還將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
- 如請求項1所述之深度學習方法,其中,所述方法還包括:所述判斷模組還判斷當前環境是否滿足預設的第二環境重要特徵條件;及所述計算模組還當當前環境滿足預設的第二環境重要特徵條件時,將當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料。
- 如請求項1所述之深度學習方法,其中,所述方法還包括:所述確定模組採用層次分析法確定所述多個因子、每個因子的權重資料及每個因子的評分資料。
- 如請求項1所述之深度學習方法,其中,所述建立模組對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型具體包括:將因子資訊、因子權重資料及評分資料輸入類神經網路進行訓練,直至實際輸出值與目標輸出值在允許的誤差範圍內;及建立初始的因子權重與評分的評估模型。
- 如請求項1所述之深度學習方法,其中,所述確定模組確定當前的風險評估結果具體包括:根據所述風險評估模型計算風險值,進而確定當前的風險評估結果。
- 一種深度學習系統,其中,所述系統包括:建立模組,用於對多個因子的權重資料與評分資料進行訓練,建立因子權重與評分的評估模型;獲取模組,用於即時獲取當前環境的因子資訊;計算模組,用於將獲取到的當前環境的因子資訊輸入所述因子權重與因子評分的評估模型,並計算當前環境下多個因子的動態權重資料與評分資料;確定模組,用於將當前環境下多個因子的動態權重資料與評分資料輸入風險評估模型,確定當前的風險評估結果;判斷模組,用於判斷當前環境是否滿足預設的第一環境重要特徵條件;取樣模組,用於當當前環境滿足預設的第一環境重要特徵條件時,對所述多個因子的權重資料及評分資料進行取樣;及 調整模組,用於對取樣得到的所述多個因子的權重及評分的樣本資料進行訓練,以分別對因子權重與評分的評估模型進行調整。
- 一種伺服器,其中,所述伺服器包括處理器,所述處理器用於執行記憶體中存儲的電腦程式時實現如請求項1至7中任一項所述之深度學習方法。
- 一種電腦可讀存儲介質,其上存儲有電腦程式,其中,所述電腦程式被處理器執行時實現如請求項1至7中任一項所述之深度學習方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103960A TWI730288B (zh) | 2019-01-31 | 2019-01-31 | 深度學習方法、系統、伺服器及可讀存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103960A TWI730288B (zh) | 2019-01-31 | 2019-01-31 | 深度學習方法、系統、伺服器及可讀存儲介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202030650A TW202030650A (zh) | 2020-08-16 |
TWI730288B true TWI730288B (zh) | 2021-06-11 |
Family
ID=73002790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108103960A TWI730288B (zh) | 2019-01-31 | 2019-01-31 | 深度學習方法、系統、伺服器及可讀存儲介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI730288B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Asml荷蘭公司 | 基於機器學習之輔助特徵置放 |
-
2019
- 2019-01-31 TW TW108103960A patent/TWI730288B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Asml荷蘭公司 | 基於機器學習之輔助特徵置放 |
Also Published As
Publication number | Publication date |
---|---|
TW202030650A (zh) | 2020-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507552A (zh) | 深度学习方法、系统、服务器及可读存储介质 | |
CN109523017B (zh) | 姿态检测方法、装置、设备及存储介质 | |
CN107636690B (zh) | 基于卷积神经网络的全参考图像质量评估 | |
JP2020017952A (ja) | 警告するための方法と装置 | |
US20230196472A1 (en) | Systems, Methods, and Platform for Estimating Risk of Catastrophic Events | |
CN109214446B (zh) | 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质 | |
WO2017049350A1 (en) | Methods for the automated generation of speech sample asset production scores for users of a distributed language learning system, automated accent recognition and quantification and improved speech recognition | |
US20230206420A1 (en) | Method for detecting defect and method for training model | |
CN111813910B (zh) | 客服问题的更新方法、系统、终端设备及计算机存储介质 | |
CN106097043A (zh) | 一种信用数据的处理方法及服务器 | |
WO2020042584A1 (zh) | 非绩优人员培训方法、系统、计算机装置及存储介质 | |
CN112365007B (zh) | 模型参数确定方法、装置、设备及存储介质 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN110109955A (zh) | 数据调用量统计方法、系统、计算机装置及可读存储介质 | |
AU2019100631A4 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
CN112084959A (zh) | 一种人群图像处理方法及装置 | |
CN108958037B (zh) | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 | |
TWI730288B (zh) | 深度學習方法、系統、伺服器及可讀存儲介質 | |
WO2020118553A1 (zh) | 一种卷积神经网络的量化方法、装置及电子设备 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN110889635B (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
CN111953533B (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN109362027B (zh) | 定位方法、装置、设备及存储介质 | |
TWI737105B (zh) | 災害保障資源計算方法、裝置、電腦裝置及存儲介質 |