一种机器学习方法、系统、设备及应用方法技术方案

一种机器学习方法、系统、设备及应用方法，涉及人工智能领域，系统包括接口模块、引擎模块和数据库模块，接口模块提供与外部通信的接口，接收外部输入的规则、训练数据和输入信息；引擎模块实现有监督学习，根据接口模块收到的规则和训练数据得到知识；数据库模块存储机器学习中涉及的各种数据。接口模块接收需要决策的一组输入信息时，引擎模块选取最优知识，得到对应的决策信息，并通过接口模块输出。本发明专利技术将机器学习功能集成为独立于需要机器学习功能的系统的实体，当应用在现有系统中时，不影响当前产品或系统的基本架构。

【技术实现步骤摘要】
一种机器学习方法、系统、设备及应用方法
本专利技术涉及人工智能领域，具体来讲涉及一种机器学习方法、系统、设备及应用方法。
技术介绍
机器学习的目标是如何通过计算方法或手段，利用系统自我获得的“知识”来改善系统自身的性能。在机器学习范畴，“知识”通常以“数据”形式存在，因此，机器学习的价值可以理解为从泛在的数据计算得到特定的数据(知识)，从而利用这特定的数据提高系统的功能和性能。机器学习的一般应用模型是将机器学习算法与当前系统有机结合，得到具有机器学习功能的新系统。换句话说，机器学习作为新系统的基本属性和有机组成。在这种情况下，新系统和原来的系统在功能架构上有了本质的区别，也就是说，从原来的系统改造成新的系统通常需要进行实质的甚至是架构性的修改。上述机器学习的一般应用模型存在以下明显的缺陷：(1)从原来的系统改造成新系统投入较大。(2)原来的系统可能已很稳定和可靠，但改造后的新系统可能引入新的问题，伤及系统原有的稳定性和可靠性。(3)新系统的复杂度提高。(4)机器学习功能可扩展性差，机器学习功能的增强有可能影响整个系统。(5)新系统可能受所需的资源影响性能达不到预期。(6)机器学习功能不能与其它系统共享。机器学习的一般应用模型存在诸多不足之处，这种紧耦合的应用方式实际上阻碍了机器学习的应用，使得很多原本适合机器学习的应用场景由于对引入机器学习的代价和带来的问题难以把握而放弃。举例来说，在网络中应用的产品或系统大多数是基于嵌入式系统设计的，嵌入式系统由于硬件资源昂贵，因此对硬件资源的使用效率的追求是极致的。当前的网络产品或系统，并不具有自我调节以使得硬件资源利用率达到最优状态的功能。如果引入机器学习功能，使得上述产品或资源能够根据自己获得的“知识”完成高效的资源调度管理，使得硬件资源利用率显著提高，则应用意义非凡。但是，嵌入式系统使用的CPU与通用服务器使用的CPU存在本质的区别，嵌入式系统使用的CPU多了一些专用功能，但在通用的计算或存储功能弱于服务器使用的CPU；同时嵌入式系统的软件系统也更加封闭，如果将机器学习功能嵌入到软件系统中，不仅存在CPU能否胜任的问题，上述提到的六个问题也由于该软件系统的封闭性而更加显著。因此，如何将机器学习功能高效、低成本的与现有系统结合，使系统的功能、性能得到预期的改善，需要新的方法和机制。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种机器学习方法、系统、设备及应用方法，将机器学习功能进行独立，当应用在现有系统中时，不影响当前产品或系统的基本架构，提高机器学习功能的应用范围，将机器学习功能高效、低成本的与现有系统结合。为达到以上目的，一方面，采取一种机器学习方法，包括：接收外部输入的规则和训练数据，并根据二者生成新的训练数据，每条训练数据包括一组输入信息，选取每组输入信息对应的最优训练数据作为知识并存储；接收外部需要决策的一组输入信息，选择最优知识，将其中的决策信息输出。优选的，所述规则包括输入信息、决策信息和状态信息；输入信息包括多种数据类型；决策信息包括多种操作类型，且每种操作类型对应多种操作选项；状态信息包括多种状态类型和每种状态类型在决策中所占的权重。优选的，所述训练数据中，每组输入信息包括一组数据类型，训练数据中还包括决策信息和状态信息，决策信息包括与该组数据类型对应的一组操作类型，每种操作类型对应一种操作选项；状态信息包括与该组数据类型对应的一组状态类型，每种状态类型具有对应的状态分数。优选的，选取每组输入信息对应的最优训练数据作为知识具体包括：根据每种状态类型的状态分数×状态权重，得到该状态类型的评估分数，一组训练数据的总评估分数为该组所有状态类型评估分数的总和，选取总评估分数最高的一组训练数据作为知识。优选的，所述接收外部需要决策的一组输入信息的处理方法为：如果对应所述输入信息的知识为1条，则选取该知识的决策信息输出；如果对应所述输入信息的知识多于1条，则计算每条知识的总评估分数，选择总评估分数最高的知识作为最优知识，输出对应的决策信息。优选的，当接收到外部输入的携带决策信息的已有知识时，直接存储所述已有知识。优选的，当所述已有知识或外部输入的训练数据与已存储知识的状态信息不一致时，根据已有知识或外部输入的训练数据，对已存储知识的状态信息进行调整。另一方面，提供一种基于上述方法的机器学习系统，包括：接口模块，其用于提供与外部通信的接口；引擎模块，其用于实现有监督学习；根据接口模块收到的规则和训练数据生成新的训练数据，并得到知识；还用于在接口模块收到需要决策的一组输入信息时，选取最优知识，得到要输出的决策信息；数据库模块，其用于存储机器学习中涉及的各种数据。优选的，接口模块包括：输入接口，其用于接收需要决策的输入信息；输出接口，其用于输出针对所述输入信息的决策信息；规则知识接口，其用于接收外部输入的规则和训练数据，还用于接收外部的已有知识。优选的，所述输入接口、输出接口和规则知识接口分别为独立的物理接口；或者，所述输入接口、输出接口和规则知识接口为设置于同一物理接口且逻辑上相互独立的逻辑接口。优选的，所述数据库模块包括：规则库，其用于存储规则；训练数据库，其用于存储外部输入的训练数据和新生成的训练数据；知识库，其用于存储知识，所述知识包括外部输入的已有知识，以及最优的训练数据；外部数据库，其用于存储外部输入的需要进行决策的每组输入信息。优选的，所述数据库模块为存储器或数据库系统；所述引擎模块包括有监督学习组件。另一方面，提供一种机器学习设备，安装有上述机器学习系统。另一方面，提供一种基于上述机器学习系统的应用方法，包括：连接需要机器学习的系统的主处理器；主处理器通过接口模块输入规则和训练数据，引擎模块通过有监督学习，根据规则和训练数据生成新的训练数据，并选取每组输入信息对应的最优训练数据作为知识；同时，数据库模块存储各种数据；主处理器向所述接口模块输入需要决策的一组输入信息，引擎模块选取最优知识，将对应决策信息通过接口模块输出给主处理器。优选的，主处理器通过接口模块输入携带决策信息的已有知识；数据库模块存储已有知识，或者，引擎模块根据已有知识修改数据库模块中已存储的知识。上述技术方案中的一个技术方案具有如下优点或有益效果：通过将机器学习功能进行独立，可以很方便的被当前产品或系统使用，而不影响当前产品或系统的基本架构，只需在当前产品或系统的接口或外围进行少量修改即可达到目的，提高与现有产品和系统结合的效率，简化结合的复杂性，降低机器学习的成本，提高当前产品或系统的功能和性能。上述技术方案中，机器学习功能可以通过不同的形态实现，可以作为机器学习的云平台实现，可以计算机集群中，可以运行在单计算机/服务器上，也可以形成芯片作为独立设备或插卡，安装于不同产品中；实现形态多样，适用范围广泛，可以基于时间、需求、应用场景等因素在多产品或系统间共享，最大程度的节省了资源投入。附图说明图1为本专利技术第一实施例规则的数据格式示意图；图2为本专利技术第一实施例训练数据的格式示意图；图3为本专利技术第一实施例输入数据的格式示意图；图4为本专利技术第一实施例输出数据的格式示意图；图5为本专利技术第四实施例系统的逻辑结构示意图；图6为本专利技术第六实施例应用示意图；图7为本专利技术第本文档来自技高网...

【技术保护点】
1.一种机器学习方法，其特征在于，包括：接收外部输入的规则和训练数据，并根据二者生成新的训练数据，每条训练数据包括一组输入信息，选取每组输入信息对应的最优训练数据作为知识并存储；接收外部需要决策的一组输入信息，选择最优知识，将其中的决策信息输出。

【技术特征摘要】
1.一种机器学习方法，其特征在于，包括：接收外部输入的规则和训练数据，并根据二者生成新的训练数据，每条训练数据包括一组输入信息，选取每组输入信息对应的最优训练数据作为知识并存储；接收外部需要决策的一组输入信息，选择最优知识，将其中的决策信息输出。2.如权利要求1所述的机器学习方法，其特征在于：所述规则包括输入信息、决策信息和状态信息；输入信息包括多种数据类型；决策信息包括多种操作类型，且每种操作类型对应多种操作选项；状态信息包括多种状态类型和每种状态类型在决策中所占的权重。3.如权利要求2所述的机器学习方法，其特征在于：所述训练数据中，每组输入信息包括一组数据类型，训练数据中还包括决策信息和状态信息，决策信息包括与该组数据类型对应的一组操作类型，每种操作类型对应一种操作选项；状态信息包括与该组数据类型对应的一组状态类型，每种状态类型具有对应的状态分数。4.如权利要求3所述的机器学习方法，其特征在于，选取每组输入信息对应的最优训练数据作为知识具体包括：根据每种状态类型的状态分数×状态权重，得到该状态类型的评估分数，一组训练数据的总评估分数为该组所有状态类型评估分数的总和，选取总评估分数最高的一组训练数据作为知识。5.如权利要求4所述的机器学习方法，其特征在于，所述接收外部需要决策的一组输入信息的处理方法为：如果对应所述输入信息的知识为1条，则选取该知识的决策信息输出；如果对应所述输入信息的知识多于1条，则计算每条知识的总评估分数，选择总评估分数最高的知识作为最优知识，输出对应的决策信息。6.如权利要求3所述的机器学习方法，其特征在于：当接收到外部输入的携带决策信息的已有知识时，直接存储所述已有知识。7.如权利要求6所述的机器学习方法，其特征在于：当所述已有知识或外部输入的训练数据与已存储知识的状态信息不一致时，根据已有知识或外部输入的训练数据，对已存储知识的状态信息进行调整。8.一种基于权利要求1-7任一项所述方法的机器学习系统，其特征在于，包括：接口模块，其用于提供与外部通信的接口...

【专利技术属性】
技术研发人员：戴锦友，余少华，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：湖北,42