动态增减方法及装置制造方法及图纸

本申请公开了一种动态增减方法及装置，涉及数据处理领域，该方法包括根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。本申请解决了相关技术中由于数据不能动态增减导致的识别率低下的问题。

Dynamic Increase and Decrease Method and Device

【技术实现步骤摘要】
动态增减方法及装置
本申请涉及数据处理领域，具体而言，涉及一种动态增减方法及装置。
技术介绍
相关技术中在进行训练数据时，由于没有很好的数据动态删减机制，用于训练的数据总量只增不减，或者在发生数据增加或减少时需要重新训练所有数据集，导致数据总量越来越多，模型更新效率低下，识别率也越来越低。因此，急需一种动态增减方法及装置，以解决相关技术中由于数据不能动态增减导致的识别率低下的问题。
技术实现思路
本申请的主要目的在于提供一种动态增减方法及装置，以解决相关技术中由于数据不能动态增减导致的识别率低下的问题。为了实现上述目的，根据本申请的第一方面，本申请实施例提供了一种动态增减方法，所述方法包括：根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：根据所述目标数据的属性特征进行分类操作；将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值。结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述将多个数据节点建立网状关联关系包括：根据每个所述数据节点的所述初始权重数值，以图结构的形式构建多个所述数据节点之间的关联关系。结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值。结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述将多个数据节点建立网状关联关系包括：根据所述数据节点的实际权重数值，更新所述图结构中的多个所述数据节点之间的关联关系。结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型包括：对所述数据节点中的目标数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；对所述误差值进行纠正操作；判断纠正后的当前所述误差值是否达到预设目标值；如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述特征模型。为了实现上述目的，根据本申请的第二方面，本申请实施例提供了一种动态增减装置，包括：数据分类单元，用于根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；关系建立单元，用于将所述数据分类单元定义的多个数据节点建立网状关联关系；第一模型训练单元，用于对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测单元，用于监测所述数据节点的目标数据是否发生变化；第二模型训练单元，用于如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述数据分类单元包括：特征分类模块，用于根据所述目标数据的属性特征进行分类操作；赋权模块，用于将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值；统计模块，用于对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；加权模块，用于根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值。结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述关系建立单元包括：图结构构建模块，用于根据每个所述数据节点的所述初始权重数值，以图结构的形式构建多个所述数据节点之间的关联关系；图结构更新模块，用于根据所述数据节点的实际权重数值，更新所述图结构中的多个所述数据节点之间的关联关系。结合第二方面，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述第一模型训练单元包括：训练模块，用于对所述数据节点中的目标数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；纠正模块，对所述误差值进行纠正操作；误差判断模块，用于判断纠正后的当前所述误差值是否达到预设目标值；结束模块，用于如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述特征模型。在本申请实施例中，采用对目标数据进行分类并将每一类定义为一个数据节点的方式，通过将多个数据节点构建成网状关系结构，达到了网状结构中的某一数据节点变化时，只需对该数据节点进行重新训练而不影响整个网状结构的目的，从而实现了动态增减的技术效果，进而解决了相关技术中由于数据不能动态增减导致的识别率低下的问题。附图说明构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请第一实施例提供的动态增减方法的流程图；图2是根据本申请第二实施例提供的动态增减方法的流程图；图3是根据本申请第三实施例提供的动态增减方法的流程图；图4是根据本申请第四实施例提供的动态增减方法的流程图；图5是根据本申请第一实施例提供的动态增减装置的示意图；图6是根据本申请第二实施例提供的动态增减装置的示意图；图7是根据本申请第三实施例提供的动态增减装置的示意图；以及图8是根据本申请第四实施例提供的动态增减装置的示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例本文档来自技高网...

【技术保护点】
1.一种动态增减方法，其特征在于，所述方法包括：根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；以及如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。

【技术特征摘要】
1.一种动态增减方法，其特征在于，所述方法包括：根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；以及如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。2.根据权利要求1所述的动态增减方法，其特征在于，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：根据所述目标数据的属性特征进行分类操作；将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值。3.根据权利要求2所述的动态增减方法，其特征在于，所述将多个数据节点建立网状关联关系包括：根据每个所述数据节点的所述初始权重数值，以图结构的形式构建多个所述数据节点之间的关联关系。4.根据权利要求3所述的动态增减方法，其特征在于，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值。5.根据权利要求4所述的动态增减方法，其特征在于，所述将多个数据节点建立网状关联关系包括：根据所述数据节点的实际权重数值，更新所述图结构中的多个所述数据节点之间的关联关系。6.根据权利要求1所述的动态增减方法，其特征在于，所述对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型包括：对所述数据节点中的目标数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；对所述误差值进行纠正操作；判断纠正后的当前所述误差值是否达到预设目标值；以及如果判定纠正后的当前所述误差值达到预设...

【专利技术属性】
技术研发人员：任飞翔，
申请(专利权)人：任飞翔，
类型：发明
国别省市：北京,11