一种基于神经网络的数据优化方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的数据优化方法及装置。其中，该方法包括：获取原始数据集；将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集；将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集；将所述第二优化数据集进行输出。本发明专利技术解决了现有技术中直接对原始数据进行优化处理，效率低下，精度准不高的技术问题。精度准不高的技术问题。精度准不高的技术问题。

【技术实现步骤摘要】
一种基于神经网络的数据优化方法及装置


[0001]本专利技术涉及数据处理领域，具体而言，涉及一种基于神经网络的数据优化方法及装置。

技术介绍

[0002]随着智能化、信息化的不断发展，神经网络模型的训练和使用已经广泛地应用于各个领域，例如在机器人传感器采集数据处理过程中，往往通过机器人采集到的数据进行预设规则或预设算法的数据处理和数据优化步骤，并将处理结果作为后续数据分析的重要原数据。
[0003]目前，在机器人数据优化的过程中，往往采用直接算法对机器人的传感器所采集到的传感数据，例如红外光感数据、传动轴压力数据等，直接进行数据优化，在优化处理过程中往往采用既定算法或规则进行数据计算，但是这样仅仅通过既定算法进行计算，导致机器人每次数据处理的时候都需要进行大量的计算工作，且每次数据优化过程和操作不会根据历史移动情况进行调整和学习，降低了机器人数据处理和数据计算分析的效率和精准度。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种基于神经网络的数据优化方法及装置，以至少解决现有技术中直接对原始数据进行优化处理，效率低下，精度准不高的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种基于神经网络的数据优化方法，包括：获取原始数据集；将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集；将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集；将所述第二优化数据集进行输出。
[0007]可选的，在所述获取原始数据集之后，所述方法还包括：将所述原始数据集作为输入参数，训练所述数据优化神经网络模型。
[0008]可选的，在所述将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集之前，所述方法还包括：将所述第一优化数据集与所述原本数据集进行校验。
[0009]可选的，所述将所述第二优化数据集进行输出包括：获取展示信息，其中，所述展示信息包括：展示方式、展示终端；将所述第二优化数据集根据所述展示信息传输至相应的所述展示终端。
[0010]根据本专利技术实施例的另一方面，还提供了一种基于神经网络的数据优化装置，包括：获取模块，用于获取原始数据集；优化模块，用于将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集；整理模块，用于将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集；输出模块，用于将所述第二优化数据集进行输出。
[0011]可选的，所述装置还包括：训练模块，用于将所述原始数据集作为输入参数，训练所述数据优化神经网络模型。
[0012]可选的，所述装置还包括：校验模块，用于将所述第一优化数据集与所述原本数据集进行校验。
[0013]可选的，所述输出模块包括：获取单元，用于获取展示信息，其中，所述展示信息包括：展示方式、展示终端；传输单元，用于将所述第二优化数据集根据所述展示信息传输至相应的所述展示终端。
[0014]根据本专利技术实施例的另一方面，还提供了一种包括指令的计算机程序产品，当所述指令在计算机上运行时，使得所述计算机执行一种基于神经网络的数据优化方法。
[0015]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于神经网络的数据优化方法。
[0016]在本专利技术实施例中，采用获取原始数据集；将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集；将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集；将所述第二优化数据集进行输出的方式，解决了现有技术中直接对原始数据进行优化处理，效率低下，精度准不高的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1是根据本专利技术实施例的一种基于神经网络的数据优化方法的流程图；
[0019]图2是根据本专利技术实施例的一种基于神经网络的数据优化装置的结构框图。
具体实施方式
[0020]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0021]需要说明的是，本专利技术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，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
[0022]根据本专利技术实施例，提供了一种基于神经网络的数据优化方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的
顺序执行所示出或描述的步骤。
[0023]实施例一
[0024]图1是根据本专利技术实施例的一种基于神经网络的数据优化方法的流程图，如图1所示，该方法包括如下步骤：
[0025]步骤S102，获取原始数据集。
[0026]具体的，本专利技术实施例为了将获取到的原始数据进行数据处理和优化，首先需要获取原始数据，该原始数据可以是从传感器或其他数据存储设备实时获取的待处理数据，并根据获取到的原始数据进行传输，以备后续数据处理之用。
[0027]可选的，在所述获取原始数据集之后，所述方法还包括：将所述原始数据集作为输入参数，训练所述数据优化神经网络模型。
[0028]具体的，在得到原始数据集之后，为了进行数据优化操作，需要根据原始数据集进行神经网络模型的训练，以便训练出可以用于数据优化的神经网络模型。
[0029]本专利技术实施例所利用的神经网络模型需要根据若干待处理数据作为特征向量进行数据，来训练为成熟的神经网络模型，因此，该神经网络模型是针对若干待优化数据场景的数据优化模型。
[0030]步骤S104，将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集。
[0031]具体的，在建立了用于数据优化的神经网络模型之后，可以将原始数据作为特征输入向量进行输入，并根据神经网络模型对于原始数据的优化计算之后，得到第一优化数据集，其中，第一优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的数据优化方法，其特征在于，包括：获取原始数据集；将所述原始数据集通过数据优化神经网络模型进行优化处理，得到第一优化数据集；将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集；将所述第二优化数据集进行输出。2.根据权利要求1所述的方法，其特征在于，在所述获取原始数据集之后，所述方法还包括：将所述原始数据集作为输入参数，训练所述数据优化神经网络模型。3.根据权利要求1所述的方法，其特征在于，在所述将所述第一优化数据集通过预设规则进行处理，得到第二优化数据集之前，所述方法还包括：将所述第一优化数据集与所述原本数据集进行校验。4.根据权利要求1所述的方法，其特征在于，所述将所述第二优化数据集进行输出包括：获取展示信息，其中，所述展示信息包括：展示方式、展示终端；将所述第二优化数据集根据所述展示信息传输至相应的所述展示终端。5.一种基于神经网络的数据优化装置，其特征在于，包括：获取模块，用于获取原始数据集；优化模块，用于将所述原始数据集通过数据优化神经网络模型进行优化处理...

【专利技术属性】
技术研发人员：朱保民，
申请(专利权)人：杭州潇楠科技有限公司，
类型：发明
国别省市：