【技术实现步骤摘要】
一种异常团体识别方法、装置和智能芯片
本专利技术涉及计算机
，尤其涉及异常团体识别方法、装置和智能芯片。
技术介绍
随着人工智能技术的不断发展，智能芯片的算力需求呈指数级别的增长，算力大意味着功耗也随之增大。而且，随着神经网络技术的发展，深度学习框架（Caffe）已经广泛的得到应用。基于Caffe的神经网络模型经过训练，能够对图像、语音和文本等数据进行处理，从而得到需要的识别结果，例如对图像进行识别从而得到图像特征，对语音进行识别从而得到控制指令等。传统的神经网络模型中，需要进行处理的数据量越来越大，因此对于数据处理和计算过程中智能芯片的能效开销大，从而导致智能芯片的功耗也大。因此，针对以上不足，需要提供一种异常团体识别方法、装置和智能芯片。
技术实现思路
本专利技术要解决的技术问题在于在进行数据处理和计算过程中智能芯片的功耗较大，针对现有技术中的缺陷，提供一种异常团体识别方法、装置和智能芯片。为了解决上述技术问题，本专利技术提供了一种异常团体识别方法，包括：从监控的...
【技术保护点】
1.一种异常团体识别方法，其特征在于，包括：/n从监控的数据情报中抽取待识别的特征信息；其中，所述数据情报包括多个异常团体成员的真实身份信息；/n将待识别的特征信息输入到预先构建好的目标网络模型中，得到至少一个异常团体；其中，每一个异常团体均包括至少两个异常团体成员；所述目标网络模型使用的训练数据为从已知的数据情报中抽取到的特征信息及其标注；/n从不同网络平台的网络身份数据中提取多个虚拟身份用户的虚拟身份信息；/n基于提取得到的虚拟身份信息和监控的数据情报包括的真实身份信息，建立识别出的异常团体中每一个异常团体成员和目标虚拟身份用户的关联关系；其中，所述目标虚拟身份用户是从...
【技术特征摘要】 【专利技术属性】
1.一种异常团体识别方法，其特征在于，包括：
从监控的数据情报中抽取待识别的特征信息；其中，所述数据情报包括多个异常团体成员的真实身份信息；
将待识别的特征信息输入到预先构建好的目标网络模型中，得到至少一个异常团体；其中，每一个异常团体均包括至少两个异常团体成员；所述目标网络模型使用的训练数据为从已知的数据情报中抽取到的特征信息及其标注；
从不同网络平台的网络身份数据中提取多个虚拟身份用户的虚拟身份信息；
基于提取得到的虚拟身份信息和监控的数据情报包括的真实身份信息，建立识别出的异常团体中每一个异常团体成员和目标虚拟身份用户的关联关系；其中，所述目标虚拟身份用户是从多个虚拟身份用户中确定出的；
其中，所述目标网络模型是通过如下方式训练后得到的：
获取初始网络模型；其中，所述初始网络模型为神经网络模型；
将所述初始网络模型中的至少一个卷积层进行精简，获得精简网络模型；
采用预设的训练算法，将训练数据输入所述精简网络模型进行训练，得到目标网络模型；
其中，所述预设的训练算法为将运算数据中的部分数据设置为零，得到新的运算数据，并采用新的运算数据进行运算的操作。
2.根据权利要求1所述的方法，其特征在于，所述基于提取得到的虚拟身份信息和监控的数据情报包括的真实身份信息，建立识别出的异常团体中每一个异常团体成员和目标虚拟身份用户的关联关系，包括：
按照预设的第一属性类别对提取得到的虚拟身份信息和监控的数据情报包括的真实身份信息进行信息提取，并生成各虚拟身份用户和各异常团体成员分别对应的第一分类向量集；
针对每一个异常团体成员，均执行如下操作：
对生成的各虚拟身份用户和该异常团体成员分别对应的第一分类向量集进行相似度计算，得到各虚拟身份用户和该异常团体成员针对每一个第一属性类别的相似度值；
对得到的各虚拟身份用户和该异常团体成员针对每一个第一属性类别的相似度值进行加权计算；
判断加权计算得到的相似度值是否大于预设的第一相似度阈值，如果是，则将该虚拟身份用户作为目标虚拟身份用户，并建立该异常团体成员和所述目标虚拟身份用户的关联关系。
3.根据权利要求2所述的方法，其特征在于，在所述建立识别出的异常团体中每一个异常团体成员和目标虚拟身份用户的关联关系之后，进一步包括：
基于提取得到的虚拟身份信息，建立识别出的异常团体中各虚拟身份用户的关联关系。
4.根据权利要求1所述的方法，其特征在于，所述将所述初始网络模型中的至少一个卷积层进行精简，获得精简网络模型，包括如下方式的至少一种：
减少至少一个卷积层中神经元的数量，并增加卷积层的数量；
将所述卷积层中的大尺寸的卷积核替换为级联的小尺寸卷积核。
技术研发人员：王嘉诚，张少仲，
申请(专利权)人：神威超算北京科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。