本申请提供了一种数据管控方法及相关装置，所述方法应用于服务器，所述方法包括：根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集；从所述第一训练集中清除存在问题的第一训练数据集合，得到第二训练集；根据所述第二训练集和所述目标学习任务进行训练，得到目标学习结果；将所述目标学习结果存入所述学习训练集数据库中，得到更新后的学习训练集数据库。这样，不仅可以提高机器学习的效率，还能提高机器学习的精度。还能提高机器学习的精度。还能提高机器学习的精度。
【技术实现步骤摘要】
数据管控方法及相关装置
[0001]本申请属于互联网产业的一般数据处理
，具体涉及一种数据管控方法及相关装置。
技术介绍
[0002]目前，传统机器学习的方式每次都会新建一个训练集，没有充分利用已有的历史训练数据，导致机器学习的效率较低，并且没有剔除导致生产批次存在质量问题的训练数据，导致机器学习的精度不佳。
技术实现思路
[0003]本申请提供了一种数据管控方法及相关装置，以期提高机器学习的效率和精度。
[0004]第一方面，本申请实施例提供了一种数据管控方法，所述方法应用于服务器，所述方法包括：根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习，所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合；从所述第一训练集中清除存在问题的第一训练数据集合，得到第二训练集；根据所述第二训练集和所述目标学习任务进行训练，得到目标学习结果；将所述目标学习结果存入所述学习训练集数据库中，得到更新后的学习训练集数据库。
[0005]第二方面，本申请实施例提供了一种数据管控装置，所述装置应用于服务器，所述装置包括：确定单元，用于根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习，所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合；清除单元，用于从所述第一训练集中清除存在问题的第一训练数据集合，得到第二训练集；训练单元，用于根据所述第二训练集和所述目标学习任务进行训练，得到目标学习结果；存储单元，用于将所述目标学习结果存入所述学习训练集数据库中，得到更新后的学习训练集数据库。
[0006]第三方面，本申请实施例提供了一种服务器，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行本申请实施例第一方面中的步骤的指令。
[0007]第四方面，本申请实施例提供了一种计算机存储介质，用于存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如本实施例第一方面中所描述的部分或全部步骤。
[0008]第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
[0009]可以看出，本申请实施例中，首先根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，再从所述第一训练集中清除存在问题的第一训练数据集合，得到第二训练集，然后根据所述第二训练集和所述目标学习任务进行训练，得到目标学习结果，最后将所述目标学习结果存入所述学习训练集数据库中，得到更新后的学习训练集数据库。这样，将每一次的训练数据都存入到数据库中，用于之后机器学习的重复使用，可以有效提高机器学习的效率，并且清除了存在异常的训练数据，保证了机器学习的精度。
附图说明
[0010]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1是本申请实施例提供的一种系统架构示意图；图2是本申请实施例提供的一种数据管控方法的流程示意图；图3是本申请实施例提供的第一种客户端交互页面示意图；图4是本申请实施例提供的第二种客户端交互页面示意图；图5是本申请实施例提供的第三种客户端交互页面示意图；图6是本申请实施例提供的第四种客户端交互页面示意图；图7是本申请实施例提供的一种清除异常训练数据的示意图；图8a是本申请实施例提供的一种数据管控装置的功能单元组成框图；图8b是本申请实施例提供的另一种数据管控装置的功能单元组成框图；图9是本申请实施例提供的一种服务器的结构框图。
具体实施方式
[0012]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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0013]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”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0014]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0015]下面先对本申请涉及到的相关术语进行介绍。
[0016]生产批次：是指通过生产设备对原始物料进行处理得到生产结果的一次生产过程，对应的，每个生产批次都有与之一一对应的生产批次号，用于区分不同的生产批次。
[0017]工况：是指生产流程的输入要素特性值的变化区间的组合，在实际生产中这些要素的组合会按要素的特性区间，进行分区编码，形成不同的工况编码。不同的工况组合，对生产流程的控制参数会有显著影响。
[0018]机器学习：机器学习在20世纪下半叶演变为人工智能的一个分支，它通过自学习算法从数据中获得知识来进行预测。机器学习并不需要事先对大量数据进行人工分析，然后提取规则并建立模型，而是提供了一种更为有效的方法来捕获数据中的知识，逐步提高预测模型的性能，以完成数据驱动的决策。
[0019]目前，传统的机器学习训练集管控时，每次都会新建一个训练集，没有充分利用已有的历史训练数据，导致机器学习的效率较低，并且没有剔除导致生产批次存在质量问题的训练数据，导致机器学习的精度不佳。
[0020]为解决上述问题，本申请实施例提供了一种数据管控方法，该方法可以应用于生产制造业务领域。可以通过该方法在企业面对不同的工况需要进行机器学习时，基于数据库存储的参考工况信息确定学习任务和训练集，并对训练集中异常的训练数据进行清除，从而在保证机器学习精度的同时提高机器学习的效率。本申请可以适用于多种需要本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据管控方法，其特征在于，应用于服务器，所述方法包括：根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习，所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合；从所述第一训练集中清除存在问题的第一训练数据集合，得到第二训练集；根据所述第二训练集和所述目标学习任务进行训练，得到目标学习结果；将所述目标学习结果存入所述学习训练集数据库中，得到更新后的学习训练集数据库。2.根据权利要求1所述方法，其特征在于，所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，包括：检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务，也不存在与所述当前工况信息对应的历史训练数据；获取带有X个训练数据的原始训练集；接收来自客户端的任务创建指令；根据所述任务创建指令创建所述目标学习任务；根据所述任务创建指令和所述带有X个训练数据的原始训练集确定所述第一训练集，其中X的值大于目标预设值。3.根据权利要求1所述方法，其特征在于，所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，包括：检测到所述参考工况信息中存在多个与所述当前工况信息对应的历史学习任务和与所述历史学习任务对应的历史训练集；获取带有X个训练数据的原始训练集；接收来自客户端的任务合并指令和任务选择指令；通过所述任务选择指令选择N个历史学习任务；通过所述任务合并指令合并所述N个历史学习任务，得到所述目标学习任务；通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集，得到所述第一训练集，其中X+Y的值大于目标预设值。4.根据权利要求3所述方法，其特征在于，在所述通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集，得到所述第一训练集之后，所述方法还包括：接收来自客户端的任务整合指令；通过所述任务整合指令重新选择T个历史学习任务并合并所述T个历史学习任务，得到所述目标学习任务；通过所述任务整合指令合并所述带有X个训练数据的原始训练集和与所述T个历史学习任务对应的带有S个历史训练数据的历史训练集，得到所述第一训练集，其中X+S的值大
于目标预设值。5.根据权利要求1所述方法，其特征在于，所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集，包括：检测到...
【专利技术属性】
技术研发人员：郭传亮，
申请(专利权)人：希望知舟技术深圳有限公司，
类型：发明
国别省市：
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。