一种半自动化的人工智能模型优化系统及方法技术方案

本发明专利技术提供了一种半自动化的人工智能模型优化系统和方法，所述系统包括：控制部、存储部以及训练模型，训练模型具有：主神经网络单元、监测模块、人工交互接口、识别模块、多个子神经网络单元以及修订模块，本申请在进行训练模型搭建后，将训练模型获取的训练结果进行随机的抽取，抽取后形成监测样本，将监测样本发送至人工交互端，由人工专家对监测样本进行审验得到审验结果，将审验结果与监测样本对应的进行比对，依据比对结果对所述审验结果进行适应性标注，再由子神经网络单元加载所述审验结果的适应性标注以对所述审验结果进行迭代训练形成修订结果；修订结果和对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。更新经验参数。更新经验参数。

【技术实现步骤摘要】
一种半自动化的人工智能模型优化系统及方法


[0001]本专利技术涉及人工智能应用
，特别是涉及一种半自动化的人工智能模型优化系统及方法。

技术介绍

[0002]传统的生产过程的监控基本上采用的人监控，重大的安全事故一般都是由于人的疏忽造成的，因此，现在的生产过程的监控基本采用的人工智能处理，人工智能系统在进行搭建的初期，其具有的训练模型不能达到最优化，还是具有较大的误差，只有不断的进行优化后才能被部署到控制装置中。

技术实现思路

[0003]有鉴于此，本专利技术的主要目的在于提供一种半自动化的人工智能模型优化系统及方法。
[0004]本专利技术采用的技术方案如下：一种半自动化的人工智能模型优化系统，包括：控制部；存储部，用于将生产过程采集到的监控数据发送至存储部，所述存储部具有用于监控数据存储的数据库和可执行指令存储的指令单元；训练模型，该训练模型具有：主神经网络单元，用于导入数据库中的历史监控数据并加载人工审核的经验参数并基于控制部的训练指令进行训练得到训练结果；监测模块，具有多个监测单元，多个监测单元与所述主神经网络单元连接，用于基于监测参数的设置由所述控制部从指令单元中加载监测指令并依据主神经网络单元训练任务的进行来随机的抽取训练结果作为监测样本；人工交互接口，与所述人工交互端连接，所述人工交互接口将监测样本发送至人工交互端，由人工对监测样本进行审验得到审验结果，将审验结果与监测样本对应的进行比对，依据比对结果对所述审验结果进行适应性标注；识别模块，用于识别审验结果的适应性标注，并基于所述审验结果的适应性标注状态进行分类，并将分类结果对应的存储在数据库中；多个子神经网络单元，多个所述子神经网络单元用于基于识别模块的分类结果选择性的被激活，通过子神经网络单元加载所述审验结果的适应性标注对审验结果进行迭代训练形成修订结果；修订模块，用于将修订结果与审验结果对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。
[0005]进一步地，所述监测单元具有响应训练结果的监测字段，所述监测字段用于响应于对主神经网络模型的训练结果在抽检指令下进行抽取调用形成监测样本，并基于监测样
本建立监测样本与训练结果、训练结果与原始监控数据之间的一段追溯路径，并将一段追溯路径对应的存储在数据库的追溯列表中。
[0006]进一步地，所述识别模块具有：识别单元，用于识别审验结果的适应性标注以及标注编码；分类单元，用于基于标注编码对审验结果的适应性标注进行分类；追溯单元，用于将分类结果与审验结果、审验结果与监测样本之间建立二段追溯路径，并将二段追溯路径对应的存储在一段追溯路径的追溯列表下。
[0007]进一步地，每一所述子神经网络单元具有激活标识，控制部连接识别模块并基于识别模块的分类结果对应的生成激活指令，激活指令对应的选择子神经网络单元并将该子神经网络单元所具有的激活标识进行激活，通过加载单元加载所述审验结果的适应性标注至子神经网络单元以对所述审验结果进行迭代训练形成修订结果；每一所述子神经网络单元还具有追踪执行器，所述追踪执行器响应于激活指令对激活标识的激活以通过设定的追踪执行事件来在子神经网络单元加载所述审验结果的适应性标注对审验结果进行迭代训练的过程中追踪审验结果学习路径，并将学习路径对应与审验结果的二段追溯路径匹配存储；行为监测器，所述行为监测器能够监测激活标识内的激活字段，所述激活字段响应于激活指令将激活字段链入加载单元和追踪执行器并独立的控制加载单元和追踪执行器的执行操作。
[0008]进一步地，所述修订模块基于修订结果的学习路径，加载学习路径经二段追溯路径匹配一段追溯路径来将修订结果与审验结果对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。
[0009]本专利技术还提供了一种半自动化的人工智能模型优化方法，包括如下步骤：A1）：将生产过程采集到的监控数据发送至存储部的数据库；A2）：主神经网络单元导入数据库中的历史监控数据并加载人工审核的经验参数并基于控制部的训练指令进行训练得到训练结果；A3）：监测单元基于监测参数的设置加载监测指令并依据主神经网络单元训练任务的进行来随机的抽取训练结果作为监测样本；A4）：人工交互接口将监测样本发送至人工交互端，由人工对监测样本进行审验得到审验结果，将审验结果与监测样本对应的进行比对，依据比对结果对所述审验结果进行适应性标注；A5）：识别审验结果的适应性标注以及标注编码，基于标注编码对审验结果的适应性标注进行分类；将分类结果与审验结果、审验结果与监测样本之间建立二段追溯路径，并将二段追溯路径对应的存储在一段追溯路径的追溯列表下；A6）：控制部连接识别模块并基于识别模块的分类结果对应的生成激活指令，激活指令对应的选择子神经网络单元并将该子神经网络单元所具有的激活标识进行激活，通过加载单元加载所述审验结果的适应性标注至子神经网络单元以对所述审验结果进行迭代训练形成修订结果；追踪执行器响应于激活指令对激活标识的激活以通过设定的追踪执行事件来在子神经网络单元加载所述审验结果的适应性标注对审验结果进行迭代训练的过程中追踪审验结果学习路径，并将学习路径对应与审验结果的二段追溯路径匹配存储；
A7）：修订模块基于修订结果的学习路径，加载学习路径经二段追溯路径匹配一段追溯路径来将修订结果与审验结果对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。
[0010]在步骤A2）中，监测单元具有响应训练结果的监测字段，所述监测字段用于响应于对主神经网络模型的训练结果在抽检指令下进行抽取调用形成监测样本，并基于监测样本建立监测样本与训练结果、训练结果与原始监控数据之间的一段追溯路径，并将一段追溯路径对应的存储在数据库的追溯列表中。
[0011]本申请在进行训练模型搭建后，将训练模型获取的训练结果进行随机的抽取，抽取后形成监测样本，将监测样本发送至人工交互端，由人工专家对监测样本进行审验得到审验结果，将审验结果与监测样本对应的进行比对，依据比对结果对所述审验结果进行适应性标注，然后再由子神经网络单元加载所述审验结果的适应性标注以对所述审验结果进行迭代训练形成修订结果；通过修订结果和对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。
[0012]本专利技术中，还建立了一个追溯系统，用于整个训练过程的追踪，包括基于监测样本建立监测样本与训练结果、训练结果与原始监控数据之间的一段追溯路径，分类结果与审验结果、审验结果与监测样本之间建立二段追溯路径，以及基于追踪执行器构建的学习路径；一段追溯路径、二段追溯路径和学习路径能够一致性匹配，将一个监控数据在处理过程中进行完整的追溯，追溯有利于学习结果和原始监控数据进行匹配。
附图说明
[0013]以下附图仅对本专利技术作示意性的说明和解释，并不用于限定本专利技术的范围，其中：图1为本专利技术的系统构成图；图2为本专利技术的系统详细框架原理示意图；图3为本专利技术方法的流程图。
具体实施方式
[0014]为了使本专利技术的目的、技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半自动化的人工智能模型优化系统，其特征在于，包括：控制部；存储部，用于将生产过程采集到的监控数据发送至存储部，所述存储部具有用于监控数据存储的数据库和可执行指令存储的指令单元；训练模型，该训练模型具有：主神经网络单元，用于导入数据库中的历史监控数据并加载人工审核的经验参数并基于控制部的训练指令进行训练得到训练结果；监测模块，具有多个监测单元，多个监测单元与所述主神经网络单元连接，用于基于监测参数的设置由所述控制部从指令单元中加载监测指令并依据主神经网络单元训练任务的进行来随机的抽取训练结果作为监测样本；人工交互接口，与所述人工交互端连接，所述人工交互接口将监测样本发送至人工交互端，由人工对监测样本进行审验得到审验结果，将审验结果与监测样本对应的进行比对，依据比对结果对所述审验结果进行适应性标注；识别模块，用于识别审验结果的适应性标注，并基于所述审验结果的适应性标注状态进行分类，并将分类结果对应的存储在数据库中；多个子神经网络单元，多个所述子神经网络单元用于基于识别模块的分类结果选择性的被激活，通过子神经网络单元加载所述审验结果的适应性标注对审验结果进行迭代训练形成修订结果；修订模块，用于将修订结果与审验结果对应的原始监控数据进行比对并形成差值，基于所述差值以对应的更新经验参数。2.根据权利要求1所述的半自动化的人工智能模型优化系统，其特征在于，所述监测单元具有响应训练结果的监测字段，所述监测字段用于响应于对主神经网络模型的训练结果在抽检指令下进行抽取调用形成监测样本，并基于监测样本建立监测样本与训练结果、训练结果与原始监控数据之间的一段追溯路径，并将一段追溯路径对应的存储在数据库的追溯列表中。3.根据权利要求1所述的半自动化的人工智能模型优化系统，其特征在于，所述识别模块具有：识别单元，用于识别审验结果的适应性标注以及标注编码；分类单元，用于基于标注编码对审验结果的适应性标注进行分类；追溯单元，用于将分类结果与审验结果、审验结果与监测样本之间建立二段追溯路径，并将二段追溯路径对应的存储在一段追溯路径的追溯列表下。4.根据权利要求1所述的半自动化的人工智能模型优化系统，其特征在于，每一所述子神经网络单元具有激活标识，控制部连接识别模块并基于识别模块的分类结果对应的生成激活指令，激活指令对应的选择子神经网络单元并将该子神经网络单元所具有的激活标识进行激活，通过加载单元加载所述审验结果的适应性标注至子神经网络单元以对所述审验结果进行迭代训练形成修订结果；每一所述子神经网络单元还具有追踪执行器，所述追踪执行器响应于激活指令对激活标识的激活以通过设定的追踪执行事件来在子神经网络单元加载所述审验结...

【专利技术属性】
技术研发人员：张文，姜朝露，王而川，
申请(专利权)人：北京思路智园科技有限公司，
类型：发明
国别省市：