一种基于自然语言处理的智能引擎系统技术方案

本发明专利技术公开了一种基于自然语言处理的智能引擎系统，涉及智能引擎技术领域，包括中央处理器、数据库层、数据处理层、读取层和执行层，所述数据库层包括自然语言处理数据库、NLP算法库、模糊模型数据库、学习数据库。本发明专利技术的优势在于：在常规的NLP数据库基础上设置深度学习数据库，深度学习数据库由模糊模型数据库和学习数据库构成，利用模糊模型对个人生活中的行为习惯进行模糊对比分析，并将模糊对比分析的结果和NLP数据库中的行为进行比对，通过单位时间内的多次比对和算法计算对个人行为习惯模型进行确认，并将确认后的习惯模型储存在学习数据库，利用学习数据库中的数据快速的根据个人习惯完成指令需求，提高智能引擎系统的运行效率。的运行效率。的运行效率。

【技术实现步骤摘要】
一种基于自然语言处理的智能引擎系统


[0001]本专利技术涉及智能引擎
，具体为一种基于自然语言处理的智能引擎系统。

技术介绍

[0002]随着科学技术的发展和进步，各种各样的机器人逐渐出现在我们的生活中，“人机交互”的概念已经逐渐渗透到我们的生产生活中。人工智能、虚拟现实、增强现实等新技术层出不穷，人机交互的重要性日益凸显。如何将现实物理世界与虚拟信息世界更紧密地联系起来，已成为当前科学界关注的焦点之一。
[0003]自然语言处理(NaturalLanguageProcessing，NLP)是计算机科学领域与人工智能领域中的一个重要方向，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。因此将自然语言处理嵌入机器人智能引擎中作为机器人的常规引擎系统，使机器人能够在日常生活中完善人机交互是重要发展方向，但是现有的自然语言种类较多，且在日常生活中由于个人生活习惯的差异，难以在机器人的初始引擎中储存全面的数据信息，需要对个人的行为进行多次分析，降低智能引擎系统的运行效率，固需要机器人的智能引擎系统根据自然语言处理的方向进行深度学习，从而逐渐完善个人信息，形成独特的专属系统。
[0004]针对上述问题，特提出一种基于自然语言处理的智能引擎系统。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于自然语言处理的智能引擎系统，具备深度学习，完善数据库等优点，解决了人生活习惯的差异带来的系统难以分辨，降低运行效率的问题。
[0007](二)技术方案
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于自然语言处理的智能引擎系统，包括中央处理器、数据库层、数据处理层、读取层和执行层，所述数据库层包括自然语言处理(NLP)数据库、NLP算法库、模糊模型数据库、学习数据库，所述数据处理层包括数据读取单元、数据分析单元、数据对比单元、数据处理单元，所述读取层包括语言输入模块、行为检测模块、文本输入模块、温湿度传感器、空间检测模块、热感应模块、振动检测模块、压力传感器，所述执行层包括行位执行模块、语音输出模块、文本显示模块。
[0009]优选的，所述中央处理器、数据库层、数据处理层、读取层和执行层通过网络神经技术相互连接，所述中央处理器内部设置有无线通信模块，所述中央处理器通过无线通信模块信号连接有云服务器。
[0010]具体的，中央处理器实时连接云端服务器并通过云端服务器对接收到数据信息进行对比分析，使智能引擎系统内的数据能够进行实时更新，使智能引擎系统能够实时进化，且通过神经网络技术使中央处理器能够快速的接收和处理信息，加快深度学习的进程。
[0011]优选的，所述自然语言处理(NLP)数据库为全面的python基础NLP库，所述NLP算法库常用的NLP算法库，所述模糊模型数据库的内部保存有人体行为模糊模型，用于完善NLP数据库中不存在的行为习惯，所述学习数据库内保存有完善后的独特行为数据和常用的行为数据，所述学习数据库的填充时间为系统初始启动的前三个月。
[0012]具体的，在系统启动的前三个月内，中央处理器将接收到的行为信息先和模糊模型数据库中的模糊模型进行对比，选取最为接近的模糊模型，然后将模糊模型数据和NLP数据库进行对比，筛选出模糊模型最相近的自然语言，并对筛选出的模糊模型和自然语言进行临时储存，再次接收到相近或相同数据时，再次筛选处最相近的模糊模型和自然语言临时储存，再将一周内筛选出的最相近的模糊模型和自然语言进行对比，保留相同的模糊模型和自然语言，再将一个月内保留的最相近的模糊模型和自然语言进行对比，再次保留相同的最相近的模糊模型和自然语言，最后将三个月保留的最相近的模糊模型和自然语言进行对比，保留出现频率最高的模糊模型和自然语言，将此模糊模型最为该行为的行为模型，并将此自然语言最为该行为模型的语言翻译，将三个月内记录的行为模型和自然语言导入学习数据库中，将导入行为模型和自然语言信息的学习数据库作为常用数据库，形成符合个人习惯的独特数据库，使系统通过该学习数据库能够快速执行符合个人习惯的指令。
[0013]优选的，所述数据读取单元和读取层信号连接，所述数据读取单元信号连接有数据分析单元，所述数据分析单元信号连接有数据对比单元，所述数据对比单元与中央处理器和数据处理单元信号连接，所述数据处理单元和中央处理器信号连接。
[0014]具体的，数据读取单元将输入的数据信息读取到系统内部，数据分析单元分析数据的类型判断数据所需要使用的数据库，并将相应的数据库信息和读取的数据信息输送到数据对比单元，数据对比单元将读取的数据信息和数据库中的相应信息进行对比分析并将对比结果输送到数据处理单元，数据处理单元根据数据分析结果输送指令到中央处理器，中央处理器发出执行指令，其中行为数据在初始的三个月后需要启用学习数据库，其他数据信息启用NLP数据库和云服务器即可。
[0015]优选的，所述语言输入模块和文本输入模块同步运行，所述语言输入模块和文本输入模块的输入数据统一，所述行为检测模块和空间检测模块同步运行，所述行为检测模块和空间检测模块的输入数据相互补充，利用空间检测模块输入的数据构建空间模型，以空间模型为基础确定行为数据在空间模型中的行为信息，所述温湿度传感器、热感应模块和振动检测模块对空间模型中的数据信息进行检测输入，所述压力传感器检测系统接收到的压力信息，所述压力传感器和执行层信号连接。
[0016]具体的，语言输入模块在输入信息时可显示在文本输入模块上，使用者可通过文本输入模块显示的文本信息判断语言输入信息的准确性，行为信息的输入涉及的行为所处的空间维度，因此行为信息单独的数据误差较大，通过空间检测模块检测行为发生的空间信息，并根据行为基于空间信息的位置对行为进行判断，便于提高行为信息的精度，同步的结合空间信息内包含的环境因数对行为信息进行判断，有利于提高行为信息辨识的精度。
[0017]优选的，所述语音输出模块和文本显示模块同步运行，所述语音输出模块和文本显示模块的输出信息统一，所述执行模块和中央处理器信号连接，所述执行模块根据NLP算法库计算出的数据结果进行运行，
[0018]具体的，语音输出模块输出的语言信息可在文本显示模块上进行同步显示，便于
辨识输出信息的精度，系统内部的所有输入信息在通过NLP数据库、云服务器和学习数据库对比后确认数据信息，将数据信息转换为NLP算法库能够进行运算的数据，经过运算后输出运算结果，系统行模块执行运算的结果。
[0019](三)有益效果
[0020]与现有技术相比，本专利技术提供了一种基于自然语言处理的智能引擎系统，具备以下有益效果：
[0021]该基于自然语言处理的智能引擎系统，在常规的NLP数据库基础上设置深度学习数据库，深度学习数据库由模糊模型数据库和学习数据库构成，利用模糊模型对个人生活中的行为习惯进行模糊对比分析，并将模糊对比分析的结果和NLP数据库中的行为进行比对，通过单位时间内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自然语言处理的智能引擎系统，其特征在于：包括中央处理器、数据库层、数据处理层、读取层和执行层，所述数据库层包括自然语言处理(NLP)数据库、NLP算法库、模糊模型数据库、学习数据库，所述数据处理层包括数据读取单元、数据分析单元、数据对比单元、数据处理单元，所述读取层包括语言输入模块、行为检测模块、文本输入模块、温湿度传感器、空间检测模块、热感应模块、振动检测模块、压力传感器，所述执行层包括行位执行模块、语音输出模块、文本显示模块。2.根据权利要求1所述的一种基于自然语言处理的智能引擎系统，其特征在于：所述中央处理器、数据库层、数据处理层、读取层和执行层通过网络神经技术相互连接，所述中央处理器内部设置有无线通信模块，所述中央处理器通过无线通信模块信号连接有云服务器。3.根据权利要求1所述的一种基于自然语言处理的智能引擎系统，其特征在于：所述自然语言处理(NLP)数据库为全面的python基础NLP库，所述NLP算法库常用的NLP算法库，所述模糊模型数据库的内部保存有人体行为模糊模型，用于完善NLP数据库中不存在的行为习惯，所述学习数据库内保存有完善后的独特行为数据和常用的行为数据，所述学习数据库的填充时间为系统初始...

【专利技术属性】
技术研发人员：洪创波，
申请(专利权)人：广东潮庭集团有限公司，
类型：发明
国别省市：