【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及基于深度学习和simhash的数据分类方法及系统。
技术介绍
1、随着大数据时代的到来，数据量呈爆炸性增长，数据分类技术在各个领域得到了广泛应用。传统的数据分类方法通常依赖于手工设计的特征，难以处理复杂多变的实际问题，如何在海量数据中快速、精确地分类成为亟待解决的问题。
2、现有的数据分类方法主要存在以下缺点：在处理高维度数据时，传统的分类方法可能会遇到性能下降的问题，这是因为高维度数据具有更多的特征和更复杂的结构，需要更复杂的模型和算法来处理，因此对高维度数据的处理能力有限；特征提取是数据分类中的关键步骤之一，传统的特征提取方法可能无法充分挖掘数据的内在特征，导致分类的准确性下降，因此特征提取的准确性不足；不同的数据类型(如文本、图像、音频等)需要针对性地使用不同的分类方法。传统的分类方法可能无法适应各种类型的数据，导致分类效果不佳，因此对不同类型数据的适应性有限；传统的分类方法可能需要大量的计算资源和时间来处理大规模数据，这可能导致分类过程变得缓慢和不可扩展，因此对大规模数据的处理效率低下...
【技术保护点】
1.基于深度学习和SimHash的数据分类方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习和SimHash的数据分类方法，其特征在于，所述数据预处理包括归一化、去除噪声，以及填充或截断，具体为：
3.根据权利要求1所述的基于深度学习和SimHash的数据分类方法，其特征在于，所述深度学习模型包括CNN模型或LSTM模型中的一种；对于CNN模型，使用卷积层对图像数据进行特征提取；对于LSTM模型，使用LSTM层对序列数据进行特征提取；将最终得到的特征向量表示为x′∈Rd，其中R表示实数集，d为特征向量的维度。
...【技术特征摘要】
1.基于深度学习和simhash的数据分类方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习和simhash的数据分类方法，其特征在于，所述数据预处理包括归一化、去除噪声，以及填充或截断，具体为：
3.根据权利要求1所述的基于深度学习和simhash的数据分类方法，其特征在于，所述深度学习模型包括cnn模型或lstm模型中的一种；对于cnn模型，使用卷积层对图像数据进行特征提取；对于lstm模型，使用lstm层对序列数据进行特征提取；将最终得到的特征向量表示为x′∈rd，其中r表示实数集，d为特征向量的维度。
4.根据权利要求1所述的基于深度学习和simhash的数据分类方法，其特征在于，所述基于simhash创新的算法具体包括：
5.根据权利要求1...
【专利技术属性】
技术研发人员：洪明睿，刘德志，
申请(专利权)人：江苏君立华域信息安全技术股份有限公司，
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。