【技术实现步骤摘要】
本专利技术涉及计算机，具体而言，涉及一种基于神经网络的数据处理方法及系统。
技术介绍
1、目前，大数据的应用越发广泛，对于数据检测具有快速、方便、灵活性高的优点。大数据不但能够提高人们利用数据的效率，预测未知的情况，而且在检测的准确性上有显著提高。
2、但是，当前很多数据检测困难，所以获取的检测数据少，不能够满足当前大数据的检测方法，导致用来检测的准确性不够准确。随意增加数据只是增加负样本，不能够提高正样本的预测准确性。数据少导致检测不够准确已经为检测不准确的重要原因。因此，需要解决如何现实生活获取的少量检测数据，扩展为大量数据，以满足提高数据检测准确性，是人们亟需解决的问题。
技术实现思路
1、本专利技术的目的在于提供了一种基于神经网络的数据处理方法及系统，用以解决现有技术中存的上述问题。
2、第一方面，本专利技术实施例提供了一种基于神经网络的数据处理方法，包括：
3、获得检测数据；所述检测数据为多个时间点检测的与检测目标相关的数据；所述检测数据包含多个数据类别；所述数据类别表示能够用于检测的数据的不同种类；
4、将检测数据按照时间从小到大进行排列，得到多个检测数据集合；所述检测数据集合包括多个检测数据和多个的检测时间点；一个检测数据集合对应一个数据类别；一个检测数据对应一个检测时间点；
5、基于多个检测数据集合，进行类别关系检测，得到关系概率集合；所述关系概率集合包括多个关系概率；所述关系概率表示数据类别影响检测的程度
6、基于所述检测数据集合和关系概率集合，通过数据处理网络，预测时间点的间距的中点的数据，得到多个添加数据和多个添加时间点；一个添加数据对应一个添加时间点；
7、将所述多个添加数据和所述检测数据集合中的多个检测数据按时间依次从远到近进行排列，得到使用数据集合。
8、可选的，所述基于多个检测数据集合，进行类别关系检测，得到关系概率集合，包括：
9、根据所述检测数据集合，得到边界数据和边界时间；所述边界数据为对应的检测目标处于边界的检测数据；所述边界时间为边界数据对应的时间；
10、将所述检测数据集合中检测数据分别与边界数据相减，得到最低边界数据差值和最低边界时间；所述最低边界数据差值为大于其他检测数据与边界数据的差值；所述最低边界时间为所述最低边界数据差值对应的检测数据对应的检测时间点；
11、通过多次将多个检测数据集合中的检测数据进行曲线拟合，提取检测数据随时间变化的信息，得到曲线类别值和曲线程度值；所述曲线类别值表示检测数据随时间变化的变化种类；所述曲线程度值表示检测数据的随时间变化的变化速度；
12、基于所述曲线程度值、曲线类别值、边界数据、最低边界数据差值和最低边界时间，得到关系概率值；
13、根据多个所述检测数据集合,获得多个关系概率值，将多个关系概率值写入集合，得到关系概率集合。
14、可选的，所述基于所述曲线程度值、曲线类别值、边界数据、最低边界数据差值和最低边界时间，得到关系概率值，包括：
15、根据所述曲线程度值除以曲线类别值的商，得到曲线关系概率；
16、获得总时间；所述总时间表示时间点之间的差值大于检测集合中的其他检测时间点的差值的时间；
17、将所述最低边界时间除以总时间，得到时间比值；
18、将所述时间比值输入正态分布曲线后的纵坐标的值作为正态分布值；
19、将1除以正态分布值，得到边界时间关系概率；
20、将最低边界数据差值除以最低边界数据差值与边界数据之和，得到边界数据关系概率；
21、将曲线关系概率、边界时间关系概率和边界数据关系概率进行求和，得到关系概率值。
22、可选的，数据处理网络的训练方法，包括：
23、基于所述检测数据集合，得到多个训练集合；所述训练集合包括第一级数据集合和第二级数据集合；所述第一级数据集合包括时间点的间距相同的检测数据和检测时间点；所述第二级数据集合中的值表示第一级数据集合中两两相邻时间之间中间的检测数据和检测时间点；所述第一级数据集合中的值和第二级数据集合中的值为检测数据集合中包含的值；
24、将所述第一级数据集合中的检测数据设为训练数据；将所述第二级数据集合中的检测数据设为标注数据；
25、将所述训练数据和关系概率集合中对应的关系概率输入数据处理网络，预测中间时间的检测数据，得到预测数据集合，预测数据集合包括多个预测数据；
26、将所述预测数据与预测数据对应的标注数据进行求取损失，得到损失值；
27、通过损失值进行后向传播，得到训练好的数据处理网络。
28、可选的，所述将所述训练数据和关系概率集合中对应的关系概率输入数据处理网络，预测中间的时间点的检测数据，得到预测数据集合，包括：
29、将训练数据和关系概率集合中对应的关系概率构建二维数组；所述二维数组的行表示一个时间点的检测数据和关系概率；所述二维数组的列表示多个时间点的关系概率或其中一个检测数据；
30、将所述二维数组在时间点方向以步长为1进行一维卷积，得到数据时间特征向量；数据时间特征向量的长为训练数据的列数与卷积核通道数的乘积；
31、将所述数据时间特征向量输入第一神经网络，得到第一神经向量；
32、将所述第一神经向量输入复原神经网络，得到预测数据集合；所述预测数据集合中的值的个数为训练数据的列数减1。
33、可选的，所述基于所述检测数据集合，得到多个训练集合，包括：
34、将检测数据集合中检测时间点相减，得到多个时间点间距；
35、获得第一时间点间距；所述第一时间点间距表示大于其他时间点间距的时间点间距；
36、将所述检测数据集合中时间点间距为第一时间点间距的检测数据和检测时间点写入第一时间点间距数据集合；
37、获得第二时间点集合；所述第二时间点集合为第一时间点间距数据集合中检测时间点的差为二分之一时间点间距的检测时间点；
38、将所述检测数据集合中第二时间点集合对应的检测数据和检测时间点写入第一训练集合的第二级数据集合，得到第二级时间集合；
39、将第二级时间集合中检测时间点加上第一时间点间距数据集合的检测时间点，得到第一融合时间点，将第一融合时间点以及第一融合时间点对应的检测数据输入第一训练集合的第一级数据集合；
40、将第二级时间集合中检测时间点减去第一时间点间距数据集合的检测时间点，得到第二融合时间点，将第二融合时间点以及第二融合时间点对应的检测数据输入第一训练集合的第一级数据集合；通过多次获得上一个训练集合的二分之一时间点间距对应的检测数据，得到多个训练集合。
41、可选的，所述通过多次获得上一个训练集合的二分之一时间点间距对应的检测数据，得到多个训练集合本文档来自技高网...
【技术保护点】
1.一种基于神经网络的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的数据处理方法，其特征在于，所述基于多个检测数据集合，进行类别关系检测，得到关系概率集合，包括：
3.根据权利要求2所述的一种基于神经网络的数据处理方法，其特征在于，所述基于所述曲线程度值、曲线类别值、边界数据、最低边界数据差值和最低边界时间，得到关系概率值，包括：
4.根据权利要求1所述的一种基于神经网络的数据处理方法，其特征在于，数据处理网络的训练方法，包括：
5.根据权利要求4所述的一种基于神经网络的数据处理方法，其特征在于，所述将所述训练数据和关系概率集合中对应的关系概率输入数据处理网络，预测中间的时间点的检测数据，得到预测数据集合，包括：
6.根据权利要求4所述的一种基于神经网络的数据处理方法，其特征在于，所述基于所述检测数据集合，得到多个训练集合，包括：
7.根据权利要求6所述的一种基于神经网络的数据处理方法，其特征在于，所述通过多次获得上一个训练集合的二分之一时间点间距对应的检测数据，得到多个训练集合
8.根据权利要求3所述的一种基于神经网络的数据处理方法，其特征在于，所述数据处理网络采用时间点间距从大到小的训练集合依次输入数据处理网络，直到损失值小于第一阈值；
9.根据权利要求1所述的一种基于神经网络的数据处理方法，其特征在于，所述基于所述检测数据集合和关系概率集合，通过数据处理网络，预测时间点的间距的中点的数据，得到多个添加数据和多个添加时间点，包括：
10.一种基于神经网络的数据处理系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于神经网络的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的数据处理方法，其特征在于，所述基于多个检测数据集合，进行类别关系检测，得到关系概率集合，包括：
3.根据权利要求2所述的一种基于神经网络的数据处理方法，其特征在于，所述基于所述曲线程度值、曲线类别值、边界数据、最低边界数据差值和最低边界时间，得到关系概率值，包括：
4.根据权利要求1所述的一种基于神经网络的数据处理方法，其特征在于，数据处理网络的训练方法，包括：
5.根据权利要求4所述的一种基于神经网络的数据处理方法，其特征在于，所述将所述训练数据和关系概率集合中对应的关系概率输入数据处理网络，预测中间的时间点的检测数据，得到预测数据集合，包括：
6.根据权利要求4...
【专利技术属性】
技术研发人员：毛宁，
申请(专利权)人：成都星幔长庚科技有限公司，
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。