本发明专利技术涉及机器学习技术领域，具体地说，涉及AI人工智能机器学习系统及方法。其包括数据收集及处理单元，数据收集及处理单元包括数据收集模块和预处理模块；预处理模块用于将收集到的数据进行数据清洗；在AI深度学习模型引入残差连接，以提高模型的性能并加速训练，并使用经过预处理的数据对AI深度学习模型进行训练；模型优化单元基于神经架构搜索对深度学习模型的结构进行优化，且在神经架构搜索中对新生成的个体进行改变连接权重的变异操作，在当前权重基础上加入随机噪声，进而优化模型性能；决策输出单元用于将模型的输出转化为实际决策。在循环神经网络中添加残差连接，以提高模型的性能并加速训练，改善模型的训练和序列建模能力。
【技术实现步骤摘要】
本专利技术涉及机器学习，具体地说，涉及ai人工智能机器学习系统及方法。
技术介绍
1、ai人工智能机器学习系统是利用机器学习技术来模仿人类的智能行为，机器学习是一种人工智能的分支，它让计算机系统通过从数据中学习，而不是显式地进行编程来完成任务。这些系统通过处理和分析大量数据，发现模式并从中学习，以便进行预测、分类、识别模式或做出决策。
2、但是，机器学习系统需要大量数据进行训练，模型训练效率较低，一些机器学习模型对于新数据分布的变化很敏感，如果新数据与训练数据的分布不同，可能导致模型性能下降，鉴于此，提供ai人工智能机器学习系统及方法。
技术实现思路
1、本专利技术的目的在于提供ai人工智能机器学习系统及方法，以解决上述
技术介绍
中提出的机器学习系统需要大量数据进行训练，模型训练效率较低的问题。
2、为实现上述目的，本专利技术目的在于提供了ai人工智能机器学习系统，包括：
3、数据收集及处理单元，所述数据收集及处理单元包括数据收集模块和预处理模块；
4、其中，所述数据收集模块收集用于训练的数据集；数据可能来自各种来源，如传感器、数据库、日志、社交媒体。
5、所述预处理模块用于将收集到的数据进行数据清洗；
6、模型训练单元，所述模型训练单元基于ai机器学习算法建立ai深度学习模型，并使用经过预处理的数据对ai深度学习模型进行训练，用于使ai深度学习模型从经过预处理的数据中学习并捕捉数据的模式、特征和关系；
<
p>7、模型优化单元，所述模型优化单元基于神经架构搜索对ai深度学习模型的结构进行优化；8、决策输出单元，所述决策输出单元用于将模型的输出转化为实际决策。
9、决策输出单元负责将训练好的模型产生的输出转化为实际的决策、行动或者建议，功能根据具体的应用场景而有所不同，以下是一些可能的情况和功能：
10、分类和预测转换：如果模型的任务是进行分类或者预测，决策输出单元会将模型输出的结果转化为实际的分类标签、概率值或者预测结果。例如，如果模型是用于图像识别，决策输出单元可能将模型预测的物体类别转化为文字描述或者相关的行动建议。
11、决策制定：在一些情况下，ai系统可能需要就特定情境下的结果做出决策。这个单元可能会将模型的输出映射到一系列可行的行动或者决策，并根据某些设定的规则或者条件做出最终的选择。例如，基于模型对市场趋势的预测，决策输出单元可以推荐买入或卖出某种证券。
12、作为本技术方案的进一步改进，所述数据清洗包括缺失值处理、异常值处理和数据去重处理。
13、作为本技术方案的进一步改进，所述ai机器学习算法基于循环神经网络与卷积神经网络的融合模型，其具体步骤如下：
14、s3.1、使用卷积神经网络作为特征提取器，来提取经过预处理数据中的图像数据特征，并通过卷积和池化层来提取图像的空间特征；
15、s3.2、将卷积神经网络提取的图像数据特征映射到循环神经网络中，提取空间特征；
16、s3.3、循环神经网络接收卷积神经网络提取的空间特征作为输入，并处理序列信息，在循环神经网络中添加残差连接；残差连接提高模型的性能并加速训练，改善模型的训练和序列建模能力，特别是在处理图像序列任务中；
17、s3.4、使用循环神经网络对序列信息数据进行建模，并在循环神经网络添加一个输出层进行预测、分类或决策输出中的任意一个任务。
18、作为本技术方案的进一步改进，所述s3.1中，在卷积神经网络中，图像特征提取通过卷积层和池化层完成，其具体操作为：
19、卷积操作：
20、；
21、其中，表示输入图像；表示卷积核；
22、则池化操作：
23、。
24、作为本技术方案的进一步改进，所述s3.3中，在循环神经网络中，rnn处理序列信息涉及的计算为：
25、；
26、其中，表示当前时间步的隐藏状态；表示输入；和表示权重矩阵；表示偏置；表示激活函数；
27、其中，将残差连接添加至上述公式中，优化调整公式为：
28、；
29、其中，表示前一个时间步的隐藏状态；通过在新的隐藏状态计算中加入，实现了残差连接的目的，有助于信息的流动和梯度的传播。
30、作为本技术方案的进一步改进，所述s3.4中，在预测任务中，预测得到的下一个时间步的值为：
31、；
32、其中，表示下一个时间步时预测的输出；表示当前时间步的隐藏状态；表示输出层的权重；表示输出层的偏置；
33、在分类任务中，使用softmax激活函数来得到每个类别的输出概率分布：
34、；
35、其中，表示输入向量；表示类别数量；表示第个类别的概率；表示对类别进行求和的索引；
36、在决策输出任务中，使用阈值函数，根据输出值确定决策结果：
37、
38、；
39、其中，表示模型的输出；表示阈值;
40、表示阈值函数。
41、作为本技术方案的进一步改进，所述神经架构搜索基于演化算法，对ai深度学习模型的结构进行优化的步骤如下：
42、s6.1、确定神经网络结构的参数范围、连接方式、层数、节点数变量，并将其组成一个搜索空间；
43、s6.2、随机生成初始的网络结构种群，作为演化算法的起始点；
44、s6.3、对每个网络结构进行训练和评估，使用训练集和验证集来评估每个网络结构的性能和泛化能力，这些评估指标通常作为适应度函数；适应度可以根据神经网络在特定任务上的性能来衡量，在图像分类任务中，可以使用分类准确率作为适应度指标；在语言模型生成任务中，可以使用困惑度指标；通常会将数据集划分为训练集和验证集。适应度可以基于神经网络在验证集上的性能来计算。这可以防止过拟合，并更好地衡量模型的泛化能力；
45、s6.4、根据适应度函数选择出较优秀的网络结构，作为下一代种群的父代个体；
46、s6.5、将选出的父代个体进行交叉操作，生成新的个体；
47、s6.6、对新生成的个体进行变异操作，引入随机性改变个体的某些特征，以便于探索更多的网络结构空间；
48、s6.7、通过重复执行选择、交叉和变异操作，逐渐演化出更优秀的网络结构，直至达到停止条件；
49、s6.8、在演化迭代结束后，从最终的种群中选择最优的网络结构作为最终结果，根据评估指标来确定最佳的神经网络结构。
50、作为本技术方案的进一步改进，所述s6.4中，用于确定下一代种群的父代个体的具体算法为：
51、；
52、其中，表示第个个体被选中的概率；表示第个个体的适应度；表示种群中个体的数量；
53、为了适应搜索空间的变化，根据种群中个体的变化情况来动态调整本文档来自技高网
...
【技术保护点】
1.AI人工智能机器学习系统，其特征在于，包括：
2.根据权利要求1所述的AI人工智能机器学习系统，其特征在于：所述数据清洗包括缺失值处理、异常值处理和数据去重处理。
3.根据权利要求1所述的AI人工智能机器学习系统，其特征在于：所述AI机器学习算法基于循环神经网络与卷积神经网络的融合模型，其具体步骤如下：
4.根据权利要求3所述的AI人工智能机器学习系统，其特征在于：所述S3.1中，在卷积神经网络中，图像数据特征的提取通过卷积层和池化层完成，其具体操作为：
5.根据权利要求3所述的AI人工智能机器学习系统，其特征在于：所述S3.3中，在循环神经网络中，RNN处理序列信息涉及的计算为：
6.根据权利要求3所述的AI人工智能机器学习系统，其特征在于：所述S3.4中，在预测任务中，预测得到的下一个时间步的值为：
7.根据权利要求1所述的AI人工智能机器学习系统，其特征在于：所述神经架构搜索基于演化算法，对AI深度学习模型的结构优化的步骤如下：
8.根据权利要求7所述的AI人工智能机器学习系统，其特征在于：所述S6.4中，用于确定下一代种群的父代个体的具体算法为：
9.根据权利要求7所述的AI人工智能机器学习系统，其特征在于：所述S6.6中，对新生成的个体进行改变连接权重的变异操作，在当前权重基础上加入随机噪声，来调整连接权重，其调整公式具体如下：
10.AI人工智能机器学习方法，用于如权利要求1-9中任意一项所述的AI人工智能机器学习系统，其特征在于，包括如下步骤：
...
【技术特征摘要】
1.ai人工智能机器学习系统，其特征在于，包括：
2.根据权利要求1所述的ai人工智能机器学习系统，其特征在于：所述数据清洗包括缺失值处理、异常值处理和数据去重处理。
3.根据权利要求1所述的ai人工智能机器学习系统，其特征在于：所述ai机器学习算法基于循环神经网络与卷积神经网络的融合模型，其具体步骤如下：
4.根据权利要求3所述的ai人工智能机器学习系统，其特征在于：所述s3.1中，在卷积神经网络中，图像数据特征的提取通过卷积层和池化层完成，其具体操作为：
5.根据权利要求3所述的ai人工智能机器学习系统，其特征在于：所述s3.3中，在循环神经网络中，rnn处理序列信息涉及的计算为：
6.根据权利要求3所述的ai人工智能机器学...
【专利技术属性】
技术研发人员：黄家欣，李艳，李珊，艾金龙，
申请(专利权)人：云南迅盛科技有限公司，
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。