一种基于人工智能深度学习的监管数据处理实现方法与流程

本发明涉及人工智能，特别涉及一种基于人工智能深度学习的监管数据处理实现方法。

背景技术：

1、人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

2、随着网络科技的不断发展进步，大数据时代也逐渐到来，大数据在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。传统的数据处理模式已经难以适应现有的大数据时代下的监管数据处理。由此设计一种结合有人工智能，进行监管数据自动处理的方法。

技术实现思路

1、本发明提供了一种基于人工智能深度学习的监管数据处理实现方法，在数据预处理的基础上，对采集的监管数据建立了数据库，并建立深度学习网络模型，并通过反向传播算法进行网络模型训练，最终完成对深度学习网络的训练，以实现对监管数据的预期自动处理。

2、本发明提供了一种基于人工智能深度学习的监管数据处理实现方法，包括：

3、获取已使用的多方位的原始监管数据；其中，所述原始监管数据的采集设备包括多个不同的传感器、监控摄像头；

4、将所述原始监管数据与其对应的结果数据组成一一对应关系，以形成多组训练数据，并建立为训练数据库；其中，所述结果数据包括预测数据、诊断数据、评估数据；

5、构建深度学习模型，并采用所述训练数据库中的多组训练数据对所述深度学习模型进行模型训练和模型评估；

6、实时获取多方位的初始监管数据，并对所述初始监管数据进行数据预处理；其中，所述数据预处理包括筛选、清洗、转换、修正；

7、将所述初始监管数据输入训练完成的所述深度学习模型，得到预测数据或诊断数据或评估数据，以进行初始监管数据的预测或诊断或评估。

8、进一步地，所述构建深度学习模型，并采用所述训练数据库中的多组训练数据对所述深度学习模型进行模型训练和模型评估的步骤，包括：

9、构建神经网络模型，并对所述神经网络模型进行反向传播算法训练；

10、对所述神经网络模型的网络参数进行微调；

11、对所述神经网络模型进行模型评估，得到训练完成的所述神经网络模型。

12、进一步地，所述构建神经网络模型，并对所述神经网络模型进行反向传播算法训练的步骤中，

13、所述神经网络模型包括输入层、隐藏层和输出层，所述隐藏层的数量为多层，所述神经网络模型由多个神经元连接而成；

14、设输入值集合为{xm}，m为集合中数据的个数，神经元的输入为：

15、

16、其中，wi为第i个输入值的权值，b为偏置项，f(·)为激活函数，所述激活函数采用sigmoid函数，其公式为：

17、

18、第l层的第i个神经元的输入值加权和为：

19、

20、其中，n为神经元数量，l为层数，为第l-1层第j个神经元到第l层第i个神经元之间的输出权值，为第l-1层的第j个神经元的输出值，为第l-1的第i个神经元的偏置项。

21、进一步地，所述深度学习模型的计算过程为：

22、

23、由于是第l层的第i个神经元的输入值的加权和，在前向传播计算中，l+1层的输出值计算方式为：

24、进一步地，所述构建神经网络模型，并对所述神经网络模型进行反向传播算法训练的步骤中，反向传播算法训练包括：

25、初始化参数，并计算神经网络各层的激活值；

26、计算出期望误差e，并判断所述期望误差e是否小于δ；

27、若所述期望误差e小于δ，则输出训练模型；

28、若所述期望误差e大于等于δ，则更新各层参数，并更新各层激活值，返回所述计算出期望误差e，并判断所述期望误差e是否小于δ的步骤。

29、进一步地，所述计算出期望误差e，并判断所述期望误差e是否小于δ的步骤中，计算出期望误差e包括：

30、所述输出层直接计算输出与期望之间的误差e，所述隐藏层根据神经元残差的加权平均值进行计算；

31、所述神经网络各层输出值具体表示为：

32、

33、计算各层神经元的残差为：

34、

35、其中，x为输入集合，y为最后一层输出数据集合。

36、进一步地，对于神经网络的隐藏层，残差计算公式为：

37、

38、表示输出层的残差，计算公式为：

39、本发明还提供了一种基于人工智能深度学习的监管数据处理实现装置，包括：

40、获取模块，用于获取已使用的多方位的原始监管数据；其中，所述原始监管数据的采集设备包括多个不同的传感器、监控摄像头；

41、形成模块，用于将所述原始监管数据与其对应的结果数据组成一一对应关系，以形成多组训练数据，并建立为训练数据库；其中，所述结果数据包括预测数据、诊断数据、评估数据；

42、构建模块，用于构建深度学习模型，并采用所述训练数据库中的多组训练数据对所述深度学习模型进行模型训练和模型评估；

43、处理模块，用于实时获取多方位的初始监管数据，并对所述初始监管数据进行数据预处理；其中，所述数据预处理包括筛选、清洗、转换、修正；

44、输入模块，用于将所述初始监管数据输入训练完成的所述深度学习模型，得到预测数据或诊断数据或评估数据，以进行初始监管数据的预测或诊断或评估。

45、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

46、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

47、本发明的有益效果为：

48、本发明获取多方位的原始监管数据，与其对应的结果数据形成训练数据库；构建深度学习模型，采用训练数据库中的多组训练数据对进行模型训练和模型评估；实时获取多方位的初始监管数据，并进行数据预处理，输入训练完成的所述深度学习模型，得到预测数据或诊断数据或评估数据，以进行初始监管数据的预测或诊断或评估，实现对监管数据的预期自动处理。