基于人工智能辨识数据感知系统及其方法与流程

本发明涉及人工智能，具体为基于人工智能辨识数据感知系统及其方法。

背景技术：

1、基于人工智能的数据感知系统是一种利用先进的机器学习算法和数据处理技术，从各种数据源中自动识别、提取和分析有用信息的系统。这种系统能够处理和分析海量数据，提供有价值的洞察和预测，从而为企业决策提供支持。基于人工智能的数据感知系统通常包括数据采集模块、数据处理模块、特征提取模块、模型训练推理模块和决策执行模块五大组成部分。根据用户指令采集原始数据后，对数据进行标准化预处理，通过系统算法提取关键特征，在训练模型中计算得出推理结果，再根据推理结果做出决策并执行对应操作。基于人工智能的数据感知系统广泛应用于医疗健康领域，通过分析医疗影像、病历记录等数据，辅助医生进行疾病诊断和治疗计划制定。应用于自动驾驶领域时，通过感知周围环境，识别道路、障碍物、行人等信息，实现车辆的自动驾驶。应用于智能监控领域时，实时监控公共区域视频流，能够快速识别检测异常行为或事件。在工业自动化生产线上，通过感知设备状态和产品质量，能够实现生产过程的自动化控制。针对网络安全领域，通过分析网络流量和系统日志，能够有效识别潜在的安全威胁，保护信息系统的安全。随着技术的不断进步，基于人工智能的数据感知系统的未来发展趋势能够融合更多类型的数据源，经过不断训练学习，能够增强模型的泛化能力和提高系统的可解释性。

2、目前，传统基于人工智能辨识数据感知系统依赖于已有的数据模式进行学习和判断，如果遇到与训练数据差异较大的新情况，系统的泛化能力可能会受到挑战，尤其深度学习模型在推理决策的过程中往往是黑箱的，缺乏透明度和可解释性，在需要高度可靠性和可审计性的应用领域中，推理辨识结果具有较大误差。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了基于人工智能辨识数据感知系统及其方法，具备感知辨识新数据泛化能力强、推理决策透明度高结果准确误差小等优点，解决了传统基于人工智能辨识数据感知系统泛化能力弱，推理决策缺乏透明度误差大的问题。

3、(二)技术方案

4、为实现上述目的，本发明提供如下技术方案：基于人工智能辨识数据感知系统，包括采集感知模块、推理辨识模块和决策执行模块；

5、所述用户通过用户端将目标指令zl传输至采集感知模块，所述采集感知模块包括被动感知单元、主动感知单元和特征提取单元，所述被动感知单元根据目标指令zl网络连接传感器实时采集传感数据集，进行编号后通过网络传输至特征提取单元，所述特征提取单元根据目标指令zl和传感数据集提取关键数据组gj，进行编号后传输至用户端等待用户核对确认，所述特征提取单元将已核对确认的关键数据组gj通过网络传输至主动感知单元，所述主动感知单元根据关键数据组gj通过网络连接大数据平台采集学习数据集，并通过网络传输至推理辨识模块；

6、所述推理辨识模块包括建模单元和推理单元，所述建模单元根据学习数据集特征对其进行编号，所述建模单元根据学习数据集，计算出深度学习模型sdmx，并通过网络传输至推理单元，所述推理单元根据深度学习模型sdmx和关键数据组gj，计算出辨识数据组bisj，并通过网络传输至决策执行模块，所述推理辨识模块通过网络连接决策执行模块；

7、所述决策执行模块根据辨识数据组bisj，网络连接用户端确认决策或连接执行装置进行操作。

8、优选的，所述被动感知单元根据传感数据集特征对其进行编号，所述传感数据集编号为cg1、cg2、cg3、...cgn。

9、优选的，所述特征提取单元根据目标指令zl和传感数据集提取关键数据组gj，其提取算法如下：

10、

11、公式中，gj表示关键数据组，zl∩cgn表示系统根据目标指令对应筛选出的传感数据集中的已知高质关键数据，cgn-zln表示系统根据目标指令对应筛除的传感数据集中的未知关键特征，表示系统处理未知关键特征数据量占目标指令数据量的百分比。

12、优选的，所述特征提取单元根据关键数据组gj特征对其进行编号，所述关键数据组gj编号为gj1、gj2、gj3、...gjn，传输至用户端等待用户核对确认关键数据组gj。

13、优选的，所述用户反馈全部关键数据组gj确认无误时，特征提取单元将已核对确认的关键数据组gj通过网络传输至主动感知单元，所述用户反馈关键数据组gj系统理解偏差错误时，特征提取单元根据目标指令zl和传感数据集再次提取关键数据组gj，并将更新后的关键数据组gj编号后传输至用户端再次等待用户核对确认，循环提取形成闭环，直至用户反馈全部关键数据组gj确认无误后停止提取。

14、优选的，所述建模单元根据学习数据集特征对其进行编号，所述学习数据集编号为xe1、xe2、xe3、...xen。

15、优选的，所述建模单元通过网络连接数据集库采集历史推理模型lsmx，结合学习数据集，计算出深度学习模型sdmx，其计算公式如下：

16、

17、公式中，sdmx表示深度学习模型，α0表示历史推理模型根据新数据学习训练的容差参数，表示学习数据集中特征数据的特征均值，表示历史推理模型根据新数据学习训练得出的更高性能推理辨识模型。

18、优选的，所述推理单元根据深度学习模型sdmx和关键数据组gj，计算出辨识数据组bisj，其计算公式如下：

19、bisj＝∑sdmx(gj1+cj2+cj3+...+gjn)

20、公式中，bisj表示辨识数据组，∑sdmx(gj1+cj2+cj3+...+gjn)表示关键数据组中所有关键特征代入深度学习模型中推理出的辨识数据。

21、优选的，所述决策执行模块通过网络连接用户端，并将辨识数据组bisj传输至用户端，所述用户在用户端设置自动执行模式时，决策执行模块将辨识数据组bisj传输至执行装置自动执行，所述用户在用户端设置执行需验证模式时，等待用户核对确认辨识数据组bisj无误后，决策执行模块连接执行装置进行执行操作。

22、优选的，基于人工智能辨识数据感知方法，包括以下步骤：

23、步骤一、采集感知模块接收用户端目标指令zl，传输至被动感知单元，对应连接传感器采集目标指令zl相关的传感数据集，进行编号后传输至特征提取单元，筛选具有决策意义的数据；

24、步骤二、特征提取单元根据目标指令zl和传感数据集提取关键数据组gj，进行编号后传输至用户端等待用户核对确认，清晰显示已知特征和未知特征百分比，若用户反馈关键数据组gj系统理解偏差错误，特征提取单元循环更新关键数据组gj直至用户确认无误；

25、步骤三、主动感知单元根据关键数据组gj通过网络连接大数据平台采集学习数据集，根据目标指令zl中未知特征学习相关联的新数据；

26、步骤四、建模单元通过网络连接数据集库采集历史推理模型lsmx，结合学习数据集，计算出深度学习模型sdmx，学习训练得出的更高性能推理辨识模型；

27、步骤五、推理单元根据深度学习模型sdmx和关键数据组gj，计算出辨识数据组bisj，对应目标指令zl推理出最终的辨识数据；

28、步骤六、决策执行模块将辨识数据组bisj传输至用户端，自动执行模式时直接连接执行装置，执行需验证模式时，等待用户核对确认无误后连接执行装置。

29、与现有技术相比，本发明提供了基于人工智能辨识数据感知系统及其方法，具备以下有益效果：

30、1、本发明通过采集感知模块接收用户端目标指令zl，传输至被动感知单元，对应连接传感器采集目标指令zl相关的传感数据集，进行编号后传输至特征提取单元，筛选具有决策意义的数据，特征提取单元根据目标指令zl和传感数据集提取关键数据组gj，进行编号后传输至用户端等待用户核对确认，清晰显示已知特征和未知特征百分比，保证了关键数据的可解释性，若用户反馈关键数据组gj系统理解偏差错误，特征提取单元循环更新关键数据组gj直至用户确认无误，保证了后续参与推理辨识关键数据的准确性，主动感知单元根据关键数据组gj通过网络连接大数据平台采集学习数据集，根据目标指令zl中未知特征学习相关联的新数据，感知辨识新数据泛化能力强。

31、2、本发明通过建模单元网络连接数据集库采集历史推理模型lsmx，结合学习数据集，计算出深度学习模型sdmx，学习训练得出的更高性能推理辨识模型，确保了后续推理辨识结果的稳定性和可靠性，推理单元根据深度学习模型sdmx和关键数据组gj，计算出辨识数据组bisj，将具有决策意义的完整数据代入最优深度学习模型，得出的辨识结果更加准确误差小，决策执行模块根据辨识数据组bisj，网络连接用户端确认决策或连接执行装置进行操作，系统响应迅速，推理辨识效率更高。