[發明專利]一種數據處理方法、裝置、計算機及存儲介質

在審

• 申請號: 201811176811.1
• 申請日: 2018-10-10
• 公開（公告）號: CN109409504A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 錢信羽
• 申請（專利權）人: 深圳樂信軟件技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06Q40/02
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發明實施例公開了一種數據處理方法、裝置、計算機及存儲介質。其中，方式包括：獲取一維原始數據，將所述一維原始數據進行矩陣化處理，生成中間數據，其中，所述中間數據為二維矩陣數據；將所述中間數據輸入至預先訓練的卷積神經網絡模型中，其中，所述卷積神經網絡模型包括inception結構的卷積層；根據所述卷積神經網絡模型的輸出結果確定所述一維原始數據對應的處理結果。本發明實施例通過上述技術方案解決了卷積神經網絡模型不能處理一維數據的問題，進一步的，卷積神經網絡模型中包括inception結構的卷積層，從多維度、多組合方式對一維數據進行特征提取，提高了數據特征提取全面性和準確性，進一步提高了一維數據處理結果的精度。

技術領域

本發明實施例涉及深度學習技術，尤其涉及一種數據處理方法、裝置、計算機及存儲介質。

背景技術

卷積神經網絡是一種多層神經網絡，擅長處理圖像類數據的機器學習問題。它利用卷積層從多維數據中提取抽象特征，再將這些特征輸入到分類層訓練，得到合適的模型。采用卷積神經網絡算法的模型多次獲得國內外圖像識別競賽冠軍，是當前計算機視覺領域的主要算法，也是推動人工智能迅速發展的重要算法之一。

目前，卷積神經網絡主要應用于圖像處理領域，由于數據具有局部相關性，基于卷積神經網絡可以提取出圖像的高維特征，形成特征圖，便于對特征圖進行分析得到結果。但是目前的卷積神經網絡無法處理一維數據。

發明內容

本發明實施例提供一種數據處理方法、裝置、計算機及存儲介質，以實現提高一維數據處理的效率。

第一方面，本發明實施例提供了一種數據處理方法，包括：

獲取一維原始數據，將所述一維原始數據進行矩陣化處理，生成中間數據，其中，所述中間數據為二維矩陣數據；

將所述中間數據輸入至預先訓練的卷積神經網絡模型中，其中，所述卷積神經網絡模型包括inception結構的卷積層；

根據所述卷積神經網絡模型的輸出結果確定所述一維原始數據對應的處理結果。

第二方面，本發明實施例還提供了一種數據處理裝置，該裝置包括：

一維數據處理模塊，用于獲取一維原始數據，將所述一維原始數據進行矩陣化處理，生成中間數據，其中，所述中間數據為二維矩陣數據；

中間數據處理模塊，用于將所述中間數據輸入至預先訓練的卷積神經網絡模型中，其中，所述卷積神經網絡模型包括inception結構的卷積層；

處理結果確定模塊，用于根據所述卷積神經網絡模型的輸出結果確定所述一維原始數據對應的處理結果。

第三方面，本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如本發明實施例提供的數據處理方法。

第四方面，本發明實施例還提供了一種計算機，其特征在于，包括存儲器，處理器及存儲在存儲器上并可在處理器運行的計算機程序，所述處理器執行所述計算機程序時實現如本發明實施例提供的數據處理方法。

本發明實施例通過將一維原始數據轉換為二維矩陣格式的中間數據，基于預設的卷積神經網絡模型對中間數據進行處理，得到對一維原始數據的處理結果，解決了卷積神經網絡模型不能處理一維數據的問題，進一步的，卷積神經網絡模型中包括inception結構的卷積層，從多維度、多組合方式對一維數據進行特征提取，提高了數據特征提取全面性和準確性，進一步提高了一維數據處理結果的精度。

附圖說明

圖1是本發明實施例一提供的一種數據處理方法的流程圖；

圖2是本發明實施例一提供的inception結構的卷積層的示意圖；