[發明專利]樣本數據的處理方法和計算機存儲介質

在審

• 申請號: 201910851079.1
• 申請日: 2019-09-10
• 公開（公告）號: CN110689053A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 劉宏剛;李峰
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11262 北京安信方達知識產權代理有限公司
• 代理人: 張建秀;解婷婷

1.一種樣本數據的處理方法，其特征在于，包括：

采用預先獲取的訓練數據對第一模型進行訓練操作；

在對第一模型訓練完成后，利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據；

利用所述至少兩個空間特征樣本數據基于預先設置的第二模型的時序信息進行訓練；

在對第二模型訓練完成后，利用所述第二模型對接收到的數據進行預測操作。

2.根據權利要求1所述的方法，其特征在于，所述第一模型為CNN模型；和/或，所述第二模型為RNN模型。

3.根據權利要求1或2所述的方法，其特征在于，所述利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據，包括：

在檢測到利用所述時空序列的數據樣本訓練所述第一模型完成后，對每個時空序列的數據樣本進行前向推理操作；

提取所述CNN模型第一層的全連接層輸出的特征向量信息，作為空間特征樣本數據。

4.根據權利要求2所述的方法，其特征在于，所述RNN模型記憶單元隱藏層第t個時刻的狀態s_t是通過如下方式得到的，包括：

s_t＝f(U*x_t+W*s_t-1)

其中f為非線性激活函數，U和W均為RNN模型的參數，x_t為輸入的樣本數據，s_t-1為t-1時刻隱藏層狀態，t為大于等于1的整數。

5.根據權利要求1或2所述的方法，其特征在于，所述第一模型和/或第二模型是否完成訓練操作是通過如下方式得到的包括：

根據訓練數據的真實值及預測值，計算所述第一模型和/或第二模型的損失信息；

判斷所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后減少；

若所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后不減少，則確定第一模型和/或第二模型訓練完成。

6.一種計算機存儲介質，其特征在于，包括處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器調用所述存儲器中的計算機程序以實現如下操作，包括：

采用預先獲取的訓練數據對第一模型進行訓練操作；

在對第一模型訓練完成后，利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據；

利用所述至少兩個空間特征樣本數據基于預先設置的第二模型的時序信息進行訓練；

在對第二模型訓練完成后，利用所述第二模型對接收到的數據進行預測操作。

7.根據權利要求6所述的計算機存儲介質，其特征在于，所述處理器調用所述存儲器中的計算機程序以實現設置所述第一模型為CNN模型；和/或，所述第二模型為RNN模型的操作。

8.根據權利要求6或7所述的計算機存儲介質，其特征在于，所述處理器調用所述存儲器中的計算機程序以實現所述利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據的操作，包括：

在檢測到利用所述時空序列的數據樣本訓練所述第一模型完成后，對每個時空序列的數據樣本進行前向推理操作；

提取所述CNN模型第一層的全連接層輸出的特征向量信息，作為空間特征樣本數據。

9.根據權利要求7所述的計算機存儲介質，其特征在于，所述處理器調用所述存儲器中的計算機程序以實現通過如下方式得到的所述RNN模型記憶單元隱藏層第t個時刻的狀態s_t的操作，包括：

s_t＝f(U*x_t+W*s_t-1)

其中f為非線性激活函數，U和W均為RNN模型的參數，x_t為輸入的樣本數據，s_t-1為t-1時刻隱藏層狀態，t為大于等于1的整數。

10.根據權利要求6或7所述的計算機存儲介質，其特征在于，所述處理器調用所述存儲器中的計算機程序以實現通過如下方式得到所述第一模型和/或第二模型是否完成訓練操作，包括：

根據訓練數據的真實值及預測值，計算所述第一模型和/或第二模型的損失信息；

判斷所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后減少；

若所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后不減少，則確定第一模型和/或第二模型訓練完成。