[發明專利]基于神經網絡的數據處理裝置、方法及可讀存儲介質

在審

• 申請號: 201910907524.1
• 申請日: 2019-09-24
• 公開（公告）號: CN112633512A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 林子甄;蔡東佐;孫國欽;郭錦斌;李宛真
• 申請（專利權）人: 富泰華工業（深圳）有限公司;鴻海精密工業股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/04;G06K9/62
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 饒智彬;唐芳芳

一種基于神經網絡的數據處理方法，包括：將樣本數據劃分為訓練集及測試集；利用訓練集訓練預設神經網絡得到第一檢測模型；利用測試集對第一檢測模型進行驗證得到第一準確率；對訓練集及測試集進行清洗；利用清洗后的訓練集對經過微調處理的第一檢測模型進行訓練得到第二檢測模型；利用清洗后的測試集對第二檢測模型進行驗證得到第二準確率；若第一準確率大于第二準確率，則選定第一檢測模型為最終模型，否則選定第二檢測模型為最終模型，以通過該最終模型對待測數據進行檢測。本發明還提供一種數據處理裝置及計算機可讀存儲介質。上述基于神經網絡的數據處理裝置、方法及計算機可讀存儲介質，可提高模型的準確率，使得數據處理更高效、準確。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于神經網絡的數據處理裝置、方法及計算機可讀存儲介質。

背景技術

隨著大數據時代各行業對數據分析需求的持續增加，機器學習技術得到充足的發展，已被廣泛應用于各種生活情境中。在一實際情境中，通過找到樣本與標簽間的關聯性可設計并訓練出合適的模型，但是收集到的樣本可能會因為環境、樣本本身客觀缺陷或是人為等因素影響樣本在訓練時的訓練效果，同時也會影響模型的精準度。

發明內容

有鑒于此，有必要提供一種基于神經網絡的數據處理裝置、方法及計算機可讀存儲介質，其可提高模型的準確率，使得數據處理高效、準確。

本發明一實施方式提供一種基于神經網絡的數據處理方法，包括：將樣本數據劃分為訓練集及測試集；利用所述訓練集訓練預設神經網絡，以訓練得到第一檢測模型；利用所述測試集對所述第一檢測模型進行驗證，并根據驗證結果統計得到第一準確率；根據當前設定的數據清洗方式對所述訓練集及所述測試集進行清洗；對所述第一檢測模型進行預設方式的微調，并利用清洗后的訓練集對微調后的第一檢測模型進行訓練，以得到第二檢測模型；利用清洗后的測試集對所述第二檢測模型進行驗證，并根據驗證結果統計得到第二準確率；判斷所述第一準確率是否大于所述第二準確率；若所述第一準確率大于所述第二準確率，則選定所述第一檢測模型為最終檢測模型；若所述第一準確率不大于所述第二準確率，則選定所述第二檢測模型為所述最終檢測模型；及將待測數據輸入至所述最終檢測模型，以得到所述待測數據的檢測結果。

優選地，所述預設神經網絡為卷積神經網絡，所述訓練集的數據量大于所述測試集的數據量。

優選地，所述根據當前設定的數據清洗方式對所述訓練集及所述測試集進行清洗的步驟包括：

獲取用戶從數據清洗庫中選定的數據清洗方式；及

基于所述選定的數據清洗方式對所述訓練集及所述測試集進行清洗；

其中，所述數據清洗庫包含有多種數據清洗方式，所述設定的數據清洗方式為一種數據清洗方式或多種數據清洗方式的組合。

優選地，所述數據清洗庫包括多個數據清洗單元，每一所述數據清洗單元對應一種數據類型，所述方法還包括：

獲取所述樣本數據的數據類型；及

根據所述樣本數據的數據類型輸出所述數據清洗單元的選用建議。

優選地，所述對所述第一檢測模型進行預設方式的微調的步驟包括：

根據預設調整規則對所述第一檢測模型的模型參數進行調整。

優選地，所述模型參數為隱藏層的層數和/或隱藏層的神經元數。

優選地，所述方法還包括：

獲取所述樣本數據的數據類型；

根據所述樣本數據的數據類型獲取歷史清洗記錄中所選用的數據清洗方式；及

推送歷史清洗記錄中被選用次數排名前預設位的數據清洗方式為建議的數據清洗方式。