[發(fā)明專利]基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法

在審

• 申請?zhí)枺?/td>: 202010937112.5
• 申請日: 2020-09-08
• 公開（公告）號: CN112100912A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設計）人: 陳國強;薛曉剛;遲喚昭;畢明麗;張成;李彩虹
• 申請（專利權）人: 長春工程學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F16/25;G06F111/04
• 代理公司: 北京國坤專利代理事務所(普通合伙) 11491
• 代理人: 趙紅霞

本發(fā)明屬于數(shù)據處理技術領域，公開了一種基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法，所述基于滿足K度稀疏約束的深度學習模型的數(shù)據處理系統(tǒng)包括：地球化學數(shù)據獲取模塊、深度學習模型構建模塊、模型訓練模塊、中央控制模塊、數(shù)據輸入模塊、模型更新模塊、特征值獲取模塊、特征值輸入模塊、最佳模型獲取模塊、數(shù)據分析模塊、輸出模塊。本發(fā)明通過獲取的地球化學數(shù)據進行深度學習模型的構建，進行構建的深度學習模型的訓練，能夠實現(xiàn)可觀、準確分析；克服現(xiàn)有神經網絡模型的訓練速度過長、參數(shù)優(yōu)化困難的缺點，提高深度神經網絡模型的擴展能力、執(zhí)行速度，改善無監(jiān)督學習難度和參數(shù)優(yōu)化難度，降低深度學習算法進行大數(shù)據處理的難度。

技術領域

本發(fā)明屬于數(shù)據處理技術領域，尤其涉及一種基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法。

背景技術

目前：隨著網絡技術的快速發(fā)展，數(shù)據的容量和多樣性快速增加，而處理數(shù)據的算法復雜度卻難以改善，如何高效處理大數(shù)據已經成為一個緊迫的難題。在現(xiàn)有的依賴個人經驗和手工操作來描述數(shù)據、標注數(shù)據、選擇特征、提取特征、處理數(shù)據的方法，已經很難滿足大數(shù)據快速增長的需求。隨著人工智能技術的快速發(fā)展，特別是深度學習算法的研究突破，為解決大數(shù)據處理問題指明了一個值得探索的方向。Hinton等人在2006年提出了用于深度置信網的逐層初始化訓練方法，這是深度學習方法的研究起點，該方法打破了持續(xù)了幾十年的深度神經網絡訓練困難且效果不好的局面。此后，深度學習算法替代了傳統(tǒng)算法，在圖像識別、語音識別、自然語言理解等領域得到廣泛的應用。深度學習是通過模擬人腦分層次的抽象，將底層數(shù)據逐層映射而獲得更抽象的特征，由于它可以從大數(shù)據中自動提取特征，并通過海量的樣本訓練獲得很好的處理效果，從而得到了廣泛的關注。實際上，大數(shù)據的快速增長和深度學習的研究突破是相輔相成的，一方面大數(shù)據的快速增長需要一種高效處理海量數(shù)據的方法，另一方面深度學習模型的訓練需要海量的樣本數(shù)據。總之，大數(shù)據可以使深度學習的性能達到極致。

地球化學是研究地球的化學組成、化學作用和化學演化的科學，它是地質學與化學、物理學相結合而產生和發(fā)展起來的邊緣學科。但是目前暫無將深度學習與地球化學數(shù)據的分析結合的方案，無法實現(xiàn)對地球化學數(shù)據處理的準確性和便捷性的提升。

通過上述分析，現(xiàn)有技術存在的問題及缺陷為：目前暫無將深度學習與地球化學數(shù)據的分析結合的方案，無法實現(xiàn)對地球化學數(shù)據處理的準確性和便捷性的提升。

發(fā)明內容

針對現(xiàn)有技術存在的問題，本發(fā)明提供了一種基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法。

本發(fā)明是這樣實現(xiàn)的，一種基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法，所述基于滿足K度稀疏約束的深度學習模型的數(shù)據處理方法包括以下步驟：

步驟一，通過地球化學數(shù)據獲取模塊利用地球化學數(shù)據獲取程序從數(shù)據庫中提取地球化學數(shù)據；

所述通過地球化學數(shù)據獲取模塊利用地球化學數(shù)據獲取程序從數(shù)據庫中提取地球化學數(shù)據，包括：

(1)當檢測到操作事務生成的完成標識時，根據所述操作事務對應的操作因子，生成所述操作數(shù)據；

(2)將所述操作數(shù)據添加到所述數(shù)據庫中，并生成用于區(qū)分所述操作事務的操作編號；

(3)當接收到對所述操作數(shù)據的提取請求時，根據所述提取請求攜帶的提取數(shù)據量信息，從數(shù)據庫中確定目標提取數(shù)據；

(4)提取所述目標提取數(shù)據，以及所述目標提取數(shù)據在所述數(shù)據庫中的操作編號，得到數(shù)據提取表；

步驟二，通過深度學習模型構建模塊利用深度學習模型構建程序構建深度學習模型；通過模型訓練模塊利用模型訓練程序進行深度學習模型的訓練，得到深度學習神經網絡；

所述通過模型訓練模塊利用模型訓練程序進行深度學習模型的訓練，得到深度學習神經網絡，包括以下步驟：