[發明專利]優化特征數據提取的方法及其相關產品

在審

• 申請號: 202011501057.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112579843A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 陳依云
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06F16/9038;G06F16/906;G06K9/62;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

1.一種優化特征數據提取的方法，其特征在于，應用于電子設備，所述方法包括：

獲取多個第一特征數據；

將所述多個第一特征數據進行分組，得到多個第一特征數據集；

計算所述多個第一特征數據集中每個第一特征數據集中每兩第一特征數據之間的相關度，得到多個相關度；

根據所述多個相關度對所述每個第一特征數據集中的第一特征數據進行排序，得到第一有序數據集；

根據所述第一有序數據集和預先訓練好的第一特征提取模型，確定第二有序數據集，所述第二有序數據集與所述第一有序數據集對應；

將所述第二有序數據集輸入預先訓練好的神經網絡模型，得到目標數據。

2.根據權利要求1所述的方法，其特征在于，所述將所述多個第一特征數據進行分組，得到多個第一特征數據集，包括：

根據聚類分析算法，將所述多個第一特征數據進行分組，得到所述多個第一特征數據集。

3.根據權利要求2所述的方法，其特征在于，所述聚類分析算法包括K均值聚類(kmeans)聚類算法；

所述根據聚類分析算法，將所述多個第一特征數據進行分組，得到所述多個第一特征數據集，包括：

根據kmeans聚類算法計算所述多個第一特征數據的特征之間的相似性；

根據所述特征之間的相似性對所述多個第一特征數據進行分組，得到所述多個第一特征數據集。

4.根據權利要求1所述的方法，其特征在于，所述根據所述多個相關度對所述每個第一特征數據集中的第一特征數據進行排序，得到第一有序數據集，包括：

根據所述多個相關度，對所述每個第一特征數據集中的第一特征數據進行降序排序，得到所述第一有序數據集；或，

根據所述多個相關度，對所述每個第一特征數據集中的第一特征數據進行升序排序，得到所述第一有序數據集。

5.根據權利要求1所述的方法，其特征在于，

所述根據所述第一有序數據集和訓練好的第一特征提取模型，確定第二有序數據集，包括：

將所述第一有序數據集中的第一特征數據，轉換成預處理矩陣；

將所述預處理矩陣輸入到特征金字塔網絡模型中，得到所述第二有序數據集，其中，所述特征金字塔網絡模型為所述預訓練好的第一特征提取模型。

6.根據權利要求5所述的方法，其特征在于，所述將所述預處理矩陣輸入到特征金字塔網絡模型中，得到所述第二有序數據集，包括：

將所述預處理矩陣輸入第一卷積器和進行最大池化操作得到第一特征矩陣；

將所述第一特征矩陣輸入第一改造模塊和進行最大池化操作，得到第一目標特征矩陣；

將所述第一特征矩陣輸入第二卷積器和進行最大池化操作，得到第二特征矩陣；

將所述第二特征矩陣輸入第二改造模塊和進行最大池化操作，得到第二目標特征矩陣；

將所述預處理矩陣、第一目標特征矩陣和第二目標特征矩陣進行拼接融合，得到所述第二有序數據集。

7.根據權利要求5所述的方法，其特征在于，所述將所述預處理矩陣輸入到特征金字塔網絡模型中，得到所述第二有序數據集，包括：

將所述預處理矩陣輸入第一卷積器和進行最大池化操作得到第一特征矩陣；

將所述第一特征矩陣輸入第一改造模塊和進行最大池化操作，得到第一目標特征矩陣；

將所述第一特征矩陣輸入第二卷積器和進行最大池化操作，得到第二特征矩陣；

將所述第二特征矩陣輸入第二改造模塊和進行最大池化操作，得到第二目標特征矩陣；

將所述第二特征矩陣輸入第三卷積器和進行最大池化操作，得到第三特征矩陣；

將所述第三特征矩陣輸入第三改造模塊和進行最大池化操作，得到第三目標特征矩陣；

將所述預處理矩陣、所述第一目標特征矩陣、所述第二目標特征矩陣和所述第三目標特征矩陣進行拼接融合，得到所述第二有序數據集。