[發明專利]基于人工智能的增強混合學習系統

在審

• 申請號: 202211435718.4
• 申請日: 2022-11-16
• 公開（公告）號: CN115761334A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 孫耕;黃正洪;何盈盈;俞興木;陳紅陽
• 申請（專利權）人: 重慶人文科技學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/77;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 湖北唯邁知識產權代理事務所(普通合伙) 42314
• 代理人: 王繼云

1.基于人工智能的增強混合學習系統，其特征在于，包括以下步驟：

S1、通過傳輸模塊在互聯網上下載和線下自主輸入獲取大量的學習數據；

S2、將獲取的數據傳輸到數據庫內；

S3、處理模塊啟動分類模塊對數據庫內的數據進行分類；

S4、處理模塊啟動分析模塊分別對數據庫內的分類后的數據分別進行分析學習。

2.根據權利要求1所述的基于人工智能的增強混合學習系統，其特征在于：所述數據分類的步驟為：

S21、先通過線下自主輸入adult數據集，將獲取的adult數據集進行預處理分別各個分類的特征項；

S22、通過獲取的所述特征項基于神經網絡建立特征表達模型；

S23、利用輸入層向量和數據特征項矩陣進行相乘，將相乘后所得矩陣映射到輸出層，得到特征項向量；

S33、基于所述特征項向量表達及所述神經網絡建立數據分類模型；

S34、將后續通過互聯網和線下自主輸入獲取的大量學習數據導入特征表達模型，經過計算獲得特征項向量，將特征項向量導入所述數據分類模型，通過所述數據分類模型中的分類模塊進行結果預測，根據投票得分方式得到預測分類結果。

3.根據權利要求2所述的基于人工智能的增強混合學習系統，其特征在于：所述建立特征表達模型的步驟為：

S31、將所述數據分類模型中的分類模塊進行初始化訓練；

S32、獲取訓練樣本，將訓練樣本進行分類生成訓練集，采集所述訓練集的特征，進行隨機合并生成新訓練樣本特征；

S33、通過所述訓練集及所述新訓練樣本特征隨機導入所述分類模塊進行訓練；

S34、生成訓練后數據分類模型，將所述特征項向量導入訓練后數據分類模型，對待分類數據進行分類。

4.根據權利要求1所述的基于人工智能的增強混合學習系統，其特征在于：所述分析模塊分析學習步驟為：

S41、將數據庫內的數據進行初步處理和預處理得到數據I后，輸入到訓練后的深度學習模型中得到數據III，對數據III進行后處理得到數據IV后，將數據I與數據IV進行融合重構得到高清晰的數據V；

S42、深度學習模型由VGG16網絡和DenseUnet網絡組成；VGG16網絡用于對數據I進行數據的粗提取得到數據II，對不同的數據II進行不同程度的上下采樣操作得到特征向量后進行特征融合，并輸出數據III，其中，下采樣操作采用DCNN網絡；

S43、訓練過程即以數據I作為深度學習模型的輸入，以理論輸出的數據III作為深度學習模型的輸出，不斷調整深度學習模型的所有參數，直到達到訓練終止條件的過程。

5.根據權利要求1所述的基于人工智能的增強混合學習系統，其特征在于：所述分析模塊分析學習的時需要：

S51、定義深度學習模型的偏見；

S52、選擇adult數據集作為原始數據集，利用one-hot編碼對原始數據集的敏感屬性進行在數據庫內提取擴充，并對其他屬性進行保留或削弱，得到樣本數據集；

S53、將S42得到的樣本數據集根據敏感屬性和類標分為四個子集，利用數據生成法補全各個子集，使四個子集的數據條數相同，進行數據增強

S54、定義偏見指標函數；

S55、構建深度學習魯棒性模型，將S43數據增強得到的四個數據集子集進行融合，然后將融合后的數據集輸入深度學習魯棒性模型進行訓練，利用S44定義的偏見指標函數進行檢測，直至準確率和偏見程度達到預設值，完成訓練。