申请/专利权人：广州中大医疗器械有限公司

申请日：2024-01-11

公开（公告）日：2024-06-25

公开（公告）号：CN117558451B

主分类号：G16H50/30

分类号：G16H50/30;G16H50/70;G06N3/0464;G06N3/0495;G06N3/088;G06N20/20;G06F16/27;G06F18/10;G06F18/213;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了一种基于大数据的神经损失程度评估方法，采用人工智能的方式对损失情况进行分析，具体的先对监控指标数据进行压缩和特征提取，因为压缩的压缩解压数据模型的压缩端是通过解压端进行反馈式的反复训练得到的，因此，压缩端提取到的压缩数据特征可以准确表示神经损失情况。将监控指标数据输入神经损失评估模型进行神经损失评估，得到损失评估值，得到的损失评估值可以更加直观反映神经的损失程度，因而可以提高神经损失程度评估的准确性和可靠性。

主权项：1.一种基于大数据的神经损失程度评估方法，其特征在于，包括：获得监控指标数据，监控指标数据包括影响神经损失的监控数据；将监控指标数据输入压缩解压数据模型的压缩端，通过压缩端对监控指标数据进行特征提取，得到压缩数据特征；将压缩数据特征写入数据存储容器；所述压缩解压数据模型包括压缩端和解压端；所述压缩数据特征是一个向量，向量的值表征监控指标数据的内容；在压缩端中，将监控指标数据输入三个二维卷积，通过特征提取，分别得到三个二维卷积向量；所述三个二维卷积的卷积核尺寸一致；将三个二维卷积向量进行拼接操作，得到第一压缩特征图；将第一压缩特征图输入卷积，通过特征提取，得到第二压缩特征图；将第二压缩特征图的三个特征向量进行融合，得到第三压缩特征向量；将第三压缩特征向量输入一维卷积，得到压缩数据特征；所述数据存储容器，包括：将数据存储容器进行分区，第一分区为数据存储区，第二分区为异常存储区，第三分区为规则存储区；所述规则存储区存储内容为监控规则和转换语句，数据存储区存储内容为监控指标数据，异常存储区存储内容为异常数据；其中，压缩端用于压缩监控指标数据，并将压缩数据特征写入数据存储容器的数据存储区；解压端用于解压数据存储区中的压缩数据特征，得到解压数据向量，并将解压数据向量用于神经损失评估模型进行训练；所述压缩解压数据模型在训练时通过解压端训练压缩端，在训练压缩解压数据模型时的训练数据和标签数据均为监控指标数据，将训练数据和标签数据进行处理，得到训练数据特征和标签数据特征，将训练数据特征输入压缩端进行训练，得到压缩数据特征；将压缩数据特征输入解压端，再次进行训练，得到解压数据向量，计算解压数据向量和标签数据特征之间的损失，通过压缩端优化器和解压端优化器优化模型参数，进行多轮训练，得到训练好压缩解压数据模型；将监控指标数据输入神经损失评估模型进行神经损失评估，得到损失评估值；所述损失评估值是指当前阶段出现的偏差值；将损失评估值与阈值进行比较，得到监控结果；若所述损失评估值小于阈值，则表示监控结果正常；若所述损失评估值大于或者等于阈值，表示神经损失程度严重；所述神经损失评估模型包括第一检测网络和第二检测网络；所述神经损失评估模型的训练方法，包括：获取训练数据信息；所述训练数据信息为历史监控指标数据；训练数据信息为读取数据存储容器中数据存储区的压缩数据特征，再将压缩数据特征输入压缩解压数据模型的解压端进行解压得到解压数据向量，在将解压数据向量进行反归一化、反平均化、反数值转换操作得到的数据；获得数据特征；所述数据特征包括在不同阶段的训练数据信息之间的最大值、最小值、平均值、众数、中位数、残差、方差、同比值、环比值；将数据特征输入第一检测网络，检测数据中异常信息，对异常信息对应的数据进行标记，得到异常特征标签；所述异常特征标签表示异常数据对应的被标记的值；根据异常特征标签，从数据特征中找到对应的异常数据特征，并将异常数据特征写入数据存储容器；将异常数据特征和正常数据特征通过数值限定，得到数据标签；所述正常数据特征为数据特征中的非异常数据特征；所述数值限定为将每一个异常数据特征的标签设定为0.8到1之间的一个数值，每一个正常数据特征的标签为0到0.5之间的一个数值，且数值不能重复；将数据特征和数据标签输入第二检测网络，通过调参，得到训练好的神经损失评估模型；所述第二检测网络是用于检测异常信息的有监督模型；将数据特征输入第一卷积，提取数据特征，得到第一卷积向量；所述第一卷积向量的元素包括第一卷积向量一元素、第一卷积向量二元素和第一卷积向量三元素；将第一卷积向量输入第二卷积，提取第一卷积向量特征，得到第二卷积向量；所述第二卷积向量的元素包括第二卷积向量一元素、第二卷积向量二元素和第二卷积向量三元素；将第二卷积向量分别输入第一池化层和第二池化层，通过最大池化和平均池化，得到三个第一池化向量和三个第二池化向量；所述三个第一池化向量分别为第一池化向量一、第一池化向量二、第一池化向量三；所述三个第二池化分别为第二池化向量一、第二池化向量二、第二池化向量三；将三个第一池化向量和三个第二池化向量对应向量进行相乘，得到三个池化向量；其中，第一池化向量一与第二池化向量一为对应向量，第一池化向量二与第二池化向量二为对应向量，第一池化向量三与第二池化向量三为对应向量；将三个池化向量进行维度拼接，得到全连接向量；所述维度拼接为将三个池化向量按照维度为0的方向进行拼接；将全连接向量输入全连接层，通过随机失活，得到输出向量；所述全连接层有三个线形层；计算输出向量与数据标签的损失，通过权重更新，得到训练好的神经损失评估模型。

全文数据：

权利要求：

百度查询： 广州中大医疗器械有限公司 一种基于大数据的神经损失程度评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD