(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111618877.3 (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 114357875 A (43)申请公布日 2022.04.15 (73)专利权人 广州龙数科技有限公司 地址 510260 广东省广州市海珠区新港西 路135号大院中大蒲园区628栋中大科 技园A座自编号70 3室 （仅限办公） 专利权人 广州弈衡大 数据研究院有限公司 (72)发明人 吴锐彬　曹晓虹　 (74)专利代理 机构 广州名扬高玥专利代理事务 所(普通合伙) 44738 专利代理师 郭琳(51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) 审查员 高琳 (54)发明名称 基于机器学习的智能数据处 理系统 (57)摘要 本发明涉及一种基于机器学习的智能数据 处理系统， 该系统包括设置模块， 用以设置若干 个学习周 期； 构建模块， 用以构建学习模型并在 每个学习周期内利用学习模型进行数据输入以 及输出数据处理结果， 学习模型包括至少两个参 数元； 采集模块， 用以在学习周期内采集环境参 数， 将环境参数输入至学习模型内； 比较模块， 用 以在获取历史学习周期内的任意多个学习周期 内的数据处理结果的均值与当前的数据处理结 果进行比较， 获取比较结果， 处理模块根据比较 结果调整采集模块的采集策略以及构建模块内 的参数元的数量。 通过在后续的学习周期内学习 模型的选择更为准确， 实现学习模型的不断修 正， 进而不断提高数据处理的精度， 提高数据处 理准确性。 权利要求书2页 说明书8页 附图1页 CN 114357875 B 2022.09.02 CN 114357875 B 1.一种基于 机器学习的智能数据处 理系统， 其特 征在于， 包括： 设置模块， 用以设置若干个学习周期， 每 个学习周期的时间长度是相同的； 构建模块， 用以构建学习模型并在每个学习周期内利用所述学习 模型进行数据输入以 及输出数据处理结果， 所述学习模型包括至少两个参数 元； 采集模块， 用以在学习周期内采集环境参数， 将所述环境参数输入至学习模型内， 利用 所述学习模型内的参数 元对环境 参数进行处 理， 获取在当前 学习周期内的数据处 理结果； 比较模块， 用以在获取历史学习周期内的任意多个学习周期内的数据处理结果的均值 与当前的数据处理结果进行比较， 获取比较结果， 在所述比较模块内对于数据 处理结果的 数据量进 行检测， 获取实际数据量D， 在 对历史学习周期内的数据处理结果的均值进 行获取 时， 若设置第一历史学习周期、 第二历史学习周期以及第三历史学习周期， 且第一历史学习 周期的处理结果的数据量为D1、 第二历史学习周期的处理结果的数据量为D2、 第三历史学 习周期的处理结果的数据量为D3， 在计算历史学习周期内的数据处理结果的均值DA则为DA ＝(D1+D2+D3)/3， 当实际数据量D>处理结果的均值DA时， 则在下一学习周期 内增加采集策 略和/或增 加参数元的数量； 当实际数据量D<处理结果的均值DA时， 则在下一学习周期内降低采集策略和/或降低参 数元的数量； 当实际数据量D＝处理结果的均值DA时， 则将当前学习周期内的采集策略以及参数元的 数量应用在下一学习周期内； 在下一学习周期内增加采集策略时， 处理模块预先设置有若干采集策略， 每个采集策 略对应一个 关键词， 在进 行数据采集时， 采集与所述关键词匹配的数据， 设置处理模块内的 关键词的标准数量为n0， 在 处理模块内还设置有第一调整系数k1、 第二调整系数k2和第三 调整系数k3， 处理模块在进行增加采集策略时， 若1.2 ×DA≥实际数据量D>DA， 则处理模块选 择第一调整系数k1对关键词的标准数量进行增 加； 若1.5×DA≥实际数据量D>1.2 ×DA， 则处理模块选择第二调整系数k2对关键词的标准 数量进行增 加； 若实际数据量D> 1.5×DA， 则处理模 块选择第三调整系数k3对关键词的标准数量进行增 加； 增加后的关键词的数量为ni＝n0 ×(1+ki)， 其中i＝1， 2， 3， 并且ni为整数， n0为整数， 且0<k1<k2<k3 <1， 并且当n i计算时不 为整数时采用向上 取整； 处理模块， 分别与所述采集模块、 构建模块和比较模块连接， 所述处理模块根据比较结 果调整采集模块的采集策略以及所述构建模块内的参数 元的数量。 2.根据权利要求1所述的基于 机器学习的智能数据处 理系统， 其特 征在于， 第一调整系数k1＝(D ‑DA)/D； 第二调整系数k2＝(D ‑0.8×DA)/D； 第三调整系数k3＝(D ‑0.5×DA)/D。 3.根据权利要求2所述的基于 机器学习的智能数据处 理系统， 其特 征在于， 在下一学习周期内增加参数元的数量时， 设置原学习模型内的参数元的数量为X个， 若 1.2×DA≥实际数据量D>DA， 则处理模块将学习模型内的参 数元增加至原来的2倍,增加之后 的参数元的数量 为2×X；权　利　要　求　书 1/2 页 2 CN 114357875 B 2若1.5×DA≥实际数据量D>1.2 ×DA， 则处理模块将学习模型内的参数元增加至原来的5 倍， 增加之后的参数 元的数量 为5×X； 若实际数据量D> 1.5×DA， 则处理模 块将学习模型内的参数元增加至原来的8倍， 增加之 后的参数 元的数量 为8×X； 每个学习模型内的参数元均设置有极限数量Xmax， 若调整后的参数元的数量 ≥极限数 量Xmax， 则将参数 元的数量调整为极限数量Xmax。 4.根据权利要求3所述的基于机器学习的智能数据处理系统， 其特征在于， 所述极限数 量Xmax为10 0。 5.根据权利要求4所述的基于机器学习的智能数据处理系统， 其特征在于， 在下一学习 周期内降低 采集策略时， 在处理模块内设置有标准差值ΔD0， 将处理结果的均值DA与D的实 际差值设置为ΔD， 若实际差值ΔD≤标准差值ΔD0， 则采用第一参数α 1降低 关键词中关键 字的耦合关系； 若实际差值ΔD>标准差值ΔD0， 则采用第二参数α2降低关键词中关键字的耦合关系， 其中第一 参数α 1+第二 参数α 2＝1， 且第一 参数α 1<第二 参数α 2。 6.根据权利要求5所述的基于机器学习的智能数据处理系统， 其特征在于， 所述第 一参 数α 1＝k1/(k1+k2+k3)； 所述第二 参数α 2＝(k2+k3)/(k1+k2+k3)。 7.根据权利要求6所述的基于 机器学习的智能数据处 理系统， 其特 征在于， 在下一学习周期内降低参数元的数量时， 若0.8 ×DA≥实际数据量D<DA， 则处理模块将 学习模型内的参数 元的降幅调整为原来的0.2倍,降低之后的参数 元的数量 为0.8×X； 若0.5×DA≤实际数据量D<0.8 ×DA， 则处理模块将学习模型内的参数元 的降幅调整至 原来的0.5倍， 降低之后的参数 元的数量 为0.5×X； 若实际数据量D<0.5 ×DA， 则处理模块将学习模型内的参数元的降幅调整至原来的0.8 倍， 降低之后的参数 元的数量 为0.2×X； 每个学习模型内的参数元均设置有极值数量Xmin， 若调整后的参数元的数量≤极值数 量Xmin， 则将参数 元的数量调整为极值数量Xmi n。 8.根据权利要求7所述的基于机器学习的智能数据处理系统， 其特征在于， 在任意学习 周期内， 所述环境参数为图像数据中的参数， 所述学习模型为卷积神经网络， 所述参数元为 对于任意参数的迭代次数， 所述数据处理结果为基于所述图像数据经过 处理之后的简要图 像中的直接获取 数据量。权　利　要　求　书 2/2 页 3 CN 114357875 B 3