買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜蘇州律點(diǎn)信息科技有限公司申請(qǐng)的專利提高數(shù)據(jù)處理精度的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN113902090B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202011293111.8，技術(shù)領(lǐng)域涉及：G06N3/08；該發(fā)明授權(quán)提高數(shù)據(jù)處理精度的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)是由許堅(jiān);羅章維;張旸;朱晨陽(yáng)設(shè)計(jì)研發(fā)完成，并于2020-11-18向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本提高數(shù)據(jù)處理精度的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)在說(shuō)明書摘要公布了：本公開涉及一種提高數(shù)據(jù)處理精度的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，以解決業(yè)務(wù)分類精度較低的問(wèn)題，包括：確定目標(biāo)用戶的目標(biāo)數(shù)據(jù)信息；基于調(diào)用的云端神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述目標(biāo)用戶的所述目標(biāo)數(shù)據(jù)信息得到所述目標(biāo)用戶的目標(biāo)特征，其中，所述云端神經(jīng)網(wǎng)絡(luò)模型是通過(guò)以下方式訓(xùn)練得到的：獲取多個(gè)子模型，每一所述子模型是基于種子用戶的原始數(shù)據(jù)信息作為訓(xùn)練樣本訓(xùn)練得到的，將所述多個(gè)子模型作為所述云端神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)訓(xùn)練樣本，訓(xùn)練得到所述云端神經(jīng)網(wǎng)絡(luò)模型；所述云端神經(jīng)網(wǎng)絡(luò)模型用于將所述原始數(shù)據(jù)信息作為輸入量確定所述目標(biāo)用戶的目標(biāo)特征，并將所述目標(biāo)特征作為輸出量輸出。可以提高數(shù)據(jù)處理精度及準(zhǔn)確性。

本發(fā)明授權(quán)提高數(shù)據(jù)處理精度的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)在權(quán)利要求書中公布了：1.一種提高數(shù)據(jù)處理精度的方法，其特征在于，所述方法包括：確定目標(biāo)用戶的目標(biāo)數(shù)據(jù)信息；基于調(diào)用的云端神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述目標(biāo)用戶的所述目標(biāo)數(shù)據(jù)信息得到所述目標(biāo)用戶的目標(biāo)特征，其中，所述云端神經(jīng)網(wǎng)絡(luò)模型是通過(guò)以下方式訓(xùn)練得到的：獲取多個(gè)子模型，每一所述子模型是基于種子用戶的原始數(shù)據(jù)信息作為訓(xùn)練樣本訓(xùn)練得到的，將所述多個(gè)子模型作為所述云端神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)訓(xùn)練樣本，訓(xùn)練得到所述云端神經(jīng)網(wǎng)絡(luò)模型；所述云端神經(jīng)網(wǎng)絡(luò)模型用于將所述目標(biāo)數(shù)據(jù)信息作為輸入量確定所述目標(biāo)用戶的目標(biāo)特征，并將所述目標(biāo)特征作為輸出量輸出；其中，所述神經(jīng)網(wǎng)絡(luò)模型為醫(yī)療模型，首先在本地對(duì)m個(gè)子模型基于病人的原始病歷以及原始臨床數(shù)據(jù)進(jìn)行訓(xùn)練，得到多個(gè)子模型，然后獲取訓(xùn)練得到的m個(gè)子模型，并計(jì)算每一所述子模型關(guān)于訓(xùn)練數(shù)據(jù)的復(fù)雜度，得到該子模型對(duì)應(yīng)的泛化誤差，以對(duì)子模型進(jìn)行評(píng)估，進(jìn)而確定作為初值的目標(biāo)子模型，并將每一個(gè)評(píng)估結(jié)果上傳至云端，以便云端選擇作為初值的目標(biāo)子模型，以及，根據(jù)評(píng)估結(jié)果擇優(yōu)選擇作為初值的子模型，并訓(xùn)練得到醫(yī)療模型，判斷得到的醫(yī)療模型是否需要更新，并在確定不需要對(duì)醫(yī)療模型進(jìn)行更新的情況下，得到融合后的模型，并在確定需要對(duì)醫(yī)療模型進(jìn)行更新的情況下，向本地請(qǐng)求醫(yī)療模型需要的數(shù)據(jù)，該數(shù)據(jù)為非訓(xùn)練數(shù)據(jù)，并接收到k個(gè)反饋，進(jìn)而更新醫(yī)療模型，其中，0km+1；所述將所述多個(gè)子模型作為所述云端神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)訓(xùn)練樣本，訓(xùn)練得到所述云端神經(jīng)網(wǎng)絡(luò)模型，包括：計(jì)算每一所述子模型關(guān)于對(duì)應(yīng)的訓(xùn)練樣本的復(fù)雜度，得到該子模型對(duì)應(yīng)的泛化誤差；將泛化誤差小于等于預(yù)設(shè)閾值的子模型作為所述云端神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的所述目標(biāo)訓(xùn)練樣本；根據(jù)所述目標(biāo)訓(xùn)練樣本，訓(xùn)練得到所述云端神經(jīng)網(wǎng)絡(luò)模型；所述計(jì)算每一所述子模型關(guān)于對(duì)應(yīng)的訓(xùn)練樣本的復(fù)雜度，得到該子模型對(duì)應(yīng)的泛化誤差，具體為： 其中，LDh為所述泛化誤差，LSh為訓(xùn)練誤差，為拉德馬赫復(fù)雜度，l為損失函數(shù)，為假設(shè)類，S為訓(xùn)練集的樣本個(gè)數(shù)，并且 L為損失函數(shù)l關(guān)于預(yù)測(cè)項(xiàng)Lipschitz連續(xù)的常數(shù)，r0為局部拉德馬赫復(fù)雜度的半徑，用于約束假設(shè)類以獲得更緊的上界，λj為對(duì)稱方陣按非升順序排列的特征值，j＝1...m，表示第i個(gè)樣本傳播到緊挨輸出層的值，δ為置信度，并且0＜δ＜1，所述置信度δ為0.95；所述云端神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練還包括：向所述子模型請(qǐng)求該子模型的訓(xùn)練樣本的數(shù)據(jù)量，以及訓(xùn)練誤差在模型參數(shù)中的梯度；根據(jù)所述訓(xùn)練樣本的數(shù)據(jù)量以及所述訓(xùn)練誤差在模型參數(shù)中的梯度，計(jì)算所述云端神經(jīng)網(wǎng)絡(luò)模型的梯度方向；基于梯度下降法，根據(jù)所述梯度方向?qū)λ鲈贫松窠?jīng)網(wǎng)絡(luò)模型進(jìn)行更新；確定更新后的所述云端神經(jīng)網(wǎng)絡(luò)模型是否收斂，并在所述云端神經(jīng)網(wǎng)絡(luò)模型未收斂的情況下，再次計(jì)算所述云端神經(jīng)網(wǎng)絡(luò)模型的梯度方向；所述計(jì)算所述云端神經(jīng)網(wǎng)絡(luò)模型的梯度方向，具體為： 其中，為所述梯度方向，為訓(xùn)練集合樣本量。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人蘇州律點(diǎn)信息科技有限公司，其通訊地址為：215500 江蘇省蘇州市常熟市東南街道云深路2號(hào)智能車中心1幢501室；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。