公开/公告号CN113256241A
专利类型发明专利
公开/公告日2021-08-13
原文格式PDF
申请/专利权人 南京樯图数据研究院有限公司;
申请/专利号CN202110444955.6
申请日2021-04-24
分类号G06Q10/10(20120101);G06K9/20(20060101);G06N3/00(20060101);
代理机构
代理人
地址 210012 江苏省南京市江宁区科学园诚信大道2069号(江宁高新园)
入库时间 2023-06-19 12:13:22
技术领域
本发明涉及档案智能管理技术领域,具体为一种用于产业数据档案管理的人工智能平台。
背景技术
在传统的档案管理中,需要人工对纸张档案进行手动整理,随着电子档案的逐渐普及,虽然省去了纸质档案整理的过程,但仍然需要人工去分类、整理和调用这些电子档案,随着科技的发展,人工智能技术逐渐应用到各个领域,通过人工智能技术对产业数据档案进行管理,具有较高的研究价值。
发明内容
本发明的目的在于提供一种用于产业数据档案管理的人工智能平台,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种用于产业数据档案管理的人工智能平台,包括数据层、模型层、学习层、硬件层和系统层,所述数据层包括用于管理本地数据的本地数据层和用于存储本地数据备份的云端数据层。
优选的,所述本地数据层包括若干本地存储器。
优选的,所述模型层内储存有AI档案管理模型,通过AI档案管理模型对输入档案进行管理。
优选的,所述学习层内设置有深度学习神经网络,通过学习层对AI档案管理模型进行训练,并通过粒子群算法对训练过程进行优化,将训练后的AI档案管理模型输入到模型层内。
优选的,所述硬件层包括CPU、输入终端、输出终端、硬件接口和通讯模块,所述输入终端和输出终端通过硬件接口与CPU和本地存储器连接,所述本地存储器与CPU连接。
优选的,所述系统层包括操作系统、操作软件和软件接口,所述系统层用于管理系统资源,调用各种操作软件,定义调用AI档案管理模型进行学习训练。
优选的,所述AI档案管理模型包括图像识别模型、文字识别模型、特征值和时间标签分配模型和管理模型;所述图像识别模型和文字识别模型用于识别档案数据上的图像和文字信息,所述特征值和时间标签分配模型用于为输入的档案数据分配特征值和时间标签,所述管理模型根据相应的特征值和时间标签对档案进行存储和调用。
优选的,所述管理模型根据相应的特征值和时间标签对档案进行存储和调用的过程中采取平均值算法和权重算法,平均值算法的模型函数为:
与现有技术相比,本发明的有益效果是:
1、本发明的AI档案管理模型对输入的档案数据进行处理,将档案数据存储到本地存储器内,本地存储器内的空间不足时,操作系统将本地数据层内的数据备份到云端数据层内,节省了存储空间,同时提高了数据的安全性;
2、本发明同时设置有学习层,学习层内设置有深度学习神经网络,通过深度学习神经网络对AI档案管理模型进行不断的训练,提高其管理档案数据的准确性和可靠性;
3、本发明中的图像识别模型和文字识别模型用于识别档案数据上的图像和文字信息,通过特征值和时间标签分配模型为输入的档案数据分配特征值和时间标签,管理模型根据相应的特征值和时间标签对档案进行分类存储,同时在需要时通过相应的特征值和时间标签对档案数据进行调用,不需要人工进行整理,提高了档案数据管理的效率。
附图说明
图1为本发明一种用于产业数据档案管理的人工智能平台的结构图;
图2为本发明一种用于产业数据档案管理的人工智能平台的模块连接示意图。
图中:100、数据层;101、模型层;102、学习层;103、硬件层;104、系统层;1011、AI档案管理模型;10111、图像识别模型;10112、文字识别模型;10113、特征值和时间标签分配模型;10114、管理模型。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种用于产业数据档案管理的人工智能平台,包括数据层100、模型层101、学习层102、硬件层103和系统层104,数据层100包括用于管理本地档案数据的本地数据层100和用于本地档案数据备份的云端数据层100,本地数据层100包括若干本地存储器。
模型层101内储存有AI档案管理模型1011,通过AI档案管理模型1011对输入档案进行管理。
学习层102内设置有深度学习神经网络,通过学习层102对AI档案管理模型1011进行训练,并通过粒子群算法对训练过程进行优化,将训练后的AI档案管理模型1011输入到模型层101内。
硬件层103包括CPU、输入终端、输出终端、硬件接口和通讯模块,输入终端和输出终端通过硬件接口与CPU和本地存储器连接,本地存储器与CPU连接。
系统层104包括操作系统、操作软件和用于连接系统和操作软件的软件接口,系统层104用于管理平台内资源,调用各种操作软件,调用AI档案管理模型1011对档案进行管理,同时通过学习层对AI档案管理模型1011进行学习训练。
AI档案管理模型1011包括图像识别模型10111、文字识别模型10112、特征值和时间标签分配模型10113和管理模型10114;图像识别模型10111和文字识别模型10112用于识别档案数据上的图像和文字信息,特征值和时间标签分配模型10113用于为输入的档案数据分配特征值和时间标签,管理模型10114根据相应的特征值和时间标签对档案进行存储和调用。
管理模型10114根据相应的特征值和时间标签对档案进行存储和调用的过程中采取平均值算法和权重算法,平均值算法的模型函数为:
工作原理:使用者通过输入终端输入产业档案数据,AI档案管理模型1011对输入的档案数据进行处理,其中的图像识别模型10111 和文字识别模型10112用于识别档案数据上的图像和文字信息,通过特征值和时间标签分配模型10113为输入的档案数据按照其内容和时间来分配特征值和时间标签,管理模型10114根据相应的特征值和时间标签对档案进行分类存储,同时在需要时通过相应的特征值和时间标签对档案数据进行调用,不需要人工进行整理,提高了档案数据管理的效率;本地存储器内的空间不足时,或者需要档案数据需要进行保护时,操作系统将本地数据层100内的数据传输到云端数据层100内进行备份和保护,节省了存储空间,同时提高了数据的安全性;使用者通过输出终端显示档案数据,方便使用者进行档案的查阅;系统层104用于管理平台内资源,调用各种操作软件,调用AI档案管理模型1011对档案进行管理,同时通过学习层对AI档案管理模型1011进行学习训练;通过学习层102对AI档案管理模型1011进行不断的训练,提高AI档案管理模型1011管理档案数据的准确性和可靠性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
机译: 用于提供基于人工智能的基于人工智能和处理复杂生物信号的大数据的复杂生物信号的大数据的集成和处理的平台
机译: 一种用于店内消费者行为事件元数据聚合,数据验证及其人工智能分析的系统,用于数据解释和相关动作触发
机译: 一个面向客户和零售商的智能店内购物平台。这样一来,客户可以通过智能手机选择商品,进行扫描并为商品付款,并在不需人工干预的情况下结帐。该系统使用高端技术,例如用于反盗窃的人工智能,自动决策,计算机视觉,称重技术,电子电路和RFID。该框架使用复杂的IoT(物联网)技术和自学习算法,大数据分析,客户参与以及使用数据提取和知识挖掘的模式分析。