基于人工智能的增强混合学习系统

技术领域

本发明涉及人工智能技术领域，具体为基于人工智能的增强混合学习系统。

背景技术

深度学习模型拥有强大的针对函数规律的分析抽象化特征的能力，近年来，深度学习模型也在越来越多的领域给予了人类的决策任务很大的帮助，也为很多原来人类也难以解决评估的决策问题提供了解决的方法。

从深度学习的公平性层面出发，近年来科研人员发现，深度学习模型有放大属性偏见的风险，这主要是由于模型训练过程中，由于数据集被恶意修改，导致模型将预测任务与部分敏感属性产生了过度的关联，从而产生针对部分敏感属性的偏见性问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于人工智能的增强混合学习系统，解决了上述背景技术所提出的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：基于人工智能的增强混合学习系统，其特征在于，包括以下步骤：

S1、通过传输模块在互联网上下载和线下自主输入获取大量的学习数据；

S2、将获取的数据传输到数据库内；

S3、处理模块启动分类模块对数据库内的数据进行分类；

S4、处理模块启动分析模块分别对数据库内的分类后的数据分别进行分析学习。

优选的，所述数据分类的步骤为：

S21、先通过线下自主输入adult数据集，将获取的adult数据集进行预处理分别各个分类的特征项；

S22、通过获取的所述特征项基于神经网络建立特征表达模型；

S23、利用输入层向量和数据特征项矩阵进行相乘，将相乘后所得矩阵映射到输出层，得到特征项向量；

S33、基于所述特征项向量表达及所述神经网络建立数据分类模型；

S34、将后续通过互联网和线下自主输入获取的大量学习数据导入特征表达模型，经过计算获得特征项向量，将特征项向量导入所述数据分类模型，通过所述数据分类模型中的分类模块进行结果预测，根据投票得分方式得到预测分类结果。

优选的，S31、将所述数据分类模型中的分类模块进行初始化训练；

S32、获取训练样本，将训练样本进行分类生成训练集，采集所述训练集的特征，进行随机合并生成新训练样本特征；

S33、通过所述训练集及所述新训练样本特征随机导入所述分类模块进行训练；

S34、生成训练后数据分类模型，将所述特征项向量导入训练后数据分类模型，对待分类数据进行分类。

优选的，S41、将数据库内的数据进行初步处理和预处理得到数据I后，输入到训练后的深度学习模型中得到数据III，对数据III进行后处理得到数据IV后，将数据I与数据IV进行融合重构得到高清晰的数据V；

S42、深度学习模型由VGG16网络和DenseUnet网络组成；VGG16网络用于对数据I进行数据轮廓的粗提取得到数据II，对不同的数据II进行不同程度的上下采样操作得到特征向量后进行特征融合，并输出数据III，其中，下采样操作采用DCNN网络；

S43、训练过程即以数据I作为深度学习模型的输入，以理论输出的数据III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件的过程。

优选的，S51、定义深度学习模型的偏见；

S52、选择adult数据集作为原始数据集，利用one-hot编码对原始数据集的敏感属性进行在数据库内提取扩充，并对其他属性进行保留或削弱，得到样本数据集；

S53、将S42得到的样本数据集根据敏感属性和类标分为四个子集，利用数据生成法补全各个子集，使四个子集的数据条数相同，进行数据增强

S54、定义偏见指标函数；

S55、构建深度学习鲁棒性模型，将S43数据增强得到的四个数据集子集进行融合，然后将融合后的数据集输入深度学习鲁棒性模型进行训练，利用S44定义的偏见指标函数进行检测，直至准确率和偏见程度达到预设值，完成训练。

(三)有益效果

本发明提供了基于人工智能的增强混合学习系统，具备以下有益效果：

(1)、本发明通过将样本数据集根据敏感属性和类标分为四个子集，利用数据生成法补全各个子集，使四个子集的数据条数相同，进行数据增强；通过定义的偏见指标函数进行检测，利用构建的深度学习鲁棒性模型进行融合训练，本发明方法准确率较高，精度高，去偏效果较好。

(2)、本发明通过利用VGG16网络进行预训练获得数据II，再采用DCNN对不同的数据II进行不同程度的上下采样操作得到特征向量后进行特征融合，增加细节，在数据后处理过程中借鉴深度学习技术中的梯度下降法加快空洞填充的速度，准确性、实时性、数据质量方面优于传统数据增强方法，有广阔的应用前景。

附图说明

图1为本发明的工作流程图。

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。

如图1所示，本发明提供一种技术方案：基于人工智能的增强混合学习系统，其特征在于，包括以下步骤：

S1、通过传输模块在互联网上下载和线下自主输入获取大量的学习数据；

S2、将获取的数据传输到数据库内；

S3、处理模块启动分类模块对数据库内的数据进行分类；

S4、处理模块启动分析模块分别对数据库内的分类后的数据分别进行分析学习。

进一步的，所述数据分类的步骤为：

S21、先通过线下自主输入adult数据集，将获取的adult数据集进行预处理分别各个分类的特征项；

S22、通过获取的所述特征项基于神经网络建立特征表达模型；

S23、利用输入层向量和数据特征项矩阵进行相乘，将相乘后所得矩阵映射到输出层，得到特征项向量；

S33、基于所述特征项向量表达及所述神经网络建立数据分类模型；

S34、将后续通过互联网和线下自主输入获取的大量学习数据导入特征表达模型，经过计算获得特征项向量，将特征项向量导入所述数据分类模型，通过所述数据分类模型中的分类模块进行结果预测，根据投票得分方式得到预测分类结果。

进一步的，所述建立特征表达模型的步骤为：

S31、将所述数据分类模型中的分类模块进行初始化训练；

S32、获取训练样本，将训练样本进行分类生成训练集，采集所述训练集的特征，进行随机合并生成新训练样本特征；

S33、通过所述训练集及所述新训练样本特征随机导入所述分类模块进行训练；

S34、生成训练后数据分类模型，将所述特征项向量导入训练后数据分类模型，对待分类数据进行分类。

进一步的，所述分析模块分析学习步骤为：

S41、将数据库内的数据进行初步处理和预处理得到数据I后，输入到训练后的深度学习模型中得到数据III，对数据III进行后处理得到数据IV后，将数据I与数据IV进行融合重构得到高清晰的数据V；

S42、深度学习模型由VGG16网络和DenseUnet网络组成；VGG16网络用于对数据I进行数据的粗提取得到数据II，对不同的数据II进行不同程度的上下采样操作得到特征向量后进行特征融合，并输出数据III，其中，下采样操作采用DCNN网络；

S43、训练过程即以数据I作为深度学习模型的输入，以理论输出的数据III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件的过程。

进一步的，所述分析模块分析学习的时需要：

S51、定义深度学习模型的偏见；

S52、选择adult数据集作为原始数据集，利用one-hot编码对原始数据集的敏感属性进行在数据库内提取扩充，并对其他属性进行保留或削弱，得到样本数据集；

S53、将S42得到的样本数据集根据敏感属性和类标分为四个子集，利用数据生成法补全各个子集，使四个子集的数据条数相同，进行数据增强

S54、定义偏见指标函数；

S55、构建深度学习鲁棒性模型，将S43数据增强得到的四个数据集子集进行融合，然后将融合后的数据集输入深度学习鲁棒性模型进行训练，利用S44定义的偏见指标函数进行检测，直至准确率和偏见程度达到预设值，完成训练。

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。

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。