一种高可靠性通用人工智能核心软件算法模型的制作方法

1.本发明涉及人工智能算法技术领域，具体为一种高可靠性通用人工智能核心软件算法模型。


背景技术：

2.人工智能，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
3.人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，软件算法是人工智能的基础，要使计算机能完成人们预定的工作，首先必须为如何完成预定的工作设计一个软件算法，然后再根据软件算法编写程序。计算机程序要对问题的每个对象和处理规则给出正确详尽的描述，其中程序的数据结构和变量用来描述问题的对象，程序结构、函数和语句用来描述问题的算法。算法数据结构是程序的两个重要方面。
4.排序算法作为经典算法在各类软件开发中都有非常高的使用频率，甚至是聚类分析、机器学习、推荐算法等人工智能领域的基础算法之一。从排序问题提出至今，研究人员和工程人员对排序算法进行了全方位的改进，但是对排序算法的优化一般仅停留在实际运行时间的减少，而对算法的可靠性没有得到优化，已无法满足计算机的需求，为此，提出一种高可靠性通用人工智能核心软件算法模型。


技术实现要素：

5.针对现有技术的不足，本发明提供了一种高可靠性通用人工智能核心软件算法模型，具备组成构件可以灵活的进行更换，提高实际使用效果，多种实现路径，提高软件算法模型的可靠性等的优点，解决了上述背景技术中提出的问题。
6.本发明提供如下技术方案：一种高可靠性通用人工智能核心软件算法模型，包括数据收集模块、数据库一、数据抓取模块一、算法模块一、数据传输模块、缓存库和数据库二，所述数据收集模块收集算法模块一所需的输入量，并把收集到的信息传输至数据库一内存储起来，数据抓取模块一从数据库一内依次抓取信息，并把抓取的信息传输至算法模块一，算法模块一进行运算，并把运算的结果放入缓存库内，数据传输模块把缓存库内的数据传输至数据库二内进行保存。
7.优选的，还包括验证模块、报警模块、数据清理模块和反馈模块，验证模块定期对缓存库内的信息进行验证，检验算法模块一运行结果的准确性，验证模块验证算法模块一运行结果准确后，缓存库内的数据传输至数据库二内进行保存，验证模块验证算法模块一运行结果不准确，报警模块发出警报声，数据清理模块把缓存库内的数值清理掉，反馈模块
把信号反馈给数据抓取模块一，数据抓取模块一重新从数据库一内抓取数据进行运算。
8.优选的，所述验证模块包括数据抓取模块、算法模块二、暂存池、数据接收模块和比较模块。
9.优选的，所述验证模块用于数据抓取模块二从数据库一内抓取数据，并把抓取到的数据传输至算法模块二内，算法模块二进行运算，把运算的结果输入暂存池内存储起来，数据接收模块接收数据传输模块传输的信息，且数据接收模块接收的信息和暂存池内的信息均输入比较模块，比较模块比较接收到的两个信息，两个信息相同时，算法模块一运行结果准确，反之，算法模块一运行结果不准确。
10.优选的，所述验证模块工作时，数据抓取模块一和数据抓取模块二抓取的数据相同，所述算法模块一和算法模块二的程序代码不同。
11.优选的，所述数据库一和数据库二两者内的数据均按顺序进行存储；
12.将数据库二中的数据分割成若干数据块，并将若干数据块重组为f1数据文件、f2数据文件和元数据文件；
13.f1数据文件和元数据文件通过数据库二和直接加密生成密文f1＇和对应密文f1＇的密钥，将密文f1＇和对应密文f1＇的密钥存储于所述数据库二中；
14.将f2数据文件同步到云端，由云端生成f2数据文件的对应密钥加密，密钥存储于云平台，密文f2＇根据需要存储于云端；
15.当用户登录云端后通过云端向数据库二发送数据请求，所述数据库二根据接收到的数据请求对数据库二中的对应密文f1＇进行解密，通过对密文f1＇解密获取f1数据文件明文和元数据文件明文，然后对云端中的对应密文f2＇进行解密，通过对密文f2＇解密获取f2数据文件明文，根据元数据文件的信息对f1数据文件和f2数据文件进行重组获取f数据文件，通过云端对f数据文件进行校验，若校验无误则解密完成，用户则通过云端对完成解密后的数据进行查阅和下载。
16.优选的，所述缓存库内的信息为三分之一个验证周期内算法模块一运算的结果信息，所述暂存池内的信息为三分之一个验证周期内算法模块二运算的结果信息。
17.优选的，所述报警模块包括信息接收模块、报警灯和蜂鸣器。
18.优选的，所述报警模块用于信息接收模块接收到比较模块发出的信号，报警灯和蜂鸣器所在电路的智能开关闭合，报警灯和蜂鸣器处于通电的状态，报警灯亮，蜂鸣器发出提示音，提醒工作人员进行修正。
19.优选的，数据收集模块包括：视频收集子模块，所示视频收集子模块通过网络爬虫程序爬取高清视频数据作为初始数据集，基于所述初始数据集中的高清视频数据进行抽帧处理；
20.抽帧处理过程中，当高清连续视频帧中的视频片断一的最后一帧与视频片断二的第一帧之间的相似度小于所述视频收集子模块中设置的突变阈值时，将高清连续视频帧分割成若干段时间上连续并且视觉相近的视频片断，将每个视频片断抽取片断划分为第一帧、关键帧和最后一帧；
21.其中，关键帧用于高清视频数据序列匹配，第一帧和最后一帧用于精确定位高清视频数据的位置，并将通过高清连续视频帧分割后的视频片断分配连续的id号；
22.通过所述视频收集子模块对高清视频数据进行抽帧处理后，所述视频收集子模块
将不符合要求的视频片断进行剔除，将符合要求的视频片断存储于所述数据库二，用户通过检索查询所述数据库二中的视频片断对应id号查询对应高清视频数据。
23.与现有高可靠性通用人工智能核心软件算法模型对比，本发明具备以下
24.有益效果：
25.1、该高可靠性通用人工智能核心软件算法模型，通过验证模块的设置，可以验证算法模块一运行结果的准确性，提高该软件算法模型的准确性，通过报警模块的设置，可以提醒工作人员该模型运行结果不准确，便于工作人员及时对该模型进行修正，便于该模型的使用。
26.2、该高可靠性通用人工智能核心软件算法模型，通过算法模块一和算法模块二的设置，该模块具备通用性，该模型在使用时，工作人员可以根据该模型的用途向算法模块一和算法模块二内填充相应的算法，提高了该模型的适用性，且算法模块一和算法模块二所用的算法不同，便于该模型对其运算结果进行验证，提高该模型的可靠性。
27.3、该高可靠性通用人工智能核心软件算法模型，通过加密设置保障了云端用户数据保密性，强化了数据的完整性，从而更好的保障了系统数据的存储与利用安全；
28.通过视频收集子模块对高清视频数据进行抽帧处理过程中给视频片断分配连续的id号避免发生目标重识别的情况，保障数据的唯一性。
附图说明
29.图1为本发明结构原理框图；
30.图2为本发明结构验证模块原理框图；
31.图3为本发明结构报警模块原理框图；
32.图4为本发明实施例3算法模块一流程示意图；
33.图5为本发明实施例4算法模块二原理图。
具体实施方式
34.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。
35.请参阅图1，一种高可靠性通用人工智能核心软件算法模型，包括数据收集模块、数据库一、数据抓取模块一、算法模块一、数据传输模块、缓存库和数据库二，数据收集模块收集算法模块一所需的输入量，并把收集到的信息传输至数据库一内存储起来，数据抓取模块一从数据库一内依次抓取信息，并把抓取的信息传输至算法模块一，算法模块一进行运算，并把运算的结果放入缓存库内，缓存库内的信息为三分之一个验证周期内算法模块一运算的结果信息，数据传输模块把缓存库内的数据传输至数据库二内进行保存，且数据库一和数据库二两者内的数据均是按顺序进行存储的，通过算法模块一的设置，使用者可以根据需求在算法模块一内填充相应的算法，该模型的功能可以进行相应的改变，该模型中的构件可以灵活的进行替换，提高了该模型的实际使用效果。
36.该模型还包括验证模块、报警模块、数据清理模块和反馈模块，验证模块定期对缓
存库内的信息进行验证，检验算法模块一运行结果的准确性，验证模块验证算法模块一运行结果准确后，缓存库内的数据传输至数据库二内进行保存，验证模块验证算法模块一运行结果不准确，报警模块发出警报声，数据清理模块把缓存困内的数值清理掉，反馈模块把信号反馈给数据抓取模块一，数据抓取模块一重新从数据库一内抓取数据进行运算，通过验证模块的设置，可以验证该模型中算法的准确性，提高了该模型的可靠性。
37.实施例1
38.请参阅图2，验证模块包括数据抓取模块、算法模块二、暂存池、数据接收模块和比较模块。
39.验证模块的工作原理是，数据抓取模块二从数据库一内抓取数据，并把抓取到的数据传输至算法模块二内，算法模块二进行运算，把运算的结果输入暂存池内存储起来，暂存池内的信息为三分之一个验证周期内算法模块二运算的结果信息，数据接收模块接收数据传输模块传输的信息，且数据接收模块接收的信息和暂存池内的信息均输入比较模块，比较模块比较接收到的两个信息，两个信息相同时，算法模块一运行结果准确，反之，算法模块一运行结果不准确。
40.验证模块工作时，数据抓取模块一和数据抓取模块二抓取的数据相同，算法模块一和算法模块二的程序代码不同，通过算法模块一和算法模块二程序代码不同的设置，便于验证该模型运算结果的准确性，提高该模型的可靠性。
41.实施例2
42.请参阅图3，报警模块包括信息接收模块、报警灯和蜂鸣器。
43.报警模块的工作原理是：信息接收模块接收到比较模块发出的信号，报警灯和蜂鸣器所在电路的智能开关闭合，报警灯和蜂鸣器处于通电的状态，报警灯亮，蜂鸣器发出提示音，提醒工作人员进行修正，通过报警模块的设置，可以及时的提醒工作人员对该模型进行修正，便于该模型的使用。
44.实施例3
45.算法模块一为排序算法的工作原理为：初始时，数据抓取模块一从数据库一中抓取两个相邻的数据输送至算法模块一中，在此把两个数据记为a和b，算法模块一对接收到两个数据进行比较，若a大于b，输出结果为b，a，并把输出的结果放在缓存库内，且把a作为输入信号，此时，数据抓取模块一从数据库一中重新抓取一个数据c，算法模块一比较a和c的大小，算法模块一进行运算，若a不大于b，则算法模块一输出的结果为a，b，并把b作为输入信号，数据抓取模块一从数据库一中重新抓取一个数据c，算法模块一比较b和c的大小，算法模块一进行运算。
46.实施例4
47.算法模块二为排序算法的工作原理为：初始时，数据抓取模块二从数据库内抓取三分至一个验证周期内需要验证的数据，且该数据与缓存库库内的数据相同，数据抓取模块二抓取的数值放在算法模块二中的数据存储库中，数据抓取模块三从数据存储库中随机挑选一个数据，并与剩余的数据进行比较，比该数据大的数据放在其右边，比该数据小的数据放在其左边，若两个数据相等，把相等的数据放在该数据和比其小的数据之间，把比较后的数据放在存储块内存储，数据存储库内的数据被数据抓取模块三抓完后，存储块内的数据输入数据存储库内，并对该数据左右两边的数据用同样的方向进行排列，直至数据从小
到大排列整齐，排列整齐的数据放在暂存池内。
48.实施例5
49.该模块为排序算法模型的工作原理为：验证周期为30s，数据收集模块把收集的数据放在数据库一种，数据抓取模块一从数据库一内抓取数据，抓取的数据通过算法模块一进行比较排序，三分之一个验证周期内排序的数据均先存储在缓存库库内，数据传输模块把缓存库库内的数据放在数据库二内，到达验证周围后，验证模块工作，算法模块二对缓存库内的数据重新排序，数据传输模块把缓存库库内的数据传输至数据接收模块，对比模块对数据接收模块接收的数据和经过算法模块二排序后的数据进行比较，若两者相同，缓存库内的数据传输至数据库二内，若两者不同，报警模块工作，数据清理模块把缓存库内的数据清理掉，反馈模块把信息反馈给数据抓取模块一，数据抓取模块一重新对缓存库内清理掉的数据进行抓取，且数据抓取模块一重新抓取的过程中，验证模块同样进行验证，直至验证模块验证结果合格。
50.基于所述初始数据集中的高清视频数据进行抽帧处理过程中，需要对指定帧内的图像块进行压缩编码，假设高清连续视频帧中相邻帧间的数据从中间待插帧角度出发，其中，指向前向参考帧的双向块与指向后向参考帧的真双向块满足时域对称性，即二者大小相同，方向相反，基于以上假设，高清视频数据中的双向块以中间帧平面内的中心坐标为基准，通过前、后方位向参考帧内对称于该基准的位置进行一定范围的高清视频数据中的双向块匹配搜索；为了进一步提高双向块算法的准确性，利用数据边界匹配算法进行双向块匹配搜索计算：
[0051][0052]
其中，m[b,v]表示数据边界匹配数；b表示当前处理中的图像块；v表示图像的候选双向块；k＝0,1,2
…
n,n表示图像块像素的位置数,k为位置数的变量；gk表示b内的第k个边界图像块像素的位置；hk表示b外临近gk的图像块像素位置；i(gk,v)表示通过v对gk上获取图像块像素的估计值；
[0053]
通过利用数据边界匹配算法获取数据边界匹配数，避免高清连续视频数据产生空洞和重叠问题。
[0054]
实施例6
[0055]
视频收集子模块：通过网络爬虫程序爬取高清视频数据作为初始数据集，并进行抽帧处理；使用网络爬虫程序从网络中获取高清视频数据，并将其作为初始数据集；对初始数据集中的高清视频数据进行抽帧处理，提取视频帧。
[0056]
抽帧处理子模块：根据相似度和突变阈值，将高清连续视频帧分割成若干段时间上连续并且视觉相近的视频片断，并对每个视频片断进行片断划分；在抽帧处理过程中，比较高清连续视频帧中的视频片断一的最后一帧与视频片断二的第一帧之间的相似度；如果相似度小于所设定的突变阈值，则将高清连续视频帧分割成若干段时间上连续且视觉相近的视频片断；对每个视频片断进行片断划分，包括第一帧、关键帧和最后一帧。
[0057]
数据存储子模块：将符合要求的视频片断存储于数据库二，并为每个视频片断分配连续的id号；视频收集子模块将不符合要求的视频片断进行剔除；符合要求的视频片断
存储于数据库二，并为每个视频片断分配连续的id号；
[0058]
数据查询子模块：用户通过检索查询数据库二中的视频片断对应id号，以查询对应的高清视频数据；用户可以通过查询数据库二中的视频片断对应id号，来获取对应的高清视频数据。
[0059]
通过上述实施例，数据收集模块可以通过视频收集子模块爬取高清视频数据，并通过抽帧处理子模块对视频帧进行处理和分割，然后将符合要求的视频片断存储于数据库二。用户可以通过数据查询子模块查询数据库二中的视频片断对应id号，以获取对应的高清视频数据。这样可以有效地收集和管理高清视频数据，并提供便捷的查询服务。
[0060]
本技术涉及到的电器元件均在市场上可以买到，均是现有技术，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。

技术特征：
1.一种高可靠性通用人工智能核心软件算法模型，包括数据收集模块、数据库一、数据抓取模块一、算法模块一、数据传输模块、缓存库和数据库二，其特征在于：所述数据收集模块收集算法模块一所需的输入量，并把收集到的信息传输至数据库一内存储起来，数据抓取模块一从数据库一内依次抓取信息，并把抓取的信息传输至算法模块一，算法模块一进行运算，并把运算的结果放入缓存库内，数据传输模块把缓存库内的数据传输至数据库二内进行保存。2.根据权利要求1所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：还包括验证模块、报警模块、数据清理模块和反馈模块，验证模块定期对缓存库内的信息进行验证，检验算法模块一运行结果的准确性，验证模块验证算法模块一运行结果准确后，缓存库内的数据传输至数据库二内进行保存，验证模块验证算法模块一运行结果不准确，报警模块发出警报声，数据清理模块把缓存库内的数值清理掉，反馈模块把信号反馈给数据抓取模块一，数据抓取模块一重新从数据库一内抓取数据进行运算。3.根据权利要求2所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述验证模块包括数据抓取模块、算法模块二、暂存池、数据接收模块和比较模块。4.根据权利要求3所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述验证模块用于数据抓取模块二从数据库一内抓取数据，并把抓取到的数据传输至算法模块二内，算法模块二进行运算，把运算的结果输入暂存池内存储起来，数据接收模块接收数据传输模块传输的信息，且数据接收模块接收的信息和暂存池内的信息均输入比较模块，比较模块比较接收到的两个信息，两个信息相同时，算法模块一运行结果准确，反之，算法模块一运行结果不准确。5.根据权利要求4所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述验证模块工作时，数据抓取模块一和数据抓取模块二抓取的数据相同，所述算法模块一和算法模块二的程序代码不同。6.根据权利要求1所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述数据库一和数据库二两者内的数据均按顺序进行存储；将数据库二中的数据分割成若干数据块，并将若干数据块重组为f1数据文件、f2数据文件和元数据文件；通过数据库二将f1数据文件和元数据文件加密生成密文f1＇和对应密文f1＇的密钥，将密文f1＇和对应密文f1＇的密钥存储于所述数据库二中；将f2数据文件同步到云端，通过云端生成密文f2＇和对应密文f2＇的密钥存储于云平台，将密文f2＇和对应密文f2＇的密钥根据存储于云端；当用户登录云端后通过云端向数据库二发送数据请求，所述数据库二根据接收到的数据请求对数据库二中的对应密文f1＇进行解密，通过对应密文f1＇的密钥对密文f1＇解密获取f1数据文件明文和元数据文件明文，然后对云端中的对应密文f2＇进行解密，通过对应密文f2＇的密钥对密文f2＇解密获取f2数据文件明文，根据元数据文件的信息对f1数据文件和f2数据文件进行重组获取f数据文件，通过云端对f数据文件进行校验，若校验无误则解密完成，用户则通过云端对完成解密后的数据进行查阅和下载。7.根据权利要求4所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述缓存库内的信息为三分之一个验证周期内算法模块一运算的结果信息，所述暂存池内
的信息为三分之一个验证周期内算法模块二运算的结果信息。8.根据权利要求2所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述报警模块包括信息接收模块、报警灯和蜂鸣器。9.根据权利要求8所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：所述报警模块用于信息接收模块接收到比较模块发出的信号，报警灯和蜂鸣器所在电路的智能开关闭合，报警灯和蜂鸣器处于通电的状态，报警灯亮，蜂鸣器发出提示音，提醒工作人员进行修正。10.根据权利要求1所述的一种高可靠性通用人工智能核心软件算法模型，其特征在于：数据收集模块包括：视频收集子模块，所示视频收集子模块通过网络爬虫程序爬取高清视频数据作为初始数据集，基于所述初始数据集中的高清视频数据进行抽帧处理；抽帧处理过程中，当高清连续视频帧中的视频片断一的最后一帧与视频片断二的第一帧之间的相似度小于所述视频收集子模块中设置的突变阈值时，将高清连续视频帧分割成若干段时间上连续并且视觉相近的视频片断，将每个视频片断抽取片断划分为第一帧、关键帧和最后一帧；其中，关键帧用于高清视频数据序列匹配，第一帧和最后一帧用于精确定位高清视频数据的位置，并将通过高清连续视频帧分割后的视频片断分配连续的id号；通过所述视频收集子模块对高清视频数据进行抽帧处理后，所述视频收集子模块将不符合要求的视频片断进行剔除，将符合要求的视频片断存储于所述数据库二，用户通过检索查询所述数据库二中的视频片断对应id号查询对应高清视频数据。

技术总结
本发明涉及人工智能算法技术领域，且公开了一种高可靠性通用人工智能核心软件算法模型，包括数据收集模块、数据库一、数据抓取模块一、算法模块一、数据传输模块、缓存库、数据库二和验证模块，所述数据收集模块收集算法模块一所需的输入量，并把收集到的信息传输至数据库一内存储起来。该高可靠性通用人工智能核心软件算法模型，通过算法模块一和算法模块二的设置，该模块具备通用性，该模型在使用时，工作人员可以根据该模型的用途向算法模块一和算法模块二内填充相应的算法，提高了该模型的适用性，且算法模块一和算法模块二所用的算法不同，便于该模型对其运算结果进行验证，提高该模型的可靠性。模型的可靠性。模型的可靠性。


技术研发人员：周叶
受保护的技术使用者：广州公评科技有限公司
技术研发日：2023.07.04
技术公布日：2023/10/8