一种基于CNN和LSTM的深度学习数据挖掘方法专利检索-数据挖掘人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种基于CNN和LSTM的深度学习数据挖掘方法

阅读：561发布：2021-02-26

IPRDB可以提供一种基于CNN和LSTM的深度学习数据挖掘方法专利检索，专利查询，专利分析的服务。并且一种基于CNN和LSTM的深度学习数据挖掘方法，包括以下步骤：依次收集每个目标对象的特征向量，得到原始数据包；对数据预处理，建立字符信息库；构建CNN-LSTM算法模型；对CNN-LSTM算法模型进行训练，并测试；采用CNN-LSTM算法模型进行数据挖掘；得到数据反馈，进行学习。本发明中，通过构建LSTM-CNN算法模型在学习时完成数据挖掘，大大提高了信息获取的效率，解决传统信息调取困难的问题，帮助学习者提高学习效果；其中CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充，使得信息调取速度快，信息调取准确性高。，下面是一种基于CNN和LSTM的深度学习数据挖掘方法专利的具体信息内容。

权利要求

1.一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，包括以下步骤：S1、依次收集每个目标对象的特征向量，得到原始数据包；

S2、对数据预处理，建立字符信息库；

S3、构建CNN-LSTM算法模型；

S4、对CNN-LSTM算法模型进行训练，并测试；

S5、采用CNN-LSTM算法模型进行数据挖掘；

S6、得到数据反馈，进行学习。

2.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S1中，特征向量为目标对象的多个属性数据，包括党员姓名、身份证信息、党籍、入党时间、入党年限、职务、工作所在地。

3.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S2中，数据预处理的方式为：以姓名、身份证和党员信息为主要关键词，对原始数据包中的数据进行分类，并将数据格式转换为预设格式，得到字符信息库。

4.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S3中，CNN神经网络系统和LSTM神经网络系统为串联建模。

5.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S4中，构造的CNN模型包括输入层、卷积层、全连接层和输出层；其中输入层输入的一维数据序列的长度为2k+1；卷积层中卷积核为一维结构，其大小为2k+1；全连接层搭建在CNN模型的最后部分；输出层设置在全连接层的下游。

6.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S4中，LSTM包含长短记忆层和至少一个全连接层。

7.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，在S5中进行数据挖掘时，首先输入关键词，CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充。

8.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，还包括校正系统；在S6中，学习者得到反馈的数据，再根据数据的准确性进行校正，不断完善模型。

9.根据权利要求1所述的一种基于CNN和LSTM的深度学习数据挖掘方法，其特征在于，还包括记录系统；记录系统对挖掘的数据内容、时间、频率进行记录，根据统计情况对学习者进行优先推送，减小数据挖掘的时间。

说明书全文

一种基于CNN和LSTM的深度学习数据挖掘方法

技术领域

[0001] 本发明涉及学习领域，尤其涉及一种基于CNN和LSTM的深度学习数据挖掘方法。

背景技术

[0002] 目前，各地区各部门的工作已经基本实现电子化。由于实现电子化的时间不长，信息量过于庞大，使得信息挖掘的准确性低，速度慢，耽误了各单位和个人的学习。

[0003] 为解决上述问题，本申请中提出一种基于CNN和LSTM的深度学习数据挖掘方法。

发明内容

[0004] (一)发明目的

[0005] 为解决背景技术中存在的技术问题，本发明提出一种基于CNN和LSTM的深度学习数据挖掘方法，本发明通过构建LSTM-CNN算法模型在学习时完成数据挖掘，大大提高了信息获取的效率，解决传统信息调取困难的问题，帮助学习者提高学习效果；其中CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充，使得信息调取速度快，信息调取准确性高。

[0006] (二)技术方案

[0007] 为解决上述问题，本发明提供了一种基于CNN和LSTM的深度学习数据挖掘方法，包括以下步骤：

[0008] S1、依次收集每个目标对象的特征向量，得到原始数据包；

[0009] S2、对数据预处理，建立字符信息库；

[0010] S3、构建CNN-LSTM算法模型；

[0011] S4、对CNN-LSTM算法模型进行训练，并测试；

[0012] S5、采用CNN-LSTM算法模型进行数据挖掘；

[0013] S6、得到数据反馈，进行学习。

[0014] 优选的，在S1中，特征向量为目标对象的多个属性数据，包括党员姓名、身份证信息、党籍、入党时间、入党年限、职务、工作所在地。

[0015] 优选的，在S2中，数据预处理的方式为：以姓名、身份证和党员信息为主要关键词，对原始数据包中的数据进行分类，并将数据格式转换为预设格式，得到字符信息库。

[0016] 优选的，在S3中，CNN神经网络系统和LSTM神经网络系统为串联建模。

[0017] 优选的，在S4中，构造的CNN模型包括输入层、卷积层、全连接层和输出层；其中输入层输入的一维数据序列的长度为2k+1；卷积层中卷积核为一维结构，其大小为2k+1；全连接层搭建在CNN模型的最后部分；输出层设置在全连接层的下游。

[0018] 优选的，在S4中，LSTM包含长短记忆层和至少一个全连接层。

[0019] 优选的，在S5中进行数据挖掘时，首先输入关键词，CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充。

[0020] 优选的，还包括校正系统；在S6中，学习者得到反馈的数据，再根据数据的准确性进行校正，不断完善模型。

[0021] 优选的，还包括记录系统；记录系统对挖掘的数据内容、时间、频率进行记录，根据统计情况对学习者进行优先推送，减小数据挖掘的时间。

[0022] 本发明的上述技术方案具有如下有益的技术效果：

[0023] 一、本发明中，通过构建LSTM-CNN算法模型在学习时完成数据挖掘，大大提高了信息获取的效率，解决传统信息调取困难的问题，帮助学习者提高学习效果；其中CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充，使得信息调取速度快，信息调取准确性高。

[0024] 二、本发明中，设置的校正系统和记录系统，提高了数据挖掘的准确性和便捷性，进一步完善方法系统，促进学习效果。

附图说明

[0025] 图1为本发明提出的一种基于CNN和LSTM的深度学习数据挖掘方法的流程图。

具体实施方式

[0026] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

[0027] 如图所示，本发明提出的一种基于CNN和LSTM的深度学习数据挖掘方法，包括以下步骤：

[0028] S1、依次收集每个目标对象的特征向量，得到原始数据包；

[0029] S2、对数据预处理，建立字符信息库；

[0030] S3、构建CNN-LSTM算法模型；

[0031] S4、对CNN-LSTM算法模型进行训练，并测试；

[0032] S5、采用CNN-LSTM算法模型进行数据挖掘；

[0033] S6、得到数据反馈，进行学习。

[0034] 在一个可选的实施例中，在S1中，特征向量为目标对象的多个属性数据，包括党员姓名、身份证信息、党籍、入党时间、入党年限、职务、工作所在地。

[0035] 在一个可选的实施例中，在S2中，数据预处理的方式为：以姓名、身份证和党员信息为主要关键词，对原始数据包中的数据进行分类，并将数据格式转换为预设格式，得到字符信息库。

[0036] 在一个可选的实施例中，在S3中，CNN神经网络系统和LSTM神经网络系统为串联建模。

[0037] 在一个可选的实施例中，在S4中，构造的CNN模型包括输入层、卷积层、全连接层和输出层；其中输入层输入的一维数据序列的长度为2k+1；卷积层中卷积核为一维结构，其大小为2k+1；全连接层搭建在CNN模型的最后部分；输出层设置在全连接层的下游。

[0038] 在一个可选的实施例中，在S4中，LSTM包含长短记忆层和至少一个全连接层。

[0039] 在一个可选的实施例中，在S5中进行数据挖掘时，首先输入关键词，CNN 对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充。

[0040] 在一个可选的实施例中，还包括校正系统；在S6中，学习者得到反馈的数据，再根据数据的准确性进行校正，不断完善模型。

[0041] 在一个可选的实施例中，还包括记录系统；记录系统对挖掘的数据内容、时间、频率进行记录，根据统计情况对学习者进行优先推送，减小数据挖掘的时间。

[0042] 本发明中，通过构建LSTM-CNN算法模型在学习时完成数据挖掘，大大提高了信息获取的效率，解决传统信息调取困难的问题，帮助学习者提高学习效果；其中CNN对关键词对应的字符信息进行快速识别，LSTM采用重复模块链的形式对关键词的相关信息快速延展、补充，使得信息调取速度快，信息调取准确性高；设置的校正系统和记录系统，提高了数据挖掘的准确性和便捷性，进一步完善方法系统，促进学习效果。

[0043] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

标题	发布/更新时间	阅读量
数据挖掘系统及数据挖掘方法-专利编号CN103699550A	2020-05-13	894
牙齿数据挖掘-专利编号CN1973291A	2020-05-11	499
数据挖掘方法-专利编号CN104699717B	2020-05-11	998
一种数据挖掘方法及数据挖掘系统-专利编号CN103995873B	2020-05-13	849
数据挖掘方法-专利编号CN104699717A	2020-05-11	210
数据挖掘系统及数据挖掘方法-专利编号CN103699550B	2020-05-13	428
牙齿数据挖掘-专利编号CN1973291B	2020-05-11	959
数据挖掘方法以及数据挖掘装置-专利编号CN107391728A	2020-05-12	495
病人数据挖掘-专利编号CN100449531C	2020-05-12	550
病人数据挖掘-专利编号CN1582443A	2020-05-12	114

一种基于CNN和LSTM的深度学习数据挖掘方法

一种基于CNN和LSTM的深度学习数据挖掘方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式