CN116881335B - 多模态数据智能分析***与方法 - Google Patents
多模态数据智能分析***与方法 Download PDFInfo
- Publication number
- CN116881335B CN116881335B CN202310904788.8A CN202310904788A CN116881335B CN 116881335 B CN116881335 B CN 116881335B CN 202310904788 A CN202310904788 A CN 202310904788A CN 116881335 B CN116881335 B CN 116881335B
- Authority
- CN
- China
- Prior art keywords
- data
- modal
- mode
- analysis
- instance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007405 data analysis Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013523 data management Methods 0.000 claims abstract description 7
- 230000008676 import Effects 0.000 claims abstract description 6
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 107
- 238000011217 control strategy Methods 0.000 claims description 59
- 238000005516 engineering process Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000007418 data mining Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000009472 formulation Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了多模态数据智能分析***与方法,属于数据分析技术领域,包括多模态数据导入模块,用于实时采集且导入多模态数据;多模态数据处理模块,用于对多模态数据进行综合性处理,确定出多模态特征数据;多模态数据分析模块,用于对多模态数据进行分析认证,确定出基于多模态特征数据的分析认证报告;多模态数据管控模块,用于对多模态数据进行安全管控;多模态数据存储模块,用于存储多模态认证数据。本发明解决了现有分析单一性数据,不能结合多模态数据进行智能分析,导致数据分析精度低下,且数据分析效果差的问题,本发明可结合多模态数据进行智能分析,提高数据分析精度,且提升数据分析效果。
Description
技术领域
本发明涉及数据分析技术领域,具体为多模态数据智能分析***与方法。
背景技术
随着大数据应用场景逐渐丰富,各行各业对于大数据的投入和研发持续加强,数据需求也日益增大,在银行***中,数据繁杂,数量众多,且涉及多方交易,参与主体涵盖银行数据供给方、数据需求方、数据交易平台、评估机构、服务机构,以及***的其他部门,正由于银行数据众多,想要从中分析出银行某一特殊要求下的各种数据比较困难,需要银行提供数据支持,且对数据进行深度挖掘和分析,从而分析出数据中存在风险的特征,帮助银行对可能存在的风险进行管理。
公开号为CN114549188A的中国专利公开了一种银行资金交易数据的分析方法及***,其技术方案是:获取银行机构中客户的交易数据信息和银行机构所在区域的地域数据信息,对交易数据信息和地域数据信息进行分类和分级处理,获得各数据信息对应的分级信息,对各末级参数进行特征分析,确定各末级参数对应的分析系数和权重值;根据分析系数和权重值确定各末级参数对应的第一分析值;对各末级参数的第一分析值进行求和获得各次末级参数的第二分析值,基于各次末级参数的第二分析值进行求和后与预设分析阈值进行比对获得银行资金交易数据的分析结果,可全面考虑到银行的所有数据,从而减少对可能存在风险的数据的漏判。但是上述专利在实际使用过程中存在以下缺陷:
其分析单一性数据,不能结合多模态数据进行智能分析,导致数据分析精度低下,且数据分析效果差。
发明内容
本发明的目的在于提供多模态数据智能分析***与方法,可结合多模态数据进行智能分析,提高数据分析精度,且提升数据分析效果,解决了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:
多模态数据智能分析***,包括
多模态数据导入模块,用于实时采集且导入多模态数据,其中多模态数据包括但不限于图像数据、文本数据及语音数据,利用多重生物识别技术,且结合数据融合技术,对实时采集的图像数据、文本数据及语音数据进行导入,确定出多模态数据;
多模态数据处理模块,用于对多模态数据进行综合性处理,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据,且对完全提取出来的多模态数据进行检索、分组、排序及计算,确定出多模态特征数据;
多模态数据分析模块,用于对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
多模态数据管控模块,用于对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控;
多模态数据存储模块,用于存储多模态认证数据,为多模态数据智能分析提供参照分析依据。
优选的,所述多模态数据导入模块包括
图像数据导入单元,用于实时采集且导入图像数据;
文本数据导入单元,用于实时采集且导入文本数据;
语音数据导入单元,用于实时采集且导入语音数据;
基于实时采集且导入的图像数据、文本数据及语音数据;
利用多重生物识别技术,且结合数据融合技术,确定出多模态数据。
优选的,所述多模态数据处理模块包括
多模态数据提取单元,用于对导入的多模态数据进行提取,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据;
多模态数据检索单元,用于对提取的多模态数据进行检索,基于顺序检索方法,对完全提取出来的多模态数据进行检索,过滤掉对多模态数据智能分析无价值的多模态数据,确定出对多模态数据智能分析有价值的多模态数据;
多模态数据分组单元,用于对检索的多模态数据进行分组,基于互斥性原则,对确定出来的对多模态数据智能分析有价值的多模态数据进行分组,确定出具有不同类型的多模态数据组别,每组内放置有具有相同类型的多模态数据;
多模态数据排序单元,用于对分组的多模态数据进行排序,基于内部排序方法,对分组后的多模态数据进行排序,确定出具有分布特征的多模态数据;
多模态数据计算单元,用于对排序的多模态数据进行计算,基于算术及逻辑运算,对具有分布特征的多模态数据进行计算,确定出多模态特征数据。
优选的,所述多模态数据分析模块包括
资金追踪分析单元,用于对多模态资金数据进行追踪分析,获取多模态资金数据,基于数据挖掘技术,且参照存储的多模态认证数据资金,对多模态资金数据进行追踪分析,确定出基于多模态数据资金的追踪分析报告;
人物关系分析单元,用于对人物关系进行分析认证,获取多模态人物关系数据,基于数据挖掘技术,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证,确定出基于多模态人物关系数据的分析认证报告;
银行卡属性识别单元,用于对银行卡属性进行识别分析认证,获取多模态银行卡属性数据,基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出基于多模态银行卡属性数据的分析认证报告。
优选的,所述多模态数据管控模块包括
管控策略制定单元,用于自主制定多模态数据安全管控策略,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略;
安全管控执行单元,用于对多模态数据进行安全管控,获取多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控。
优选的,所述安全管控执行单元,包括:
数据分析子单元,用于:
获取待管控的多模态数据,并对待管控的多模态数据进行解析,得到每一类数据的用途和特性;
获取对多模态数据的安全管控任务,并对安全管控任务进行解析,得到每一类数据的安全管控项目,且基于每一数据的用途和特性确定每一类数据的安全管控项目对应的安全管控等级;
历史数据获取及解析子单元,用于:
提取待管控的多模态数据的数据特征,并基于数据特征从预设数据库中调取预设历史数据,其中,预设历史数据为在安全管控策略管控后得到的数据;
对得到的预设历史数据进行解析,得到状态-数据序列集,并基于状态-数据序列集确定每一类数据的安全管控项目的安全管控特征;
模型构建及应用子单元,用于基于预设历史数据、安全管控特征以及每一类数据的安全管控项目对应的安全管控等级对预设模型框架进行预设优化迭代次数的寻优交互,得到多模态数据安全管控策略制定模型,并基于多模态数据安全管控策略制定模型对分析认证报告的多模态数据进行边缘计算及关联性分析,得到多模态数据的安全管控策略;
管控子单元,用于:
基于安全管控策略确定每一类数据的安全管控项目的执行逻辑以及每一安全管控项目的安全管控步骤,并基于执行逻辑以及安全管控步骤对相应数据进行协同安全管控操作;
基于协同安全管控操作完成根据多模态数据安全管控策略对多模态数据的安全管控。
根据本发明的另一个方面,提供了多模态数据智能分析方法,基于上述所述的多模态数据智能分析***实现,包括如下步骤:
S1:实时采集且导入多模态数据,对多模态数据进行综合性处理,基于多模态数据智能分析需求,对多模态数据进行提取、检索、分组、排序及计算,确定出多模态特征数据;
S2:对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
S3:对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控。
优选的,所述S2中,对多模态数据进行分析认证,执行以下操作:
获取多模态资金数据;
基于当前的多模态资金数据,向上索引上一层的多模态资金数据,建立当前资金数据与上一层资金数据的网络连接;
基于当前的多模态资金数据,向下索引下一层的多模态资金数据,建立当前资金数据与下一层资金数据的网络连接;
对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据进行追踪分析及认证;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证合格,则建立下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告,形成完成的资金追踪列表;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证不合格,则下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告异常,需要重新进行资金追踪分析。
优选的,所述S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态人物关系数据;
基于多模态人物关系数据,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据正常;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据不一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据异常。
优选的,所述S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态银行卡属性数据;
基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出多模态银行卡属性。
优选的,所述S1中,实时采集且导入多模态数据,包括:
获取采集到的多模态数据,并对多模态数据进行序列化处理,得到多模态数据中多个多模态数据实例,其中,多模态数据实例包括图像数据实例、文本数据实例以及语音数据实例;
基于多模态数据分析标准分别确定不同多模态数据实例在相似性度量中的权重值,并基于权重值分别计算图像数据实例与文本数据实例的第一相似度值和文本数据实例与语音数据实例的第二相似度值,具体步骤包括:
根据如下公式计算图像数据实例与文本数据实例的第一相似度值:
其中,表示多模态数据实例中图像数据实例与文本数据实例之间的第一相似度值;μ表示误差系数,且取值范围为(0.01,0.02);i表示多模态数据实例中图像数据实例与文本数据实例的个数,且取值为[1,n];n表示多模态数据实例中图像数据实例与文本数据实例的总个数;αi表示第i个图像数据实例的权重值;δi表示第i个文本数据实例的权重值;Xi表示第i个图像数据实例;Yi表示第i个文本数据实例;||·||为二范数,且
基于第一相似度值确定多模态数据中图像数据实例与文本数据实例的第一对应关系,并基于第一对应关系将多模态数据中图像数据实例与文本数据实例进行第一排列,其中,图像数据实例与文本数据实例记录同一对象;
根据如下公式计算文本数据实例与语音数据实例的第二相似度值:
其中,ω表示多模态数据实例中文本数据实例与语音数据实例之间的第二相似度值;θi表示第i个语音数据实例的权重值;Zi表示第i个语音数据实例;
基于第二相似度值确定多模态数据中文本数据实例与语音数据实例的第二对应关系,并基于第二对应关系将多模态数据中文本数据实例与语音数据实例进行第二排列,其中,文本数据实例与语音数据实例记录同一对象;
基于第一排列和第二排列确定同一对象对应的图像数据实例、文本数据实例以及语音数据实例,并分别将同一对象对应的图像数据实例、文本数据实例以及语音数据实例进行导入,得到归类后的多模态数据。
与现有技术相比,本发明的有益效果是:
1.本发明的多模态数据智能分析***与方法,实时采集且导入多模态数据,基于多模态数据智能分析需求,对多模态数据进行提取、检索、分组、排序及计算,确定出多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控,可结合多模态数据进行智能分析,提高数据分析精度,且提升数据分析效果。
2.通过对待管控的多模态数据进行分析,实现对需要进行管理的多模态数据的用途和特性进行准确有效的确定,为构建多模态数据安全管控策略制定模型提供了便利,其次,对安全管控任务进行解析,实现对多模态数据的安全管控项目以及每一安全管控项目的安全管控等级进行锁定,且从预设数据库中调取预设历史数据,并预设历史数据进行分析,得到数据状态与数据以及安全管控项目和安全管控项目的安全管控等级之间的关系,为构架模型提供了支撑与保障,最后,根据三者之间的关系构建多模态数据安全管控策略制定模型,并根据构建的模型对分析认证报告的多模态数据进行分析,实现对多模态数据所需的安全管控策略进行准确有效的生成,确保了生成的安全管控策略的有效性和准确性,也确保了对多模态数据安全管控的效果。
3.通过对多模态数据进行序列化处理,实现对多模态数据包含的多模态数据实例进行有效的确定,其次,对多模态数据实例中图像数据实例、文本数据实例以及语音数据实例之间的第一相似度值和第二相似度值进行计算,实现根据计算结果将同一对象的图像数据实例、文本数据实例以及语音数据实例进行有效关联,从而确保将同一对象的多模态数据进行汇总,最后将汇总后的多模态数据进行导入,便于提高对多模态数据分析的效率。
附图说明
图1为本发明的多模态数据智能分析***的模块原理图;
图2为本发明的多模态数据智能分析***的框架图;
图3为本发明的多模态数据智能分析方法的流程图。
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。
为了解决现有的分析单一性数据,不能结合多模态数据进行智能分析,导致数据分析精度低下,且数据分析效果差的问题,请参阅图1-图3,本实施例提供以下技术方案:
多模态数据智能分析***,包括
多模态数据导入模块,用于实时采集且导入多模态数据,其中多模态数据包括但不限于图像数据、文本数据及语音数据,利用多重生物识别技术,且结合数据融合技术,对实时采集的图像数据、文本数据及语音数据进行导入,确定出多模态数据;
多模态数据处理模块,用于对多模态数据进行综合性处理,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据,且对完全提取出来的多模态数据进行检索、分组、排序及计算,确定出多模态特征数据;
多模态数据分析模块,用于对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
多模态数据管控模块,用于对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控;
多模态数据存储模块,用于存储多模态认证数据,为多模态数据智能分析提供参照分析依据。
多模态数据导入模块包括
图像数据导入单元,用于实时采集且导入图像数据;
文本数据导入单元,用于实时采集且导入文本数据;
语音数据导入单元,用于实时采集且导入语音数据;
基于实时采集且导入的图像数据、文本数据及语音数据;
利用多重生物识别技术,且结合数据融合技术,确定出多模态数据。
多模态数据处理模块包括
多模态数据提取单元,用于对导入的多模态数据进行提取,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据;
多模态数据检索单元,用于对提取的多模态数据进行检索,基于顺序检索方法,对完全提取出来的多模态数据进行检索,过滤掉对多模态数据智能分析无价值的多模态数据,确定出对多模态数据智能分析有价值的多模态数据;
多模态数据分组单元,用于对检索的多模态数据进行分组,基于互斥性原则,对确定出来的对多模态数据智能分析有价值的多模态数据进行分组,确定出具有不同类型的多模态数据组别,每组内放置有具有相同类型的多模态数据;
多模态数据排序单元,用于对分组的多模态数据进行排序,基于内部排序方法,对分组后的多模态数据进行排序,确定出具有分布特征的多模态数据;
多模态数据计算单元,用于对排序的多模态数据进行计算,基于算术及逻辑运算,对具有分布特征的多模态数据进行计算,确定出多模态特征数据。
多模态数据分析模块包括
资金追踪分析单元,用于对多模态资金数据进行追踪分析,获取多模态资金数据,基于数据挖掘技术,且参照存储的多模态认证数据资金,对多模态资金数据进行追踪分析,确定出基于多模态数据资金的追踪分析报告;
人物关系分析单元,用于对人物关系进行分析认证,获取多模态人物关系数据,基于数据挖掘技术,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证,确定出基于多模态人物关系数据的分析认证报告;
银行卡属性识别单元,用于对银行卡属性进行识别分析认证,获取多模态银行卡属性数据,基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出基于多模态银行卡属性数据的分析认证报告。
多模态数据管控模块包括
管控策略制定单元,用于自主制定多模态数据安全管控策略,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略;
安全管控执行单元,用于对多模态数据进行安全管控,获取多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控。
为了更好的展现多模态数据智能分析流程,本实施例现提出多模态数据智能分析方法,基于上述的多模态数据智能分析***实现,包括如下步骤:
S1:实时采集且导入多模态数据,对多模态数据进行综合性处理,基于多模态数据智能分析需求,对多模态数据进行提取、检索、分组、排序及计算,确定出多模态特征数据;
S2:对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
S3:对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控。
S2中,对多模态数据进行分析认证,执行以下操作:
获取多模态资金数据;
基于当前的多模态资金数据,向上索引上一层的多模态资金数据,建立当前资金数据与上一层资金数据的网络连接;
基于当前的多模态资金数据,向下索引下一层的多模态资金数据,建立当前资金数据与下一层资金数据的网络连接;
对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据进行追踪分析及认证;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证合格,则建立下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告,形成完成的资金追踪列表;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证不合格,则下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告异常,需要重新进行资金追踪分析。
S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态人物关系数据;
基于多模态人物关系数据,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据正常;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据不一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据异常。
S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态银行卡属性数据;
基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出多模态银行卡属性。
综上,本发明的多模态数据智能分析***与方法,实时采集且导入多模态数据,基于多模态数据智能分析需求,对多模态数据进行提取、检索、分组、排序及计算,确定出多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控,可结合多模态数据进行智能分析,提高数据分析精度,且提升数据分析效果。
本实施例还提供了一种多模态数据智能分析***,安全管控执行单元,包括:
数据分析子单元,用于:
获取待管控的多模态数据,并对待管控的多模态数据进行解析,得到每一类数据的用途和特性;
获取对多模态数据的安全管控任务,并对安全管控任务进行解析,得到每一类数据的安全管控项目,且基于每一数据的用途和特性确定每一类数据的安全管控项目对应的安全管控等级;
历史数据获取及解析子单元,用于:
提取待管控的多模态数据的数据特征,并基于数据特征从预设数据库中调取预设历史数据,其中,预设历史数据为在安全管控策略管控后得到的数据;
对得到的预设历史数据进行解析,得到状态-数据序列集,并基于状态-数据序列集确定每一类数据的安全管控项目的安全管控特征;
模型构建及应用子单元,用于基于预设历史数据、安全管控特征以及每一类数据的安全管控项目对应的安全管控等级对预设模型框架进行预设优化迭代次数的寻优交互,得到多模态数据安全管控策略制定模型,并基于多模态数据安全管控策略制定模型对分析认证报告的多模态数据进行边缘计算及关联性分析,得到多模态数据的安全管控策略;
管控子单元,用于:
基于安全管控策略确定每一类数据的安全管控项目的执行逻辑以及每一安全管控项目的安全管控步骤,并基于执行逻辑以及安全管控步骤对相应数据进行协同安全管控操作;
基于协同安全管控操作完成根据多模态数据安全管控策略对多模态数据的安全管控。
该实施例中,待管控的多模态数据是提前已知的,具体指的是需要进行管控的多模态数据的类型等。
该实施例中,用途指的是每一类数据能够实现的目的以及功能,例如可以是计算收入的数据等。
该实施例中,特性指的是多模态数据的种类以及数据的取值范围等。
该实施例中,安全管控任务是提前已知的,用于表征需要对多模态数据管控的严格程度以及管控要达到的最终目标等。
该实施例中,安全管控项目是对安全管控任务解析后得到的,用于表征需要对多模态数据安全管控的种类,具体可以是数据加密或是权限限制等。
该实施例中,安全管控等级指的是需要达到的安全管控级别,目的是为了确保对多模态数据进行有效的安全管控操作。
该实施例中,数据特征指的是待管控的多模态数据的数据类型以及数据取值范围等。
该实施例中,预设数据库是提前设定好的,用于存储多种不同的历史数据,为构建模型提供相应的数据支撑。
该实施例中,预设历史数据指的是与待管控的多模态数据的数据特征相匹配的历史数据,且是在安全管控策略管控后得到的,用于作为训练样本,构建多模态数据安全管控策略制定模型。
该实施例中,状态-数据序列集指的是通过已知的安全管控策略对预设历史数据进行解析后,得到的预设历史数据的原始数据与安全管控后的状态之间的对应关系。
该实施例中,安全管控特征指的是需要进行安全管控的方式以及每一方式的运行特点等。
该实施例中,预设模型框架是提前获取的。
该实施例中,预设优化迭代次数是提前设定好的,用于表征对预设模型框架的训练次数。
该实施例中,多模态数据安全管控策略制定模型指的是根据预设历史数据、安全管控特征以及每一类数据的安全管控项目对应的安全管控等级训练得到的,用于对多模态数据进行分析后,自动制定相应的安全管控策略。
该实施例中,执行逻辑用于表征每一安全管控项目的执行顺序。
该实施例中,安全管控步骤指的是每一安全管控项目中包含的具体执行步骤,即安全管控的具体方式方法。
该实施例中,协同安全管控操作指的是通过各安全管控步骤对多模态数据进行同步管控,最终确保多模态数据的安全。
上述技术方案的工作原理及有益效果是:通过对待管控的多模态数据进行分析,实现对需要进行管理的多模态数据的用途和特性进行准确有效的确定,为构建多模态数据安全管控策略制定模型提供了便利,其次,对安全管控任务进行解析,实现对多模态数据的安全管控项目以及每一安全管控项目的安全管控等级进行锁定,且从预设数据库中调取预设历史数据,并预设历史数据进行分析,得到数据状态与数据以及安全管控项目和安全管控项目的安全管控等级之间的关系,为构架模型提供了支撑与保障,最后,根据三者之间的关系构建多模态数据安全管控策略制定模型,并根据构建的模型对分析认证报告的多模态数据进行分析,实现对多模态数据所需的安全管控策略进行准确有效的生成,确保了生成的安全管控策略的有效性和准确性,也确保了对多模态数据安全管控的效果。
本实施例还提供了一种多模态数据智能分析方法,S1中,实时采集且导入多模态数据,包括:
获取采集到的多模态数据,并对多模态数据进行序列化处理,得到多模态数据中多个多模态数据实例,其中,多模态数据实例包括图像数据实例、文本数据实例以及语音数据实例;
基于多模态数据分析标准分别确定不同多模态数据实例在相似性度量中的权重值,并基于权重值分别计算图像数据实例与文本数据实例的第一相似度值和文本数据实例与语音数据实例的第二相似度值,具体步骤包括:
根据如下公式计算图像数据实例与文本数据实例的第一相似度值:
其中,表示多模态数据实例中图像数据实例与文本数据实例之间的第一相似度值;μ表示误差系数,且取值范围为(0.01,0.02);i表示多模态数据实例中图像数据实例与文本数据实例的个数,且取值为[1,n];n表示多模态数据实例中图像数据实例与文本数据实例的总个数;αi表示第i个图像数据实例的权重值;δi表示第i个文本数据实例的权重值;Xi表示第i个图像数据实例;Yi表示第i个文本数据实例;||·||为二范数,且
基于第一相似度值确定多模态数据中图像数据实例与文本数据实例的第一对应关系,并基于第一对应关系将多模态数据中图像数据实例与文本数据实例进行第一排列,其中,图像数据实例与文本数据实例记录同一对象;
根据如下公式计算文本数据实例与语音数据实例的第二相似度值:
其中,ω表示多模态数据实例中文本数据实例与语音数据实例之间的第二相似度值;θi表示第i个语音数据实例的权重值;Zi表示第i个语音数据实例;
基于第二相似度值确定多模态数据中文本数据实例与语音数据实例的第二对应关系,并基于第二对应关系将多模态数据中文本数据实例与语音数据实例进行第二排列,其中,文本数据实例与语音数据实例记录同一对象;
基于第一排列和第二排列确定同一对象对应的图像数据实例、文本数据实例以及语音数据实例,并分别将同一对象对应的图像数据实例、文本数据实例以及语音数据实例进行导入,得到归类后的多模态数据。
该实施例中,序列化处理指的是将多模态数据进行拆分,得到多个独立的数据,从而便于对多模态数据中包含的不同类型的数据进行归类,提高对多模态数据分析的效率。
该实施例中,多模态数据实例指的是将多模态数据进行序列化处理后得到的多个独立的数据,且模态数据实例指的是多模态数据中不同数据的具体取值大小。
该实施例中,图像数据实例、文本数据实例以及语音数据实例指的是同一对象的不同格式数据,记录的是同一对象。
该实施例中,多模态数据分析标准是提前已知的,用于表征每一类别的数据在进行相似性计算时多对应的权重值。
该实施例中,第一相似度值是用于表征图像数据实例与文本数据实例之间的相似性关系,从而便于将同一对象的图像数据实例和文本数据实例进行关联。
该实施例中,第二相似度值是用于表征文本数据实例和语音数据实例之间的相似性关系,从而便于将同一对象的文本数据实例和语音数据实例进行关联。
该实施例中,表示的是图像数据实例与文本数据实例之间的相互距离值,距离值越小表明二者越相似。
该实施例中,第一对应关系是用于表征图像数据实例与文本数据实例之间的相互对应关系,从而便于确定同一对象对应的图像数据实例和文本数据实例。
该实施例中,第一排列指的是将同一对象的图像数据实例与文本数据实例进行关联,目的是为了便于将同一对象的多模态数据进行有效的导入。
该实施例中,第二对应关系是用于表征文本数据实例和语音数据实例之间的相互对应关系,从而便于确定同一对象对应的文本数据实例和语音数据实例。
该实施例中,第二排列指的是将同一对象的文本数据实例与语音数据实例进行关联,目的是为了便于将同一对象的多模态数据进行有效的导入。
上述技术方案的工作原理及有益效果是:通过对多模态数据进行序列化处理,实现对多模态数据包含的多模态数据实例进行有效的确定,其次,对多模态数据实例中图像数据实例、文本数据实例以及语音数据实例之间的第一相似度值和第二相似度值进行计算,实现根据计算结果将同一对象的图像数据实例、文本数据实例以及语音数据实例进行有效关联,从而确保将同一对象的多模态数据进行汇总,最后将汇总后的多模态数据进行导入,便于提高对多模态数据分析的效率。
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。
Claims (8)
1.多模态数据智能分析***,其特征在于,包括:
多模态数据导入模块,用于实时采集且导入多模态数据,其中多模态数据包括但不限于图像数据、文本数据及语音数据,利用多重生物识别技术,且结合数据融合技术,对实时采集的图像数据、文本数据及语音数据进行导入,确定出多模态数据;
多模态数据处理模块,用于对多模态数据进行综合性处理,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据,且对完全提取出来的多模态数据进行检索、分组、排序及计算,确定出多模态特征数据;
多模态数据分析模块,用于对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
多模态数据管控模块,用于对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控;
多模态数据存储模块,用于存储多模态认证数据,为多模态数据智能分析提供参照分析依据;
所述多模态数据管控模块包括:
管控策略制定单元,用于自主制定多模态数据安全管控策略,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略;
安全管控执行单元,用于对多模态数据进行安全管控,获取多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控;
安全管控执行单元,包括:
数据分析子单元,用于:
获取待管控的多模态数据,并对待管控的多模态数据进行解析,得到每一类数据的用途和特性;
获取对待管控的多模态数据的安全管控任务,并对安全管控任务进行解析,得到每一类数据的安全管控项目,且基于每一类数据的用途和特性确定每一类数据的安全管控项目对应的安全管控等级;
历史数据获取及解析子单元,用于:
提取待管控的多模态数据的数据特征,并基于数据特征从预设数据库中调取预设历史数据,其中,预设历史数据为在安全管控策略管控后得到的数据;
对得到的预设历史数据进行解析,得到状态-数据序列集,并基于状态-数据序列集确定每一类数据的安全管控项目的安全管控特征;
模型构建及应用子单元,用于基于预设历史数据、安全管控特征以及每一类数据的安全管控项目对应的安全管控等级对预设模型框架进行预设优化迭代次数的寻优交互,得到多模态数据安全管控策略制定模型,并基于多模态数据安全管控策略制定模型对分析认证报告的多模态数据进行边缘计算及关联性分析,得到多模态数据的安全管控策略;
管控子单元,用于:
基于安全管控策略确定每一类数据的安全管控项目的执行逻辑以及每一安全管控项目的安全管控步骤,并基于执行逻辑以及安全管控步骤对相应数据进行协同安全管控操作;
基于协同安全管控操作完成根据多模态数据安全管控策略对多模态数据的安全管控。
2.根据权利要求1所述的多模态数据智能分析***,其特征在于:所述多模态数据导入模块包括:
图像数据导入单元,用于实时采集且导入图像数据;
文本数据导入单元,用于实时采集且导入文本数据;
语音数据导入单元,用于实时采集且导入语音数据;
基于实时采集且导入的图像数据、文本数据及语音数据;
利用多重生物识别技术,且结合数据融合技术,确定出多模态数据。
3.根据权利要求2所述的多模态数据智能分析***,其特征在于:所述多模态数据处理模块包括:
多模态数据提取单元,用于对导入的多模态数据进行提取,基于多模态数据智能分析需求,从导入的多模态数据中完全提取出多模态数据;
多模态数据检索单元,用于对提取的多模态数据进行检索,基于顺序检索方法,对完全提取出来的多模态数据进行检索,过滤掉对多模态数据智能分析无价值的多模态数据,确定出对多模态数据智能分析有价值的多模态数据;
多模态数据分组单元,用于对检索的多模态数据进行分组,基于互斥性原则,对确定出来的对多模态数据智能分析有价值的多模态数据进行分组,确定出具有不同类型的多模态数据组别,每组内放置有具有相同类型的多模态数据;
多模态数据排序单元,用于对分组的多模态数据进行排序,基于内部排序方法,对分组后的多模态数据进行排序,确定出具有分布特征的多模态数据;
多模态数据计算单元,用于对排序的多模态数据进行计算,基于算术及逻辑运算,对具有分布特征的多模态数据进行计算,确定出多模态特征数据。
4.根据权利要求3所述的多模态数据智能分析***,其特征在于:所述多模态数据分析模块包括:
资金追踪分析单元,用于对多模态资金数据进行追踪分析,获取多模态资金数据,基于数据挖掘技术,且参照存储的多模态认证数据资金,对多模态资金数据进行追踪分析,确定出基于多模态数据资金的追踪分析报告;
人物关系分析单元,用于对人物关系进行分析认证,获取多模态人物关系数据,基于数据挖掘技术,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证,确定出基于多模态人物关系数据的分析认证报告;
银行卡属性识别单元,用于对银行卡属性进行识别分析认证,获取多模态银行卡属性数据,基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出基于多模态银行卡属性数据的分析认证报告。
5.多模态数据智能分析方法,基于如权利要求4所述的多模态数据智能分析***实现,其特征在于:包括如下步骤:
S1:实时采集且导入多模态数据,对多模态数据进行综合性处理,基于多模态数据智能分析需求,对多模态数据进行提取、检索、分组、排序及计算,确定出多模态特征数据;
S2:对多模态数据进行分析认证,获取多模态特征数据,基于数据挖掘技术,且参照存储的多模态认证数据,对多模态特征数据进行分析认证,确定出基于多模态特征数据的分析认证报告;
S3:对多模态数据进行安全管控,获取基于多模态特征数据的分析认证报告,基于卷积神经网络、边缘计算及关联性分析,确定出基于分析认证报告的多模态数据安全管控策略,按照多模态数据安全管控策略对多模态数据进行安全管控。
6.根据权利要求5所述的多模态数据智能分析方法,其特征在于:所述S2中,对多模态数据进行分析认证,执行以下操作:
获取多模态资金数据;
基于当前的多模态资金数据,向上索引上一层的多模态资金数据,建立当前资金数据与上一层资金数据的网络连接;
基于当前的多模态资金数据,向下索引下一层的多模态资金数据,建立当前资金数据与下一层资金数据的网络连接;
对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据进行追踪分析及认证;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证合格,则建立下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告,形成完成的资金追踪列表;
针对向上索引的上一层的多模态资金数据及向下索引的下一层的多模态资金数据分析认证不合格,则下一层多模态资金数据、当前多模态资金数据及上一层多模态资金数据之间的资金追踪分析报告异常,需要重新进行资金追踪分析。
7.根据权利要求6所述的多模态数据智能分析方法,其特征在于:所述S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态人物关系数据;
基于多模态人物关系数据,且参照存储的多模态人物关系认证数据,对多模态人物关系数据进行分析认证;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据正常;
针对获取的多模态人物关系数据与存储的多模态人物关系认证数据不一致的情况,则确定出的基于多模态人物关系数据的分析认证报告为多模态人物关系数据异常;
所述S2中,对多模态数据进行分析认证,还执行以下操作:
获取多模态银行卡属性数据;
基于数据挖掘技术,且参照存储的多模态银行卡属性认证数据,对多模态银行卡属性数据进行分析认证,确定出多模态银行卡属性。
8.根据权利要求7所述的多模态数据智能分析方法,其特征在于:S1中,实时采集且导入多模态数据,包括:
获取采集到的多模态数据,并对多模态数据进行序列化处理,得到多模态数据中多个多模态数据实例,其中,多模态数据实例包括图像数据实例、文本数据实例以及语音数据实例;
基于多模态数据分析标准分别确定不同多模态数据实例在相似性度量中的权重值,并基于权重值分别计算图像数据实例与文本数据实例的第一相似度值和文本数据实例与语音数据实例的第二相似度值,具体步骤包括:
根据如下公式计算图像数据实例与文本数据实例的第一相似度值:
其中,表示多模态数据实例中图像数据实例与文本数据实例之间的第一相似度值;μ表示误差系数,且取值范围为(0.01,0.02);i表示多模态数据实例中图像数据实例与文本数据实例的个数,且取值为[1,n];n表示多模态数据实例中图像数据实例与文本数据实例的总个数;αi表示第i个图像数据实例的权重值;δi表示第i个文本数据实例的权重值;Xi表示第i个图像数据实例;Yi表示第i个文本数据实例;‖·‖为二范数,且/>
基于第一相似度值确定多模态数据中图像数据实例与文本数据实例的第一对应关系,并基于第一对应关系将多模态数据中图像数据实例与文本数据实例进行第一排列,其中,图像数据实例与文本数据实例记录同一对象;
根据如下公式计算文本数据实例与语音数据实例的第二相似度值:
其中,ω表示多模态数据实例中文本数据实例与语音数据实例之间的第二相似度值;θi表示第i个语音数据实例的权重值;Zi表示第i个语音数据实例;
基于第二相似度值确定多模态数据中文本数据实例与语音数据实例的第二对应关系,并基于第二对应关系将多模态数据中文本数据实例与语音数据实例进行第二排列,其中,文本数据实例与语音数据实例记录同一对象;
基于第一排列和第二排列确定同一对象对应的图像数据实例、文本数据实例以及语音数据实例,并分别将同一对象对应的图像数据实例、文本数据实例以及语音数据实例进行导入,得到归类后的多模态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904788.8A CN116881335B (zh) | 2023-07-24 | 2023-07-24 | 多模态数据智能分析***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904788.8A CN116881335B (zh) | 2023-07-24 | 2023-07-24 | 多模态数据智能分析***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881335A CN116881335A (zh) | 2023-10-13 |
CN116881335B true CN116881335B (zh) | 2024-06-04 |
Family
ID=88269603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310904788.8A Active CN116881335B (zh) | 2023-07-24 | 2023-07-24 | 多模态数据智能分析***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881335B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557163A (zh) * | 2016-11-18 | 2017-04-05 | 北京光年无限科技有限公司 | 基于智能机器人视觉记忆的多模态交互方法、装置和*** |
CN109191842A (zh) * | 2018-09-18 | 2019-01-11 | 银江股份有限公司 | 基于实时通行能力的拥堵调控策略推荐方法及*** |
CN110851488A (zh) * | 2019-09-26 | 2020-02-28 | 贵阳信息技术研究院(中科院软件所贵阳分部) | 基于多源多模态数据融合分析处理方法及平台 |
CN113760484A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理的方法和装置 |
CN114611618A (zh) * | 2022-03-16 | 2022-06-10 | 浙江大学 | 一种面向跨模态检索的数据采集处理方法及*** |
CN114715806A (zh) * | 2022-06-08 | 2022-07-08 | 杭州未名信科科技有限公司 | 一种塔机异常状态的应急控制方法、装置、介质及塔机 |
WO2022205601A1 (zh) * | 2021-03-30 | 2022-10-06 | 平安科技(深圳)有限公司 | 治疗策略的动态干预方法、装置、电子设备及存储介质 |
CN115393751A (zh) * | 2021-05-25 | 2022-11-25 | 阿里巴巴新加坡控股有限公司 | 数据处理方法、存储介质及电子设备 |
KR102474545B1 (ko) * | 2021-12-01 | 2022-12-05 | 사단법인 코티티시험연구원 | 능동형 위해정보 통합 관리 장치 및 그 방법 |
CN115587746A (zh) * | 2022-09-13 | 2023-01-10 | 华中科技大学 | 一种流程安全风险多模态的数智化管控方法和装置 |
CN115631039A (zh) * | 2019-09-26 | 2023-01-20 | 支付宝(杭州)信息技术有限公司 | 资金追踪方法、装置及设备 |
CN115659175A (zh) * | 2022-10-13 | 2023-01-31 | 国网辽宁省电力有限公司信息通信分公司 | 一种面向微服务资源的多模态数据分析方法、装置及介质 |
CN116010628A (zh) * | 2023-01-10 | 2023-04-25 | 北京有竹居网络技术有限公司 | 数据处理、数据检索、检索模型训练方法和装置 |
CN116308960A (zh) * | 2023-03-27 | 2023-06-23 | 杭州绿城信息技术有限公司 | 基于数据分析的智慧园区物业防控管理***及其实现方法 |
CN116467697A (zh) * | 2023-04-26 | 2023-07-21 | 吴春雨 | 一种基于信息安全网络防御的数据关联*** |
-
2023
- 2023-07-24 CN CN202310904788.8A patent/CN116881335B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557163A (zh) * | 2016-11-18 | 2017-04-05 | 北京光年无限科技有限公司 | 基于智能机器人视觉记忆的多模态交互方法、装置和*** |
CN109191842A (zh) * | 2018-09-18 | 2019-01-11 | 银江股份有限公司 | 基于实时通行能力的拥堵调控策略推荐方法及*** |
CN110851488A (zh) * | 2019-09-26 | 2020-02-28 | 贵阳信息技术研究院(中科院软件所贵阳分部) | 基于多源多模态数据融合分析处理方法及平台 |
CN115631039A (zh) * | 2019-09-26 | 2023-01-20 | 支付宝(杭州)信息技术有限公司 | 资金追踪方法、装置及设备 |
CN113760484A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理的方法和装置 |
WO2022205601A1 (zh) * | 2021-03-30 | 2022-10-06 | 平安科技(深圳)有限公司 | 治疗策略的动态干预方法、装置、电子设备及存储介质 |
CN115393751A (zh) * | 2021-05-25 | 2022-11-25 | 阿里巴巴新加坡控股有限公司 | 数据处理方法、存储介质及电子设备 |
KR102474545B1 (ko) * | 2021-12-01 | 2022-12-05 | 사단법인 코티티시험연구원 | 능동형 위해정보 통합 관리 장치 및 그 방법 |
CN114611618A (zh) * | 2022-03-16 | 2022-06-10 | 浙江大学 | 一种面向跨模态检索的数据采集处理方法及*** |
CN114715806A (zh) * | 2022-06-08 | 2022-07-08 | 杭州未名信科科技有限公司 | 一种塔机异常状态的应急控制方法、装置、介质及塔机 |
CN115587746A (zh) * | 2022-09-13 | 2023-01-10 | 华中科技大学 | 一种流程安全风险多模态的数智化管控方法和装置 |
CN115659175A (zh) * | 2022-10-13 | 2023-01-31 | 国网辽宁省电力有限公司信息通信分公司 | 一种面向微服务资源的多模态数据分析方法、装置及介质 |
CN116010628A (zh) * | 2023-01-10 | 2023-04-25 | 北京有竹居网络技术有限公司 | 数据处理、数据检索、检索模型训练方法和装置 |
CN116308960A (zh) * | 2023-03-27 | 2023-06-23 | 杭州绿城信息技术有限公司 | 基于数据分析的智慧园区物业防控管理***及其实现方法 |
CN116467697A (zh) * | 2023-04-26 | 2023-07-21 | 吴春雨 | 一种基于信息安全网络防御的数据关联*** |
Also Published As
Publication number | Publication date |
---|---|
CN116881335A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223168B (zh) | 一种基于企业关系图谱的标签传播反欺诈检测方法及*** | |
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN107015983A (zh) | 一种用于智能问答中提供知识信息的方法与设备 | |
CN110782123B (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
CN109344740A (zh) | 人脸识别***、方法及计算机可读存储介质 | |
CN110751361B (zh) | 一种银行需求条目级管理方法及*** | |
CN111861786B (zh) | 一种基于特征选择和孤立随机森林的专变窃电识别方法 | |
CN108268886B (zh) | 用于识别外挂操作的方法及*** | |
CN110348490A (zh) | 一种基于支持向量机算法的土壤质量预测方法及装置 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及*** | |
CN115630621A (zh) | 一种基于pdf财务数据报表的数据采集、处理的方法及*** | |
CN111930726B (zh) | 基于离线表单的等级保护测评数据采集、分析方法及*** | |
CN111488501A (zh) | 一种基于云平台的电商统计*** | |
US8341170B2 (en) | Apparatus and method for visualizing technology change | |
CN114186002A (zh) | 科技成果数据处理分析方法及*** | |
CN116881335B (zh) | 多模态数据智能分析***与方法 | |
CN116307566B (zh) | 大型房屋建筑工程施工组织方案动态设计*** | |
CN110457009B (zh) | 基于数据分析的软件安全需求推荐模型的实现方法 | |
CN107093018A (zh) | 基于健康模型的电信工程项目信息可视化方法及装置 | |
CN114693307B (zh) | 一种证券期货程序化交易策略风险压力测试*** | |
CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
CN112418600A (zh) | 一种基于指标集的企业政策评分方法及*** | |
CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 | |
CN112613562A (zh) | 基于多中心云计算的数据分析***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |