CN119418142A 基于深度学习的多模态数据特征处理方法、系统及介质 （北京市大数据中心）_第1页
CN119418142A 基于深度学习的多模态数据特征处理方法、系统及介质 （北京市大数据中心）_第2页
CN119418142A 基于深度学习的多模态数据特征处理方法、系统及介质 （北京市大数据中心）_第3页
CN119418142A 基于深度学习的多模态数据特征处理方法、系统及介质 （北京市大数据中心）_第4页
CN119418142A 基于深度学习的多模态数据特征处理方法、系统及介质 （北京市大数据中心）_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号基于深度学习的多模态数据特征处理方法、本申请公开了一种基于深度学习的多模态2获取各个类型的数据图像，基于数据图像的具体类型确定对应根据结构化数据对应的图像类型，确定对应的特征提取算法，获将同属于相同对齐因子的若干特征数据集合，拼接成一个特征通过降维后的数据矩阵和对应的标签数据，训练预设深度学习当数据图像为文本类数据图像时，通过OCR技术将文本类数据图像转换成可编辑的文关键字对应的标签数据为当前结构化数据对应的3地理坐标对应预设聚类标签；通过包含当前地理坐标特征的预设地理坐标特征集合和haversine方法，获得距离当前地理坐标特征最近的预设数量个地理坐标特征作为空间关确认同属于相同对齐因子的若干特征数据集合中将同属于相同对齐因子的若干特征数据集合中的关键词拼接在从用户检索信息中提取用户对齐因子，获取将属于用户对齐因子的若干特征数据集4通过np.corrcoef函数，计算总矩阵中每两个数据图像向量化之间的Pearson相关系生成数据图像的关联关系图，其中，关联关系图由节点和边组转换模块，用于获取各个类型的数据图像，基于数据图像的具数据融合显示模块，用于通过降维后的数据矩阵和对应的标签数指令在被执行时实现如权利要求1_8任一项所述的一种基于深度学习的多模态数据特征处5获取各个类型的数据图像，基于数据图像的具体类型确定对应的图像预处理算6当数据图像为文本类数据图像时，通过OCR技术将文本类数据图像转换成可编辑通过包含当前地理坐标特征的预设地理坐标特征集合和haversine方法，获得距离当前地7采用python函数库中的numpy.linalg.eig函数计算协方差矩阵的一维特征值数[0014]在本申请的一种实现方式中，在获取标签数据对应的各8计算机指令在被执行时实现如上述任一项的一种基于深度学习的多模态数据特征处理方齐的目的是确保不同模态的信息可以相互补充和支持，从而提供更完整和一致的数据表图1是本申请实施例提供的一种基于深度学习的多模态数据特征处理方法流程[0021]图2是本申请实施例提供的一种基于深度学习的多模态数据特征处理系统内部结[0022]本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施9型特征转换为二进制向量。haversine方法，获得距离当前地理坐标特征最近的预设数量个地理坐标特征作为空间关[0041]需要补充说明的是，通过包含当前地理坐标特征的预设地理坐标特征集合、K_数据矩阵，n表示同属于相同对齐因子的特征数据集合的总数；采用python函数库中的息系统首先对用户输入预处理（从用户检索信息中提取用户对齐因子然后经过特征融[0058]除此之外，本申请图2为本申请实施例提供的一种基于深度学习的多模态数据特

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论