基于人工智能算法数据交互系统的制作方法

1.本发明属于数据交互技术领域，具体是基于人工智能算法数据交互系统。


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。
3.人工智能在进行算法数据交互过程中，数据交互无非为两种形式，一种为外部人员进行语音交互，二为内部算法数据与云端进行更改交互，在语音交互过程中，因语音去噪的不彻底，导致人工智能识别效果较差，算法数据交互过程中，未对数据进行加密处理，便导致算法数据在传输过程中，很容易被外部人员窃取，造成数据丢失。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于人工智能算法数据交互系统，用于解决在语音交互过程中，因语音去噪的不彻底，导致人工智能识别效果较差，算法数据交互过程中，未对数据进行加密处理，便导致算法数据在传输过程中，很容易被外部人员窃取，造成数据丢失的技术问题。
5.为实现上述目的，根据本发明的第一方面的实施例提出基于人工智能算法数据交互系统，包括外部数据采集端、处理服务器、内部数据采集端以及数据传输端；
6.外部数据采集端用于对外部人员与人工智能所交互的数据进行采集，所采集的数据为语音数据，并将语音数据传输至处理服务器内；
7.内部数据采集端用于对人工智能与云端之间所交互的算法数据进行采集，并将所采集的算法数据传输至处理服务器内；
8.处理服务器包括数据识别端、分箱存储端、处理终端、阈值终端以及去噪终端，所述数据识别端用于对语音数据或算法数据进行识别，且数据识别端将语音数据传输至分箱存储端内，将算法数据直接传输至处理终端内，所述分箱存储端用于对语音数据多个不同种类的数据进行存储，所述处理终端对语音数据进行处理得到的处理值，将处理值与阈值终端内部阈值比对，根据比对结果，对去噪终端内部的去噪频率进行选择，所述处理终端对算法数据采用数据切割分通道传输加密处理，所述数据传输端用于对算法数据进行传输。
9.优选的，所述语音数据包括传播数据、算力数据以及噪声数据。
10.优选的，所述分箱存储端内部设置有多个分储数据箱，多个分储数据箱外端均设有数据识别标记，通过不同的数据识别标记对传播数据、算力数据以及噪声数据进行识别，并将不同的数据存储于不同分储数据箱内，其中噪声数据还包括上一秒的噪声数据，所述阈值终端内部设置有两组阈值x和y。
11.优选的，所述处理终端对语音数据进行处理的步骤如下：处理终端对不同分箱的数据容量进行提取，并将存储传播数据的分箱容量数据标记为cb，将存储算力数据的分箱容量数据标记为sl，将存储噪声数据的分箱容量数据标记为cc；
12.采用得到处理值cl，其中c1、c2以及c3均为预设的固定系数因子，为修正因子，取值为0.97863；
13.当处理值cl≤x时，阈值终端生成低频率去噪信号，并将低频率去噪信号传输至处理终端内；当处理值x＜cl＜y时，阈值终端生成中频率去噪信号，并将中频率去噪信号传输至处理终端内；当处理值x≥y时，阈值终端生成高频率去噪信号，将高频率去噪信号传输至处理终端内；
14.处理终端根据所接收到的去噪信号，对去噪终端进行控制，改变去噪终端的输出频率。
15.优选的，所述处理终端对算法数据进行数据切割分通道传输加密处理的步骤为：将算法数据内部的mac地址数据以及身份数据进行捆绑，生成捆绑标记数据包，再将算法数据进行分割处理，以k个行数为固定值，通过所设定的k值，将算法数据切割为n段，将n段数据流与对应的数字标记进行捆绑，所采用的数字标记为正整数，将对应的奇数段或偶数段分别进行提取，并生成对应的奇数数据包和偶数数据包；
16.处理终端对算法数据进行分割处理时生成对应的识别标记，识别标记与数据流进行捆绑，同时产生对应的记忆端子，记忆端子用于对识别标记进行识别提取并进行排列处理，且记忆端子内部存储有对应的识别标记排列序列；
17.数据传输端将对应算法数据所生成的记忆端子与捆绑标记数据包进行捆绑，采用a组通道传输，奇数段数据包采用b组通道传输，偶数段数据包采用c组通道进行传输；
18.算法数据传输到带有指定mac地址终端时，记忆端子提前启动，根据识别标记排列序列对奇数段数据包以及偶数段数据包内部的数据流进行排列整合，生成对应的算法数据。
19.优选的，所述a、b、c为三组不同的网络通道，用于对算法数据流进行传输。
20.与现有技术相比，本发明的有益效果是：人工智能与外部人员进行语音数据交互时，首先对语音数据内部不同的数据进行提取，将提取后的数据进行分箱存储处理，处理终端根据对应分箱的数据容量进行测算，再将测算所得的数值与阈值终端内部点值进行比对，通过比对结果，对去噪频率进行选择，改变去噪频率，提升去噪效果，使整个语音数据得到充分的去噪处理，使人工智能快速识别语音数据，提升识别效果；
21.首先对算法数据通过k个行数进行切割，生成若干个数据流，将若干个数据流采用奇数段以及偶数段分割，分割后的数据流通过记忆端子的记忆作用，不会造成混乱，同时，数据流传输至指定终端时，记忆端子对多个数据流进行整合，生成算法数据，完成分割后的数据采用不同的数据通道进行传输，传输至对应设备终端后，提升数据交互过程中的安全性，有效避免了外部人员对人工智能的算法数据进行盗窃。
附图说明
22.图1为本发明原理框架示意图。
具体实施方式
23.下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
24.请参阅图1，本技术提供了基于人工智能算法数据交互系统，包括外部数据采集端、处理服务器、内部数据采集端以及数据传输端；
25.所述外部数据采集端输出端与处理服务器输入端电性连接，所述内部数据采集端输出端与处理服务器输入端电性连接，且处理服务器输出端与数据传输端输入端电性连接；
26.处理服务器包括数据识别端、分箱存储端、处理终端、阈值终端以及去噪终端；
27.所述数据识别端输出端分别与分箱存储端和处理终端输入端电性连接，所述分箱存储端与处理终端之间双向连接，所述处理终端与阈值终端之间双向连接，且处理终端输出端与去噪终端输入端电性连接；
28.外部数据采集端，用于对外部人员与人工智能所交互的数据进行采集，所采集的数据为语音数据，语音数据传输至处理服务器内；
29.内部数据采集端，用于对人工智能与云端之间所交互的算法数据进行采集，并将所采集的算法数据传输至处理服务器内；
30.数据识别端，用于对语音数据或算法数据进行识别，将不同的数据进行不同通道的传输，将语音数据传输至分箱存储端内，将算法数据直接传输至处理终端内；
31.分箱存储端，内部设置有多个分储数据箱，多个分储数据箱外端均设有数据识别标记，通过不同的数据识别标记对传播数据、算力数据以及噪声数据进行识别，并将不同的数据存储于不同分储数据箱内，其中噪声数据还包括上一秒的噪声数据，为了在去噪过程中，提取上一秒的噪声数据，使去噪过程中，提升去噪处理效果；
32.处理终端，用于对不同分储数据箱内部的传播数据、算力数据以及噪声数据进行处理计算，并将处理得到后的处理值与阈值终端内部阈值进行比对，通过比对结果，对去噪终端内部的去噪频率进行选择，提升去噪处理效果；
33.其中，处理终端进行处理计算的步骤如下：
34.s1、处理终端对不同分箱的数据容量进行提取，并将存储传播数据的分箱容量数据标记为cb，将存储算力数据的分箱容量数据标记为sl，将存储噪声数据的分箱容量数据标记为cc；
35.s2、采用得到处理值cl，其中c1、c2以及c3均为预设的固定系数因子，为修正因子，取值为0.97863，将处理值cl传输至阈值终端内；
36.s3、阈值终端内部设置有两组阈值x和y，x和y取值由操作人员经验拟定；
37.s4、当处理值cl≤x时，阈值终端生成低频率去噪信号，并将低频率去噪信号传输至处理终端内；当处理值x＜cl＜y时，阈值终端生成中频率去噪信号，并将中频率去噪信号传输至处理终端内；当处理值x≥y时，阈值终端生成高频率去噪信号，将高频率去噪信号传输至处理终端内；
38.s5、处理终端根据所接收到的去噪信号，对去噪终端进行控制，改变去噪终端的输出频率，对外部人员与人工智能所交互的语音数据进行去噪处理，并将去噪处理后的数据
通过数据传输端进行传输；
39.人工智能与外部人员进行语音数据交互时，首先对语音数据内部不同的数据进行提取，将提取后的数据进行分箱存储处理，处理终端根据对应分箱的数据容量进行测算，再将测算所得的数值与阈值终端内部点值进行比对，通过比对结果，对去噪频率进行选择，改变去噪频率，提升去噪效果，使整个语音数据得到充分的去噪处理，使人工智能快速识别语音数据，提升识别效果。
40.数据识别端，识别到对应的算法数据时，直接将算法数据传输至处理终端内，处理数据对算法数据进行加密处理，并将加密处理后的数据通过数据传输端进行传输处理；
41.其中，处理终端对算法数据进行加密处理的步骤如下：
42.w1、首先将算法数据内部的mac地址数据以及身份数据进行捆绑，生成捆绑标记数据包，再将算法数据进行分割处理，以k个行数为固定值，其中，k个行数由操作人员根据经验拟定，通过所设定的k值，将算法数据切割为n段，将n段数据流与对应的数字标记进行捆绑，所采用的数字标记为正整数，将对应的奇数段或偶数段分别进行提取，并生成对应的奇数数据包和偶数数据包；
43.w2、处理终端对算法数据进行分割处理时生成对应的识别标记，识别标记与数据流进行捆绑，同时产生对应的记忆端子，记忆端子用于对识别标记进行识别提取并进行排列处理，且记忆端子内部存储有对应的识别标记排列序列，例：原始算法数据为1i、2i、
……
、ni，奇数段数据包内部包括1i、3i、
……
、n-1i，偶数段数据包则包括2i、4i、
……
、ni，其中i为所设定的识别标记；
44.w3、数据传输端将对应算法数据所生成的记忆端子与捆绑标记数据包进行捆绑，采用a组通道传输，奇数段数据包采用b组通道传输，偶数段数据包采用c组通道进行传输，其中a、b、c为三组不同的网络通道，用于对算法数据流进行传输；
45.w4、算法数据传输到带有指定mac地址终端时，记忆端子提前启动，根据识别标记排列序列对奇数段数据包以及偶数段数据包内部的数据流进行排列整合，生成对应的算法数据。
46.采用此种方式进行算法数据加密处理，首先对算法数据通过k个行数进行切割，生成若干个数据流，将若干个数据流采用奇数段以及偶数段分割，分割后的数据流通过记忆端子的记忆作用，不会造成混乱，同时，数据流传输至指定终端时，记忆端子对多个数据流进行整合，生成算法数据，完成分割后的数据采用不同的数据通道进行传输，传输至对应设备终端后，提升数据交互过程中的安全性，有效避免了外部人员对人工智能的算法数据进行盗窃。
47.上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
48.本发明的工作原理：人工智能与外部人员进行语音数据交互时，首先对语音数据内部不同的数据进行提取，将提取后的数据进行分箱存储处理，处理终端根据对应分箱的数据容量进行测算，再将测算所得的数值与阈值终端内部点值进行比对，通过比对结果，对去噪频率进行选择，改变去噪频率，提升去噪效果，使整个语音数据得到充分的去噪处理，使人工智能快速识别语音数据，提升识别效果；
49.首先对算法数据通过k个行数进行切割，生成若干个数据流，将若干个数据流采用奇数段以及偶数段分割，分割后的数据流通过记忆端子的记忆作用，不会造成混乱，同时，数据流传输至指定终端时，记忆端子对多个数据流进行整合，生成算法数据，完成分割后的数据采用不同的数据通道进行传输，传输至对应设备终端后，提升数据交互过程中的安全性，有效避免了外部人员对人工智能的算法数据进行盗窃。
50.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。