创建对象模型的方法与流程

本发明涉及一种智能系统，即人工直觉计算机模型，其用于基于对外部作用的响应而非基于性质相似性来自动化创建对象模型。

背景技术：

迄今为止，本发明不具有已申请方法的一般方面的类似特征。

本发明属于直觉系统领域，并且实际上为人工直觉的唯一技术体现。

技术实现要素：

本发明的目标在于从原则上确定创建信息模型的全新方法，根据基本性质体现人工直觉。

本发明的技术成果是现实模型创建(所研究对象的一致且相干的模型)，其通过用于解决各种信息智能处理任务的对象元素之间的关联集合来描述，所述信息智能处理任务包括：图像的逼近和插值、识别和分类、数据压缩、预测、鉴定、控制、相关联等。此时，获得的模型可以作为具体任务的专业模型，但是，在任何情况下，模型用于解决任务，而不作为任务的解决方案。

由于可能存在许多创建专业模型的方案，所以应根据任务要求确定方案选择的标准，标准可包括以下情况，例如，在最小的运算费用条件下，实现准确的直观化，或可以在混合智能系统(神经网络+专家系统)中进行后续处理，或还可以保证计算最大的准确性或给出最佳预测。也就是说，我们掌握人工直觉+智能(自然或人工)之间的关联。此时，通过追踪对象关系不同处理方式之间的规律，直觉用于划分临界对象，而智能推测其在条件变化时的发展和状态。此时，智能部分的效率不能通过复杂化和专业化的方式实现，而依靠在输出数据显示平面图中系统的直觉部分具有高度自由(准确性、数量、相关性)。

要求保护的技术成果通过对象模型的计算机创建方法来实现，所述方法包括以下阶段：

1)将引用对象划分为多个部分，所述多个部分为具有描述其特性的相同数据集的概念，其中所述概念基于预定的解组规则形成，必要时，对含有相同或近似属性值的概念进行缩减；

2)获得原始数据，所述原始数据以(n*n)/2-n的量来表示所述引用对象部分的所有现有的对，其中n表示部分的数量；

3)对多个属性，包括描述所述对象的所述引用部分的属性，进行评价和优化；

4)对获得的行进行函数处理，其中使用标准函数集，特别是相关性或均方差，或使用由任务设定逻辑得出的特定函数；

5)对获得的结果进行分类和分组，然后对所述分组数据进行冗余校验，接着为对所述分组数据进行标准化的程序，其中滤除冗余数据；

6)通过借助于使用专家系统操作的智能处理的不同方式来建立标准化分组数据之间的函数关联；

7)确定在通过各种函数进行处理时提供近似或可预测结果的数据对，将所述数据对进行关联且后续用于对象模型创建；

8)确定以下信息：哪些函数用于分析所述建模对象的各部分之间的关联，所述各部分之间的哪些关联最为紧密，哪些关联是由数量最多、彼此差异最大的函数产生，哪些概念最常出现在根据各种函数值而筛选的对列表中的上位和下位，鉴定不同概念的分布函数性质以及相关和非显著属性；

9)确定获得的模型是否提供可预测结果，如果是，则所述模型被视为已创建，如果获得的结果不满足提出的要求，则结果被视为是初步的，并将其用于修改解组规则、属性评价、用于处理的函数的选择和过滤标准，如果无结果，则分析属性数量和属性评价的准确性，并将数据对处理的特定函数替换为标准函数。

图1提供了本发明申请的人工直觉计算机模型工作示意图。

图2和图3提供了本发明申请的人工直觉计算机模型单层感知器的几何图形，包括研究前和研究后。

本发明涉及一种智能系统，即人工直觉计算机模型，其用于基于对外部作用的响应而非基于性质相似性来自动化创建对象模型。此时，不是对象属性用作输入数据，而是各个部分(对象元素)之间关系的不同特征作为输入数据，通过揭示各个部分关联的规律来搜索相关知识，或利用其他语言，根据其不完整的或噪音污染样本(参见资料来源1)恢复知识(形式)碎片。

如上所述，在申请的解决方案中体现了人工直觉+智能(自然或人工)的关联。此时，通过追踪对象关系不同处理方式之间的规律，直觉用于划分临界对象，而智能推测其在条件变化时的发展和状态。此时，智能部分的效率不能通过复杂化和专业化实现，而依靠在输出数据显示平面图中系统的直觉部分具有高度自由(准确性、数量、相关性)。对象各个部分之间的关联显然多于各个部分本身的关联，例如，仅处理成对关系时，数值为(n*n-n)*k，式中，n–关联数量，k–关联处理方案的数量。当然，必要时可以不单单只研究成对关联，还可以通过研究对象各个部分不同分组方法之间的关联方案。因此，根据已有的计算数据冗余，利用分组算法和后续过滤的不同选择方案，我们既可以适应具体的智能部分，也可以适应现有的硬件限制。因此，为完成任务，在人机系统之间可以使用不同的权限划分方案。而且，为完成单个任务既可以使用计算机软件，也可以使用专业处理器或类似的数据处理系统。

根据智能处理任务，提出诸如图像的逼近和插值、识别和分类、数据压缩、预测、鉴定、控制、相关联等。

通过描绘对象元素之间关联集合的方式，创建研究对象模型的任务通常非常复杂。在许多情况下，在无人参与的条件下无法创建令人满意的模型，在创建模型时，人使用累积的经验得出非形式化特性。

利用计算技术，信息智能处理可以帮助人简化创建研究对象模型。尤其研究对象元素数量较大时，此处理方法非常有效。必须把对象的所有信息进行缩减，可以对获得的数据进行最佳解释。准备对象信息时，为了简化对对象本质的理解，人可以使用不同的方法，其中包括识别原理。

利用人工神经网络，我们通过对现有识别方法的分析发现了信息智能处理中未曾记录的可能性，即对输送到人工神经网络中的神经元的信息进行预处理(前端处理)。

在申请的发明中，利用对象各个部分(元素)之间关联的规律创建对象模型是人工直觉计算机模型与传统分析方法的原则性区别，通过此种创建对象模型的方法可以增加解决复杂对象建模任务的准确性，而传统分析方法注重对象元素的描述。此时，结合不同的处理方式和剔除无关数值可以揭示不同的关联类型，然后可以用于确定、创建或设置所述专家系统或所述神经网络的几何图；在所述神经网络中对象内部关联的信息显然存在于人工神经网络的几何图中，并且单层感知器式人工神经网络(参见2，第194页)与传统多层人工神经网络相区分(参见2，第218页)，传统多层人工神经网络中的对象内部关联信息以不同层位神经元之间关联的无形式化方式进行存储。

具体实施方式

本发明中申请的人工直觉计算机模型用于解决各种信息智能处理任务，其中包括：图像的逼近和插值、识别和分类、数据压缩、预测、鉴定、控制、相关联等；根据与传统方法的对比，在原始信息不完整和错误的情况下更为有效。

本发明的上述特征通过因果关系与本发明的技术成果相关联。对象总模型根据使用申请的人工直觉计算机模型获得，按照预定参数，人工直觉计算机模型由对象元素之间中央控制关联、稳定关联和其他关联的过滤总和(合成)而构成。因此，在用户最佳计算能力范围内，创建的对象模型(形式)保证与标准相似。

图1提供了实现申请方法时完成动作的顺序。使用申请的方法解决人工直觉任务的过程分为一系列步骤，同时结合各步骤形成不同阶段。阶段1)：将引用对象划分为多个(概念)部分，所述多个(概念)部分具有描述其特性的相同数据集，其中所述概念基于预定的解组规则形成，必要时，对含有相同或近似属性值的概念进行缩减(在某些情况下允许进行初步计算，仅包含几个对象(概念)部分)。阶段2)：获得原始数据(第1步)，即研究对象的成对关系和/或关系，而且对象可以是具有数据集特征的已划分或未划分元素的总合。原始数据即为所有现有对象的上述成对部分，数量为(n*n)/2-n，式中n为部分的数量；上述关系为具有具体对象性质特点的数量级数。

然后，以预定的清除规则(第3步)对原始数据进行过滤(第2步)；清除过程中剔除不重要的数据，而且上述清除规则在创建研究对象模型的迭代过程中相应地进行更改。清除规则取决于对象区域。例如，针对地球物理数据格式(频率分布)仅研究最大值。针对商品或货币价值波动的分析仅研究最大值和最小值。由于对对象的作用导致某些数值的变化，如果使用追踪变化的试验数据进行工作，则同样的数据串从数据处理过程中剔除。识别照片时，仅在红色通道中出现多值性时，才对绿色通道进行研究，而完全无需对蓝色通道进行研究。通常，制定清除规则需要具有充分实际的研究对象已知状态，但是有时存在使用不同数据集方法进行试验的意义。如果数据量越少给出的结果越稳定，则后续应使用此数据集。

阶段3)：对多个属性，包括描述所述对象的所述引用部分的属性，进行评价和优化。研究对象划分为多个元素(分组)(第4步)，并具有相同数据集的特征，根据分组规则确定各个分组(第5步)，而且上述分组在创建研究对象模型的迭代过程中相应地进行更改。分组规则用于对象元素(分组)之间关联数量的评价(第6步)和优化(第7步)。如果形成关联的数量违背与计算能力相关的限制，则或修改分组规则，或采用不同的过滤方案。

阶段4)：对获得的行进行函数处理，其中使用标准函数集，特别是相关性或均方差，或使用由任务设定逻辑得出的特定函数。例如，清除相机矩阵的噪音时，最自然的分组方法(行-列)给出巨大超限的计算量。

因此，如果具有关于矩阵结构的说明，按照其结构可以根据像素选择规则对元素进行分组。实际上，为了达到要求的效果，在低照度和灰纸板高敏感性的条件下，应进行多次拍摄，然后统计收集次数最多的噪音像素，清除照片时仅使用这些位置获得的数据。

阶段5)：对获得的结果进行分类和分组，然后对所述分组数据进行冗余校验，接着为对所述分组数据进行标准化的程序，其中滤除冗余数据。对此，对获得的分组数据进行完整和冗余校验(第8步)，然后在固定数据不完整的实际情况下(第9步)，根据研究对象的模型使用内插数据对上述数据进行另外；而在冗余数据的实际情况下(第10步)，完成分组数据标准化程序，此时对冗余数据进行过滤。如果数据不含有敏感信息，则为冗余数据。例如，必须测量身体的脉搏、血压和温度，以及这些指示剂对服用的药剂做出的反应。假设测量每隔10分钟进行。如果在某个阶段三个指标未超出标准范围，则不对指标进行研究。如果所有指标未超出标准范围，则指标视为不完整，必须增加分析标准。例如，测量呼吸频率和深度或测量身体不同位置的温度。在某些情况下，有时反而需要减少某些数据，比如互相之间无关或相关的数据(例如，呼吸的频率和深度)。对患有具体疾病的病人的分析数据进行处理时，合理地对比获得的分析数据与健康人的分析数据，并在后续的处理中剔除此类疾病不产生影响或产生极弱影响的指标。这些数据为冗余数据。

阶段6)：通过借助于使用专家系统操作的智能处理的不同方式来建立标准化分组数据之间的函数关联；在所述专家系统使用过程中，根据所述专家系统共同处理数据的规则，至少对同类数据进行成对函数处理。针对数据处理，可以另外使用所述人工神经网络，此时应采用所述专家系统和所述人工神经网络共同处理数据的规则。如果关系处理函数为1个，则根据分类限制所述专家系统的工作。如果函数为多个，则所述人工神经网络接入工作，按照数据处理结果累积情况，对所述人工神经网络结构进行优化，以确定在不同参数和固定数据条件下不同函数结果数值分配之间的相关性和正则性。上述规则在创建研究对象模型的迭代过程中相应地进行更改。例如，我们必须确定外部代理在信息网中的破坏活动(比如，在分析论坛消息时)。由于使用软件进行语义分析远远超出了人类的能力，所以提出根据用户、允许的软件标准(消息长度、助词数量、使用情感词汇、以及表示评价、标题和引言中规定词汇在消息中出现系数，与先前发表内容中相同词汇的数量、最近最长篇幅发表内容中相同词汇的数量等)收集统计数据的任务。然后，各个用户名(数列)成对地与上一用户名进行对比。例如，考虑相关性。接着检查数据的分散情况(行之间的均方根距离)。然后，所述专家系统获得确定这些用户的任务，这些用户与剩余用户关联程度最低，但是结合数据对可以保证最大分散。此时，根据此用户累计所有获得的数值(所有数据对的结果，此用户出现在数据对中)。即：用户本人不听从于任何人，而破坏了稳定性。然后，不使用其所有消息进行分析，为录取数据而分成最小的可能单元，并从中选出最大程度破坏系统稳定和与最小程度与主要数据相关的单元。此消息提供给与所述专家系统相互作用的操作员进行分析。但是，摆在所述专家系统面前的任务可能是其他任务。例如，确定具有多个用户名的用户。此时，可以另外数据，如果数据不起作用时，则可以另外新的函数或旧的函数，以及另外参数(例如，可以研究不同行中同样元素近似值的数量)。自然而然需要更改所述专家系统的算法。此时，所述专家系统必须确定出现最多同样元素的数据对，并且元素之间的关联数高。为与上个示例进行区分，只需要研究数据对的值和选择最大值。在类似情况下，主要问题在于数据对之间存在多个概念(用户)或关联类型，而不管本身的确定性、意义和对情况的强烈作用，不具备通用的符号。

阶段7)：确定在通过各种函数进行处理时提供近似或可预测结果的数据对，将所述数据对进行关联且后续用于对象模型创建。根据研究对象元素之间的关联，在阶段6)获得的数值(第14步)应按照关联标准规则(第16步)进行标准化。

阶段8)：确定以下信息：哪些函数用于分析所述建模对象的各部分之间的关联，所述各部分之间的哪些关联最为紧密，哪些关联是由数量最多、彼此差异最大的函数产生，哪些概念最常出现在根据各种函数值而筛选的对列表中的上位和下位，鉴定不同概念的分布函数性质以及相关和非显著属性。根据研究对象元素之间的关联，标准化数值进行分析程序(第17步)，利用预定的分析规则(第18步)，标准化数值在创建研究对象模型的迭代过程中相应地进行更改。

分析目的在于确定对象元素之间的关联(第18步)。例如，控制关联、稳定关联、中央关联，即在获得的研究对象模型(第19步)中关联值为临界值的关联。而且，在研究对象最终模型中不用关联可以作为无意义关联而剔除，在所述人工神经网络相应的神经元中表现为切断状态。对于对象模型关联的无关性通过处理函数的特征和布置的任务确定。通过了过滤程序，并出现在不同函数或函数组的处理结果中的数据，则视为临界数据。例如，固定数据类型近似性关联的函数组，包括相关性、比值、平均根距离、间隔。如果在这些函数中的两个函数中存在相符的数据对，且按照上限进行了过滤，则这些数据视为此类关联的临界数据。为了创建对象模型，极限指标为最大值(例如，最大和最小相关系数)，即：它们体现了对象与另外对象之间的关联。但是，如果我们研究不同的数据处理方法，根据布置的任务，我们可以更改标准化规则。此时，可以获得如下结果，在此结果条件下，评价标准可以非常严格，要么所有数据均不匹配，反之，只有一半的数据匹配。因此，过滤应设置为动态过滤，数值范围可以进行更改，直到保留对象预定数量为止。上述过滤的主要任务在于确定概念分组，以及各组之间最小均方根距离。即：数据输出到n维空间(式中，n为函数数量)，并研究聚集区域。过滤给出区域边界的标准，边界通常模糊不清。

然后，根据符合性检查规则，通过对比对象预测数据与实际数据(第22步)，创建研究对象的中间模型(第20步)和检查其符合性(第21步)，符合性检查规则可以在创建研究对象模型的迭代过程中相应地进行更改。通常，符合性检查通过对比不同方法获得的结果进行划分。阶段9)：确定获得的模型是否提供可预测结果，如果是，则所述模型被视为已创建，如果获得的结果不满足提出的要求，则结果被视为是初步的，并将其用于修改解组规则、属性评价、用于处理的函数的选择和过滤标准，如果无结果，则分析属性数量和属性评价的准确性，并将数据对处理的特定函数替换为标准函数。检查研究对象中间模型与检查标准的符合性，如果中间模型通过检查，则此模型即为研究对象的最终模型；如果获得的中间模型不满足检查标准，则对上述规则进行更改。实际上，不存在许多的原因，而导致不能使用人工直觉法创建对象或现象的相关模型。如果出现了这种情况，则应检查以下各项：a)数据不充足；b)数据不准确；c)使用的处理函数不符合目的；d)数据过滤标准不可靠；e)专家系统临界关联选择标准设定不正确。对规则进行修改后，在获得研究对象最终(完成)模型之前，重新开始获得对象模型的过程。

分析临时行时，利用回溯分析进行预测校验。为了研究具体对比函数和数据清除过程的可用性，通常对借助标准过程可以进行重新检查的流程进行检查，例如，试验方法。创建对象模型时，对其发展情况进行预测，同时对与其他对象之间的关联进行计算。预测部分可以进行过滤，比如众所周知的和显然注定的。但是，由于缺少必要的数据，某些模型状态仅经过某段时间后才能确知。通过创建确定的条件，某些数据可以重复检查，所有这些可能性用于检查现象和实际过程模型的符合性。如果符合性低于预定值，则新的模型按照新的处理函数和/或使用新的过滤机制进行创建。但是，通常更改某些评价的重要性和可靠性便足够了。输入数据仅在如下情况下更改：未给出结果执行的操作。有时，出现确定和另外的必要性，但是处理得出的旧数据不剔除。因为，无效数据自动被会过滤，实际上，某些非临界数据有时具有非常重要的意义，根据过程逻辑或现有声明的逻辑，用以发现普遍通用的错误，而它们是解决一系列任务的重要因素。可预测性是检查的一般标准，即：模型和对象性能的符合程度，模型和对象完全不匹配(即存在类似部分和其相互作用的程度)。此类任务通常利用人工(和自然)智能设施进行解决。人工直觉不研究过程的内部逻辑，但是，利用此方法可以确定哪种逻辑方案最有效，因为，它们通常可以给出不同函数之间最小的偏差。

上述方法借助机器可读介质、对象模型创建系统而实现。本系统可以使用众所周知的电子计算机完成，例如，ibmpc。该系统包括一个或多个处理器和一个或多个存储装置。可以使用以下装置但不限于以下装置作为存储装置：运算存储器、被动式存储器、闪存存储器、hdd硬盘、ssd硬盘、u盘、光盘等。本申请的方法可以作为存储在电子计算机硬盘中的机器可读指令而实现，或使用一个或多个电子计算机处理器。

本方法优势的主要标准不在于提取的信息量，而在于质量。本方法可以简化和加快创建对象合成模型，以进行解释(其中包括目视解释)。

此时，可以集中观察者对对象相关隐藏规律的注意力。利用申请的方法创建的对象合成模型实际上对对象原始数据的敏感性更低，因此，在使用此模型时可以降低对获取数据条件的要求。重点在于，利用人工直觉计算机模型合成的对象模型在大多数情况下较为紧凑，可以保证在具有计算能力限制的设备范围内广泛使用的可能性。