一种基于5G深度学习人工智能的展示装置的制作方法

本发明涉及展览展示设备技术领域，尤其涉及一种基于5g深度学习人工智能的展示装置。

背景技术：

随着科技的进步，诸如政府规划馆、房地产沙盘类的展览展示装置得到了极大的发展。沙盘是根据地形图、航空像片或实地地形，按一定的比例关系，用泥沙、兵棋和其它材料堆制的模型。

传统的房地产沙盘，其在通电的情况下，可通过灯光的闪烁加上沙盘上的相应造型模拟出楼宇、道路、地形地貌等信息，从而使用户可直观地观察到这些信息，了解该楼盘及其周边的相关状况。

上述现有技术中的房地产沙盘，虽然在一定程度上能够向用户展示相关视觉信息，但其在人工智能及与用户的交互方面比较欠缺，从而造成用户体验感较差。

技术实现要素：

本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此，本发明的目的在于提出一种基于5g深度学习人工智能的展示装置，所述展示装置通过采用深度学习算法对所获取的数据集进行处理，从而得到深度学习处理后的数据集，然后展示装置以此深度学习处理后的数据集为基础来展示深度学习后的功能，从而使得展示装置所展示的场景与功能得到了迭代与升华，更加智能化，同时也提升了用户体验。

根据本发明的基于5g深度学习人工智能的展示装置，所述智能装置包括原始数据获取模块，用于获取展示装置所对应区域的原始样本数据；特征提取模块，用于采用特征提取算法对所述原始样本数据进行特征提取，以获得特征样本数据；分类处理模块，用于通过数据分类处理方法对所述特征样本数据进行分类处理，以得到多个分类处理数据集；功能展示模块，用于以至少一个所述分类处理数据集为基础来展示与该至少一个分类处理数据集相对应的功能；以及深度学习模块，所述深度学习模块用于采用深度学习算法对至少一个所述分类处理数据集进行处理，以得到深度学习处理数据集，所述功能展示模块还用于以所述深度学习处理数据集为基础来展示与该深度学习处理数据集相对应的功能。

本发明的基于5g深度学习人工智能的展示装置，所述展示装置通过采用深度学习算法对所获取的数据集进行处理，从而得到深度学习处理后的数据集，然后展示装置以此深度学习处理后的数据集为基础来展示深度学习后的功能，从而使得展示装置所展示的场景与功能得到了迭代与升华，更加智能化，同时也提升了用户体验。

另外，根据本发明上述的基于5g深度学习人工智能的展示装置，还可以具有如下附加的技术特征：

所述展示装置还包括云服务器，所述原始数据获取模块、所述特征提取模块、所述分类处理模块、所述功能展示模块以及所述深度学习模块与所述云服务器分别相连。

所述原始数据获取模块、所述特征提取模块、所述分类处理模块、所述功能展示模块以及所述深度学习模块通过5g与所述云服务器分别进行通信。

所述云服务器包括处理器、存储器和网络接口。

所述展示装置是智能交通系统展示装置，所述原始样本数据包括车流量、红绿灯时长、公交车数量、出租车数量。

所述展示装置是智慧社区展示装置，所述原始样本数据包括住户数量、住户年龄状况、住户受教育状况、水电消耗状况。

所述特征提取算法采用卷积神经网络、深信度网络、多层反馈循环神经网络中的至少一种。

所述数据分类处理方法采用定类数据处理方法、定序数据处理方法、定距数据处理方法、定比数据处理方法中的至少一种。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的一个实施例的基于5g深度学习人工智能的展示装置的结构框图；

图2是本发明的另一个实施例的基于5g深度学习人工智能的展示装置的结构框图；以及

图3是本发明的一个实施例的云服务器的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种基于5g深度学习人工智能的展示装置，所述展示装置通过采用深度学习算法对所获取的数据集进行处理，从而得到深度学习处理后的数据集，然后展示装置以此深度学习处理后的数据集为基础来展示深度学习后的功能，从而使得展示装置所展示的场景与功能得到了迭代与升华，更加智能化，同时也提升了用户体验。

图1是本发明的一个实施例的基于5g深度学习人工智能的展示装置的结构框图；图2是本发明的另一个实施例的基于5g深度学习人工智能的展示装置的结构框图；图3是本发明的一个实施例的云服务器的结构框图。参考图1-图3，本发明提供了一种基于5g深度学习人工智能的展示装置，所述基于5g深度学习人工智能的展示装置包括原始数据获取模块10、特征提取模块20、分类处理模块30、功能展示模块40以及深度学习模块50。

原始数据获取模块10，用于获取展示装置所对应区域的原始样本数据。具体的，展示装置的功能展示依赖于一定区域的原始样本数据，展示装置通过对与其相对应的区域内的所有原始样本数据为基础并通过对这些原始样本数据进行加工从而展示相应的功能；在本实施例中，原始数据获取模块10获取所述展示装置所对应包含区域的所有原始样本数据，并对这些原始样本数据进行归纳、汇总。

特征提取模块20与所述原始数据获取模块10相连，特征提取模块20用于采用特征提取算法对所述原始样本数据进行特征提取，以获得特征样本数据。具体的，原始数据获取模块10获取的原始样本数据数量量较大、且包含较多的噪声无用数据，特征提取模块20即通过采用特征提取算法来对所述原始数据获取模块10采集的原始样本数据进行归一化、除噪等过滤处理步骤，从而得到比较集中、干净的特征样本数据。通常的，特征提取模块20可以采用一种特征提取算法，或者融合采用几种特征提取算法来对原始样本数据进行特征提取。

分类处理模块30与所述特征提取模块20相连，分类处理模块30用于通过数据分类处理方法对所述特征样本数据进行分类处理，以得到多个分类处理数据集。具体的，特征提取模块20在对原始数据获取模块10获取的原始样本数据进行特征提取操作以获得特征样本数据之后，此时的特征样本数据并没有归类区分，分类处理模块30即用于对该特征样本数据进行归纳、分类处理；通常地，分类处理模块30可采用一种或者多种数据分类处理方法来对所述特征样本数据进行分类、归纳处理，从而得到多个分类处理数据集，其中，每个分类处理数据集与其他分类处理数据集之间是彼此独立的。

功能展示模块40与所述分类处理模块30相连，功能展示模块40用于以至少一个所述分类处理数据集为基础来展示与该至少一个分类处理数据集相对应的功能。具体的，分类处理模块30在通过对特征样本数据进行分类处理得到多个分类处理数据集后，功能展示模块40以其中一个分类处理数据集或者多个分类处理数据集为基础来构造本发明的展示装置的功能模块，并展示与该一个分类处理数据集或者多个分类处理数据集分别相对应的功能。

深度学习模块50用于采用深度学习算法对至少一个所述分类处理数据集进行处理，以得到深度学习处理数据集，所述功能展示模块还用于以所述深度学习处理数据集为基础来展示与该深度学习处理数据集相对应的功能。具体的，深度学习模块50以分类处理数据集为研究对象，例如深度学习模块50对一个分类处理数据集或者多个分类处理数据集进行相应的处理从而得到深度学习处理后的数据集，所述功能展示模块40在接收到该深度学习处理后的数据集后，功能展示模块40以该深度学习处理后的数据集为基础来构造所述展示装置的与该深度学习处理后的数据集相对应的功能，并展示与该深度学习处理集相对应的功能，从而使得展示装置所展示的场景与功能得到了迭代与升华，展示装置展示的场景与功能更加智能化，同时也提升了用户体验。

本发明的基于5g深度学习人工智能的展示装置，所述展示装置通过采用深度学习算法对所获取的数据集进行处理，从而得到深度学习处理后的数据集，然后展示装置以此深度学习处理后的数据集为基础来展示深度学习后的功能，从而使得展示装置所展示的场景与功能得到了迭代与升华，更加智能化，同时也提升了用户体验。

在具体实施中，参考图2，所述基于5g深度学习人工智能的展示装置还包括云服务器60，所述原始数据获取模块10、所述特征提取模块20、所述分类处理模块30、所述功能展示模块40以及所述深度学习模块50与所述云服务器分别相连，即所述原始数据获取模块10、所述特征提取模块20、所述分类处理模块30、所述功能展示模块40以及所述深度学习模块50均与所述云服务器60相连。云服务器60是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务，其管理方式比物理服务器更简单高效。在本发明的实施例中，参考图3，所述云服务器60包括处理器61、存储器62和网络接口63。

在具体实施中，所述原始数据获取模块10、所述特征提取模块20、所述分类处理模块30、所述功能展示模块40以及所述深度学习模块50通过5g（5^thgenerationmobilecommunicationtechnology；第五代移动通信技术）与所述云服务器60分别进行通信。本发明的基于5g深度学习人工智能的展示，其通过采用5g实现各功能模块与云服务器60之间的通信，从而实现了高速率、低时延、大连接的优点，进而提升了用户体验。

在一个实施例中，所述展示装置是智能交通系统展示装置，所述原始样本数据钖车流量、红绿灯时长、公交车数量、出租车数量。具体的，在本实施例中，所述展示装置是以一智能交通系统展示装置为例，所述原始样本数据包括该智能交通系统所覆盖区域的交通数据集，包括但不限于车流量、红绿灯时长、公交车数量、出租车数量、私家车数量、拥堵时间段、拥堵时长等。具体的，在本实施例中，智能交通系统展示装置可以以上述交通数据集为依据来展示城市的交通拥堵状况；而且该智能交通系统展示装置的深度学习模块50还可以利用深度学习算法对上述交通数据集进行处理，从而得到深度学习处理后的交通数据集，进而以该深度学习处理后的交通数据集为依据来重新计算城市交通拥堵状况，同时智能交通系统展示装置的功能展示模块40还可以展示以该深度学习处理后的交通数据集为依据计算后的城市交通拥堵情况，从而能够更智能化地展示交通状况，提升了用户体验。

在另一个实施例中，所述展示装置是智慧社区展示装置，所述原始样本数据包括住户数量、住户年龄状况、住户受教育状况、水电消耗状况。具体的，在本实施例中，所述展示装置是以一智慧社区展示装置为例；所述原始样本数据包括该智慧社区内的相关人员信息、能源消耗数据，包括但不限于住户人口数量、住户年龄构成、住户性别构成、住户受教育状况、住户工作状况、家庭水电燃气消耗情况、社区消耗公共水电数量等。具体的，在本实施例中，智慧社区展示装置可以以上述人员信息、能源消耗数据集为依据来展示该智慧社区的能源消耗状况；而且该智慧社区展示装置的深度学习模块50还可以利用深度学习算法对上述人员信息、能源消耗数据集进行处理，从而得到深度学习处理后的人员信息、能源消耗数据集，进而以该深度学习处理后的人员信息、能源消耗数据集为依据来重新计算能源消耗状况，同时智慧社区展示装置的功能展示模块40还可以展示以该深度学习处理后的人员信息、能源消耗数据集为依据计算后的能源消耗状况，可以直观地看出该智慧社区的能源消耗趋势、能源消耗家庭分布情况等，从而能够智能化地为家庭用户推荐错峰使用能源的具体建议，用户体验感更好。

在具体实施中，所述特征提取算法采用卷积神经网络、深信度网络、多层反馈循环神经网络中的至少一种。具体的，卷积神经网络（convolutionalneuralnetworks，cnn）是一类包含卷积计算且具有深度结构的前馈神经网络，卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平稳不变分类。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。

深信度网络（deepbeliefnetwork，dbn）是一种生成模型，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。

多层反馈循环神经网络（recurrentneuralnetwork；rnn）是一种节点定向连接成环的人工神经网络，这种网络的内部状态可以展示动态时序行为，可以利用它内部的记忆来处理任意时序的输入序列，从而更容易处理如不分段的手写识别、语音识别等。

在本实施例中，所述特征提取模块20同时采用卷积神经网络、深信度网络以及多层反馈循环神经网络来对原始样本数据进行计算处理，从而得到更加精确、效率更高的特征样本数据。

在具体实施中，所述数据分类处理方法采用定类数据处理方法、定序数据处理方法、定距数据处理方法、定比数据处理方法中的至少一种。具体的，定类数据处理方法是数据的最低层，它将数据按照类别属性进行分类，各类别之间是平等并列关系，这种数据不带数量信息，并且不能在各类别间进行排序。定序数据处理方法是数据的中间级别，定序数据不仅可以将数据分成不同的类别，而且各类别之间还可以通过排序来比较优劣。定距数据处理方法中，定距数据是具有一定单位的实际测量值，此时不仅可以知道两个变量之间存在差异，还可以通过加、减法去处准确的计算出各变量之间的实际差距是多少。定比数据处理方法中，定比数据是数据的最高等级，它的数据表现形式同定距数据一样，均为实际的测量值，定比数据间不仅可以比较大小，进行加、减运算，还可以进行乘、除运算。

在本实施例中，所述展示装置的分类处理模块30同时采用定类数据处理方法、定序数据处理方法、定距数据处理方法以及定比数据处理方法这四种处理方法，从而可以得到多个更加精准、直接的分类处理数据集。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。