技术特征：
1.基于人工智能的时间线证券资产管理系统，包括时间线证券资产数据获取端、证券资产数据管理端和时间线证券资产数据存储端，时间线证券资产数据获取端用于获取证券资产数据，并将获取的证券资产数据输入证券资产数据管理端，证券资产数据管理端包括证券资产数据分类模块、证券资产数据处理模块和证券资产数据标记模块，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行分类，并将分类后的证券资产数据输入证券资产数据处理模块，由证券资产数据处理模块对接收到的证券资产数据进行检测处理，当检测到所述证券资产数据时，证券资产数据标记模块立即对证券资产数据进行标记，并将标记后的数据类集合分别输入给时间线证券资产数据存储端进行存储，当检测到所述证券资产数据中存在新的证券资产数据时，证券资产数据分类模块调取证券资产数据标记模块新建一个类存储该新识别的证券资产数据和其接收到的证券资产数据组成一个数据集，并对该数据集中的证券资产数据进行分类处理，从而确定各类集合中证券资产数据的完善，最后将所述类集合分别全部输入时间线证券资产数据存储端进行存储，时间线证券资产数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的证券资产数据。2.根据权利要求1所述的基于人工智能的时间线证券资产管理系统，其特征在于，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行数据预处理和分类处理。3.根据权利要求1所述的基于人工智能的时间线证券资产管理系统，其特征在于，证券资产数据处理模块采用svm分类算法对时间线证券资产数据进行分类处理，并采用ssd目标处理算法对用svm算法进行分类后的时间线证券资产数据进行标记处理并存储。4.根据权利要求3所述的基于人工智能的时间线证券资产管理系统，其特征在于，在采用ssd目标处理算法对svm分类算法分类后的时间线证券资产数据进行标记处理并存储时，采用下列方式确定分类方式：(1)对证券资产数据中各类数据的历史分类情况和全局分类情况进行分类处理；(2)根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据。5.根据权利要求4所述的基于人工智能的时间线证券资产管理系统，其特征在于，为了对svm分类算法进行寻优，采用下列步骤对种群中的粒子进行更新：步骤(1)：在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分；步骤(2)：在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式。6.根据权利要求5所述的基于人工智能的时间线证券资产管理系统，其特征在于，在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中粒子进行区域划分，具体为：给定t时刻的区域划分值d(t)，设置d(t)的值为：其中，x
z
(t)表示种群中粒子z在t时刻的位置，x
z，1
(t)表示当前种群中距离粒子z最近的粒子的位置，n表示种群中的粒子总数，设ω
r
(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，则区域ω
r
(t)中包含的粒子采用下列步骤在搜索空间中确定：步骤(1)：在种群中未划分区域的粒子中选取区域ω
r
(t)的起始粒子：令p
′
(t)表示t时
刻种群中已经划分区域的粒子集合，p
″
(t)表示t时刻种群中未划分区域的粒子集合，计算集合p
″
(t)中各粒子在t时刻的区域代表性系数：设s∈p
″
(t)，定义q
s
(t)表示集合p
″
(t)中粒子s在t时刻的区域代表性系数，则q
s
(t)的计算公式为：其中，k
sa
(t)为t时刻用于粒子s和粒子a之间的位置判断函数，且x
s
(t)和x
a
(t)分别用于表示粒子s和粒子a在t时刻的位置，n
″
p
(t)表示集合p
″
(t)中粒子的总数；在当前集合p
″
(t)中选取具有最大区域代表性系数的粒子为区域ω
r
(t)的起始粒子，或者当集合p
″
(t)中粒子的区域代表性系数都相同时，则在集合p
″
(t)中随机选取一个粒子作为区域ω
r
(t)的起始粒子，并将选取的起始粒子加入区域ω
r
(t)中；步骤(2)：继续在种群中未划分区域的粒子中选取粒子加入区域ω
r
(t)中：当集合p
″
(t)中存在粒子和区域ω
r
(t)的起始粒子之间的欧式距离小于等于d(t)时，则将该粒子加入区域ω
r
(t)中，当集合p
″
(t)中粒子和区域ω
r
(t)的起始粒子之间的欧式距离都大于d(t)时，则停止在种群未划分区域的粒子中选取粒子加入区域ω
r
(t)中，此时，区域ω
r
(t)中的粒子即为区域ω
r
(t)最终所包含的粒子，连接区域ω
r
(t)所包含粒子中的最外围粒子所形成的区域即为ω
r
(t)的区域范围；当此时集合p
″
(t)中仍然存在未划分区域的粒子时，则继续采用步骤(1)和步骤(2)中的方式对种群中未划分区域的粒子进行区域划分，从而获得第(r+1)个区域，当此时集合p
″
(t)中不存在未划分区域的粒子时，则停止对搜索空间中粒子进行区域划分。7.根据权利要求6所述的基于人工智能的时间线证券资产管理系统，其特征在于，在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式，具体为：(1)在各区域中选取部分粒子进行(t+1)时刻的全局预更新：设ω
r
(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，n
r
(t)表示区域ω
r
(t)中的粒子数，则在区域ω
r
(t)中随机选取个粒子采用下列方式进行(t+1)时刻的全局预更新：个粒子采用下列方式进行(t+1)时刻的全局预更新：其中，设i∈ω
r
(t)，和分别用于表示粒子i在(t+1)时刻在第k维度的位置和速度，设x
i
(t+1)表示粒子i在(t+1)时刻的位置，则(t+1)表示粒子i在(t+1)时刻的位置，则其中，和分别用于表示粒子i在(t+1)时刻在第1维度、第2维度和第d维度的位置，d表示搜索空间的维度，和分别用于表示粒子i在t时刻在第k维度的位置和速度，rand
i
为随机产生的一个[0，1]范围内的随机数，表示粒子i在t时刻在第k维度的加速度，且m
i
(t)表示
t时刻粒子i的惯性质量，表示粒子i在t时刻在第k维度上受种群中其他粒子的引力合力，且rand
l
为随机产生的一个[0，1]范围内的随机数，n表示种群中的粒子数，表示t时刻粒子i在第k维度上受到粒子l的引力，且表示t时刻粒子i在第k维度上受到粒子l的引力，且g(t)表示t时刻的万有引力常数，m
l
(t)表示粒子l在t时刻的惯性质量，r
il
(t)表示t时刻粒子i和粒子l之间的欧式距离，ε为一个常数，用于保证分母不为0，表示粒子l在t时刻在第k维度的位置；(2)根据全局预更新结果确定各区域中剩余粒子的更新方式：令l
′
r
(t)表示区域ω
r
(t)中进行了(t+1)时刻全局预更新的粒子集合，l
″
r
(t)表示区域ω
r
(t)中未进行(t+1)时刻全局预更新的粒子集合，设n
″
r
(t)表示集合l
″
r
(t)中的粒子数，当n
″
r
(t)＞0时，定义u
′
r
(t)为区域ω
r
(t)中粒子的全局预更新收益值，将u
′
r
(t)的计算公式设置为：在上述计算公式中，h
b
(t+1)为用于粒子b在(t+1)时刻的寻优判断函数，且其中，fit
b
(t+1)和fit
b
(t)分别用于表示粒子b在(t+1)和t时刻的适应度值，n
′
r
(t)表示集合l
′
r
(t)中的粒子数，h
g
(t+1)为用于粒子g在(t+1)时刻的寻优判断函数，且其中，fit
g
(t+1)和fit
g
(t)分别用于表示粒子g在(t+1)和t时刻的适应度值，x
b
(t+1)和x
g
(t+1)分别用于表示粒子b和粒子g在(t+1)时刻的位置，d
′
r
(t)表示集合l
′
r
(t)中粒子在进行了(t+1)时刻全局预更新后的最大欧式距离，且d
′
r
(t)＝max
b≠g
|x
b
(t+1)-x
g
(t+1)|，n(t)表示t时刻对搜索空间中粒子进行区域划分所得的区域总数；根据全局预更新收益值u
′
r
(t)设置区域ω
r
(t)中未进行(t+1)时刻全局预更新粒子采用下列方式进行(t+1)时刻的更新：用下列方式进行(t+1)时刻的更新：在上式中，设j∈ω
r
(t)且j∈l
″
r
(t)，和v
jk
(k+1)分别用于表示粒子j在(t+1)时刻在第k维度的位置和速度，和v
jk
(t)分别用于表示粒子j在t时刻在第k维度的位置和速度，为带有区域寻优调节系数的粒子j在t时刻在第k维度的加速度，将的值设置为：m
j
(t)表示t时刻粒子j的惯性质量，为带有区域寻优调节系
数的粒子j在t时刻在第k维度上受种群中其他粒子的引力合力，且其中，为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且其中，ρ
jl
(t)表示t时刻粒子l相较于粒子j的区域寻优调节系数，设置ρ
jl
(t)的值为：δ
j
(t)表示t时刻粒子j的区域寻优调节系数，设置δ
j
(t)的值为：其中，u
′
(t)为给定的t时刻的全局预更新收益阈值，u
′
(t)的值可以取0.4，β
j
(t)表示粒子j在t时刻的区域吸引强度系数，β
l
(t)表示粒子l在t时刻的区域吸引强度系数，β
z
(t)表示种群中粒子z在t时刻的区域吸引强度系数，表示t时刻种群中粒子的区域吸引强度系数的均值，因为j∈ω
r
(t)，则β
j
(t)的值采用下列方式获得：令ω
r，1
(t)表示当前搜索空间中距离区域ω
r
(t)最近并且区域适应度值均值大于区域ω
r
(t)的适应度值均值的区域，d
r
(t)表示区域ω
r
(t)的区域检测半径，设置其中，x
r
(t)表示区域ω
r
(t)的起始粒子的位置，x
e
(t)表示粒子e在t时刻的位置，设ω
′
r
(t)表示区域ω
r
(t)的局部待检测区域，将ω
′
r
(t)的区域范围设置为以位置x
r
(t)为圆心、以d
r
(t)为半径的圆形区域，则其中，设p为种群中进行了(t+1)时刻全局预更新的粒子，n
′
(t)表示种群中进行了(t+1)时刻全局预更新的粒子总数，η
pr
(t+1)为用于粒子p的区域判断函数，且x
p
(t+1)用于表示粒子p在(t+1)时刻的位置，fit
p
(t+1)表示粒子p在(t+1)时刻的适应度值，表示区域ω
r
(t)的适应度值均值，且fit
i
(t)表示粒子i在t时刻的适应度值；β
l
(t)和β
z
(t)的值同样按照上述计算β
j
(t)的值的方式计算得到，最后可以根据选定指标如关联函数数值对稳定域和可拓域进行分类，找出时间线证券资产数据并结合上述转化规则采取针对性的方法，完成分类并处理。8.根据权利要求7所述的基于人工智能的时间线证券资产管理系统，其特征在于，根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据：对于待检测目标的位置信息，可以通过位置边界框来体现，所以假设输出的数据位置信息分别为h，w，y，x，分别表示数据的不同位置，用于对应预测框的中心坐标、宽度以及高度，其中边界框回归是指对生成的待检测目标的预测框进行调整，可以通过不同大小和宽度的默认框来更好的检测出数据位置和格式，假设默认框d的位置信息设置d
x
，d
y
，d
w
，d
h
，预
测框b的位置信息设为b
x
，b
y
，b
w
，b
h
，根据ssd目标检测的转换机制，真实框p的位置信息p
x
，p
y
，p
w
，p
h
，为预测框b相当于默认框d的转换值，所以，真实框p的位置信息为：，为预测框b相当于默认框d的转换值，所以，真实框p的位置信息为：其中p
x
，p
y
，p
w
，p
h
分别表示真实框p的中心坐标以及宽度和高度，b
x
，b
y
，b
w
，b
h
则分别表示预测框b的中心的坐标以及及宽度和高度，而d
x
，d
y
，d
w
，d
h
分别表示默认框d的中心的坐标以及宽度和高度，由此通过以上的转换机制完成转换，接下来为输出前向传播的预测框结果，需要进行如下运算，则预测框的位置信息为，b
x
＝d
w
p
x
+d
x
，b
y
＝d
h
p
y
+d
y
以上公式中，b
x
，b
y
，b
w
，b
h
分别表示预测框b的中心的坐标以及宽度和高度，而p
x
，p
y
，p
w
，p
h
则分别表示预测框p的中心的坐标以及宽度和高度，d
x
，d
y
，d
w
，d
h
分别表示默认框d的中心的坐标以及宽度和高度，接下来通过边界框匹配实现前向传播预测值的输出，在此基础上ssd卷积神经网络训练还需反向传递，该检测模型，其损失函数主要包含两部分，分别是定位损失函数l
o
与置信度回归损失函数l
f
，由此得到总的损耗函数为，由此得到总的损耗函数为其中n代表预测框匹配完整目标框的数目，c代表样本数据损失数，即样本数据的数量，假设权值α的初始值为1，位置损耗公式采用s(x)损失函数，那么位置位置误差来衡量位置预测情况，表达式如下：如上所示，其中x为输入，位置损失函数s(x)不考虑负的数据样本，由于负的数据样本对应的是背景，因此没有明确的边界框，因此定位损失函数l
o
表达式为：表达式为：如公式所示，其中i∈posi表示第i个默认框与第j个真实框成功匹配的概率，如果成功匹配则为1，否则为0，由于正的数据样本的数量并不完全为1，因此公式m＝h，w，y，x用来表示框体的中心坐标、宽和高，表示样本随机数据估计值，s(x)
l1
表示函数s(x)的样本假设在第l1个位置的信息，式中表示为第j个真实框相对于第i个正样本默认框的偏移量，而式中则表示为第j个预测框相对于第i个正样本默认框的偏移量。
技术总结
基于人工智能的时间线证券资产管理系统，包括时间线证券资产数据获取端、证券资产数据管理端和时间线证券资产数据存储端，时间线证券资产数据获取端用于获取证券资产数据，并将获取的证券资产数据输入证券资产数据管理端，证券资产数据管理端用于对接收到的证券资产数据进行预处理和分类处理，并将分类所得的类集合输入时间线证券资产数据存储端，时间线证券资产数据存储端将接收到的类集合和其先前存储的类集合中的证券资产数据进行标记并存储。本发明采用SVM分类算法对获取的时间线证券资产数据进行标记分类，并根据历史分类标签和全局分类标签确定证券资产数据的标签，并完成分类存储，能够有效的降低证券资产在标记存储和取用时出错，提升交易效率和安全性，为证券资产数据后续的交易和分析提供重要支撑。券资产数据后续的交易和分析提供重要支撑。券资产数据后续的交易和分析提供重要支撑。
技术研发人员：刘宏 樊心敏
受保护的技术使用者：刘宏
技术研发日：2022.05.12
技术公布日：2022/8/12