一种基于互联网的人脑语言认知模型建立系统及方法与流程

本发明属于语言认知领域，尤其涉及一种基于互联网的人脑语言认知模型建立系统及方法。

背景技术：

认知在人脑中最直接的反映是脑区激活或抑制程度，从神经信息学的角度，对语言认知研究的关键是研究人脑语言认知过程中脑区状态以及这些状态迁移的过程，其最重要手段之一是按照神经信息学的要求设计实验，刺激受试者(多为特定群体的志愿者)的认知功能，并对其进行功能性采集数据，然后采用一定建模技术对这些数据进行分析。语言是人类特有的能力，有的动物也有用于沟通的类似语言的手段，但是与人类语言相比，动物的语言具有很大的局限性。例如动物语言不像人类语言那样具有任意性，二元性，开放性等特征。同时，经过实验证明，动物也没有能力习得人类的语言。有的人会认为，可能是动物不具备像人类那样复杂发音器官的原因，人类通过不同部位的不同发音方法进行适当的组合可以发出大量相互区别的音，为人类表达大量不同的信息创造了工具条件。目前的人脑认知只能单一的从储存器中调取，存在着单一性，出错性高，并且数据容易丢失。

综上所述，现有技术存在的问题是：

目前的人脑认知只能单一的从储存器中调取，存在着单一性，出错性高，并且数据容易丢失。

现有技术中言语信息输入的准确度较低，输入信息的节点错误，减低输入的准确率，造成识别困难、转化不清的问题；现有技术中信息识别速度较慢，对语言信息不能进行准确快速的识别；现有技术中不利于语言信息的完整度，易失真，无法保证信息高质量存储。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于互联网的人脑语言认知模型建立系统及方法。

本发明是这样实现的，一种基于互联网的人脑语言认知模型建立方法，所述基于互联网的人脑语言认知模型建立方法包括：

第一步，清理原有数据；基于ga-svr的数据采集算法输入人脑语言；

第二步，输入完成后对语言信息采用朴素贝叶斯分类算法进行识别并转化，转化后的语言经过处理后利用高斯分布模型进行存储；

第三步，同时处理后的语言进行网络保存，避免信息的丢失，同时为系统提供网络信息；

第四步，对认知语言进行搜索，搜索完成后即可输出。

进一步，所述步骤一基于ga-svr的数据采集算法输入人脑语言，ga－svr算法的具体步骤为：

(1)初始化进化代数t＝0；

(2)随机输入最初信息p(t)，设置数据群体的大小，对参数c、σ、ε通过实数编码形成数据信息个体；

(3)对p(t)中的数据个体训练svr，并计算个体适应度函数值f(t)；

(4)若p(t)中的数据个体对应的f(t)满足精度要求或达到设定的迭代次数，则转至步骤7)；

(5)否则，t＝t+1；

(6)执行确认信息操作，产生数据信息确定，然后转到步骤3)；

(7)给出最佳的语言信息弱参数c、不敏感系数ε、语言信息强参数σ，并通过对语言信息进行训练获得最优的svr模型。

进一步，所述步骤二对语言采用朴素贝叶斯分类算法进行识别，具体算法为：d是训练对象与其相关联的类标号的集合；每个对象用一个n维属性向量x＝{x1，x2…xn}表示，描述n个属性a1，a2…an的值；原始集合基于n维属性共划分为m个类c1，c2…cm，计算每个类对x的后验概率，并将对象x归属于具有最高后验概率的类；后验概率p(ci|x)的计算公式为：

给定向量的类标号，并假定属性值有条件的相互独立；p(xi|c)的计算公式为：

其中，p(x1|ci)p(x2|ci)…p(xn|cn)由训练对象求算，xk表示x在属性ak上的值；对每个类别ci计算p(x|ci)p(ci)；当p(x|ci)p(ci)>p(x|cj)p(cj)，1≤j≤m，j≠i成立时，x属于类ci。

本发明的另一目的在于提供一种实现所述基于互联网的人脑语言认知模型建立方法的基于互联网的人脑语言认知模型建立系统，所述基于互联网的人脑语言认知模型建立系统，包括：初始化模块、语言输入模块、处理模块、互联网模块、储存模块、输出模块、搜索模块、转化模块；

处理模块接受互联网信息，处理模块控制搜索模块，处理模块连接储存模块；初始化模块具有语言输入模块，语言输入模块具有转化模块；转化模块8后连接处理模块；搜索模块收缩储存模块内信息；搜索模块的搜索结果进过输出模块输出；储存模块连接有互联网模块。

本发明的另一目的在于提供一种应用所述基于互联网的人脑语言认知模型建立方法的语言认知平台。

本发明的优点及积极效果为：设置有互联网模块，可以通过互联网模块对储存信息进行网络保存，避免了信息的丢失，并且给处理模块提供网络信息；该发明设置有搜索模块，可以对储存模块中的储存的信息进行搜索。可以互联网信息，并可以在互联网上储存信息备份，避免测试丢失，并且可以对认知的语言进行搜索。

本发明基于ga-svr的数据采集算法输入人脑语言，提高输入信息的准确度，从源头减少输入信息的节点错误，提高输入的准确率；本发明通过对语言采用朴素贝叶斯分类算法进行识别，提高信息识别速度，对语言信息进行准确快速的识别；本发明语言信息经过处理后利用高斯分布模型进行存储，有利于语言信息的完整度，不失真，保证信息高质量存储。

附图说明

图1是本发明实施例提供的基于互联网的人脑语言认知模型建立方法流程图。

图2是本发明实施例提供的基于互联网的人脑语言认知模型建立系统结构示意图；

图中：1、初始化模块；2、语言输入模块；3、处理模块；4、互联网模块；5、储存模块；6、输出模块；7、搜索模块；8、转化模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图1详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的基于互联网的人脑语言认知模型建立方法包括以下步骤：

s101：清理原有数据；基于ga-svr的数据采集算法输入人脑语言；

s102：输入完成后对语言信息采用朴素贝叶斯分类算法进行识别并转化，转化后的语言经过处理后利用高斯分布模型进行存储；

s103：同时处理后的语言进行网络保存，避免信息的丢失，同时为系统提供网络信息；

s104：对认知语言进行搜索，搜索完成后即可输出。

步骤s101，本发明实施例提供的基于ga-svr的数据采集算法输入人脑语言，提高输入信息的准确度，从源头减少输入信息的节点错误，提高输入的准确率，ga－svr算法的具体步骤为：

(1)初始化进化代数t＝0；

(2)随机输入最初信息p(t)，设置数据群体的大小，对参数c、σ、ε通过实数编码形成数据信息个体；

(3)对p(t)中的数据个体训练svr，并计算个体适应度函数值f(t)；

(4)若p(t)中的数据个体对应的f(t)满足精度要求或达到设定的迭代次数，则转至步骤7)；

(5)否则，t＝t+1；

(6)执行确认信息操作，产生数据信息确定，然后转到步骤3)；

(7)给出最佳的语言信息弱参数c、不敏感系数ε、语言信息强参数σ，并通过对语言信息进行训练获得最优的svr模型。

步骤s102，本发明实施例提供的对语言采用朴素贝叶斯分类算法进行识别，提高信息识别速度，对语言信息进行准确快速的识别；具体算法为：

设d是训练对象与其相关联的类标号的集合；每个对象用一个n维属性向量x＝{x1，x2…xn}表示，描述n个属性a1，a2…an的值；假定原始集合基于n维属性共划分为m个类c1，c2…cm，计算每个类对x的后验概率，并将对象x归属于具有最高后验概率的类；后验概率p(ci|x)的计算公式为：

由于p(ci|x)的计算开销较大，进行类条件独立的假定，给定向量的类标号，并假定属性值有条件的相互独立；p(xi|c)的计算公式为：

其中，p(x1|ci)p(x2|ci)…p(xn|cn)可以容易地由训练对象求算，xk表示x在属性ak上的值；对每个类别ci计算p(x|ci)p(ci)；当p(x|ci)p(ci)>p(x|cj)p(cj)，1≤j≤m，j≠i成立时，x属于类ci。

步骤s102，本发明实施例提供的语言信息经过处理后利用高斯分布模型进行存储，有利于语言信息的完整度，不失真，保证信息高质量存储；具体算法为：

fx(x；u，σ²，γ)＝ae^-[b|x-u|]γx∈r；

其中：x是子带系数值；u和σ是子带系数值的均值和方差；γ是分布形状控制参数，当γ＝2时，将获得高斯分布，而当γ＝1时将产生laplacian分布，即

a＝βγ/2γ(1/γ)

其中，γ(·)是gamma函数，为：

如图2所示，本发明实施例提供的基于互联网的人脑语言认知模型建立系统，包括：

初始化模块1、语言输入模块2、处理模块3、互联网模块4、储存模块5、输出模块6、搜索模块7、转化模块8。

处理模块3可以接受互联网信息4，处理模块3控制搜索模块7，处理模块3连接储存模块5；初始化模块1具有语言输入模块2，语言输入模块2具有转化模块8；转化模块8后连接处理模块3。搜索模块7收缩储存模块5内信息。搜索模块5的搜索结果进过输出模块输出6。储存模块5连接有互联网模块4。

本发明同过初始化模块1清理原有数据，通过语言输入模块2进行输入，之后通过转化模块8进行对语言进行识别并转化，转化后的语言通过处理模块3储存到储存模块5，同过储存模块5进行储存，互联网模块4可以进行网络保存，避免了信息的丢失，并且给处理模块3提供网络信息，通过搜索模块7可以进行认知语言的搜索，通过输出模块6进行输出。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。