一种对极限学习机的数据的处理方法、装置及介质与流程

本申请涉及电子信息技术领域，特别是涉及一种对极限学习机的数据的处理方法、装置及介质。

背景技术：

随着科技的发展，大数据逐渐步入人类的生活，为了能够快速的对大数据进行处理，人们往往采用深度学习算法对数据进行处理，尤其是利用在学习速率和泛化能力上更具有优势的极限学习机算法。

目前，在使用极限学习机算法时往往是在终端设备上进行将样本数据转化为矩阵以及求矩阵的伪逆矩阵，但由于大多数终端设备由于结构限制，无法具备强大的计算能力和存储能力，因此在利用极限学习机算法处理数据时，需要耗费大量的时间计算矩阵的伪逆矩阵，故终端设备的计算量大、数据处理的速度低。

由此可见，如何减少终端设备的计算量，提高数据处理的速度是本领域技术人员亟待解决的问题。

技术实现要素：

本申请的目的是提供一种对极限学习机的数据的处理方法，用于减少终端设备的计算量，提高数据处理的速度。申请的目的是还提供一种对极限学习机的数据的处理装置及介质。

为解决上述技术问题，本申请提供一种对极限学习机的数据的处理方法，基于终端，包括：

将样本合集转化为第一数据；

发送所述第一数据至云服务器，以便于所述云服务器根据预先设置的转化方法将所述第一数据转化为第二数据；

接收所述云服务器反馈的所述第二数据。

优选的，所述发送所述第一数据至云服务器前，还包括：

随机生成正实数和多个正交的用于表征加密密钥的密钥矩阵；

根据所有所述密钥矩阵及所述正实数对所述第一数据进行加密；

优选的，所述发送所述第一数据至云服务器具体为：发送加密后的所述第一数据至所述云服务器；

优选的，所述确接收所述云服务器反馈的第二数据后，还包括：根据所有所述密钥矩阵及所述正实数对所述第二数据进行解密。

优选的，所述根据所有所述密钥矩阵及所述正实数对所述第二数据进行解密前，还包括：

根据预先设置的判断方法判断所述第二数据是否正确；

在所述第二数据正确的情况下，进入所述根据所有所述密钥矩阵及所述正实数对所述第二数据进行解密的步骤。

优选的，所述将样本合集转化为第一数据具体为：将多个所述样本合集转化为对应的第一数据。

优选的，所述密钥矩阵的个数具体为两个。

为解决上述技术问题，本申请还提供一种对极限学习机的数据的处理方法，包括将样本合集转化为第一数据和根据预先设置的转化方法将所述第一数据转化为第二数据，终端实现将所述样本合集转化为第一数据，云服务器实现根据预先设置的转化方法将所述第一数据转化为第二数据。

优选的，所述根据预先设置的转化方法将所述第一数据转化为第二数据具体包括：

将所述第一数据分解得到奇异值和奇异向量；

根据所述奇异值和所述奇异向量确定所述第二数据。

为解决上述技术问题，本申请还提供一种对极限学习机的数据的处理装置，应用于终端，包括：

第一转化模块，用于将样本合集转化为第一数据；

第一发送模块，用于发送所述第一数据至云服务器，以便于所述云服务器根据预先设置的转化方法将所述第一数据转化为第二数据；

接收模块，用于接收所述云服务器反馈的所述第二数据。

为解决上述技术问题，本申请还提供一种对极限学习机的数据的处理装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的对极限学习机的数据的处理方法的步骤。

为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的对极限学习机的数据的处理方法的步骤。

本申请所提供的对极限学习机的数据的处理方法，终端将样本合集转化为第一数据，并向云服务器发送第一数据后，接收云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

此外，本申请提供的一种对极限学习机的数据的处理装置及介质，与上述对极限学习机的数据的处理方法对应，效果同上。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种对极限学习机的数据的处理方法的流程图；

图2为本申请提供的一种对极限学习机的数据的处理方法的模型图；

图3为本申请实施例提供的一种对极限学习机的数据的处理装置的结构示意图；

图4为本申请实施例提供的另一种对极限学习机的数据的处理装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。

本申请的核心是提供一种对极限学习机的数据的处理方法，用于减少终端设备的计算量，提高数据处理的速度。本申请的核心是还提供一种对极限学习机的数据的处理装置及介质。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。

图1为本申请实施例提供的一种对极限学习机的数据的处理方法的流程图。如图1所示，基于终端，该方法包括：

s10：将样本合集转化为第一数据。

假设样本合集为{(xi,ti),xi∈r^d,ti∈r^m,i＝1,…,n}，其中xi为样本，ti为与样本对应的标签(即样本的种类)，r^d为n×d阶实数矩阵，r^m为n×m阶实数矩阵。则将该样本合集转化为第一数据方法如下：

根据上述样本合集，确定激活函数g和隐藏节点数l，并随机生成l个隐藏节点的参数wi和偏差bi，其中i＝1,…,l。根据激活函数、隐藏节点的参数和偏差，可以确定对应隐藏节点的值，公式如下所示：

hi(x)＝g(wix+bi)i＝1，...，n

则所有隐藏节点的值可以表示为一个矩阵，该矩阵如下所示：

h(x)＝[h1(x)…hl(x)]

其中，h1(x)表示第一个隐藏节点的值，hl(x)表示第l个隐藏节点的值，h(x)表示由样本合集转化的第一数据，且h(x)为m×n阶矩阵。

为了进一步提高数据处理的速度，作为优选的实施例，可将多个样本合集转化为对应的第一数据。可以理解的是，当存在大量样本数据时，将多个样本合集转化为对应的第一数据，将各第一数据分别传送给多个云服务器，因此在同一时间能够同时处理多个样本合集。

s11：发送第一数据至云服务器，以便于云服务器根据预先设置的转化方法将第一数据转化为第二数据。

本申请实施例中，预先设置的转化方法具体为求第一数据的逆矩阵，即在终端将第一数据h(x)发送至云服务器后，云服务器根据第一数据h(x)求其逆矩阵，则h(x)的逆矩阵则为第二数据。

可以理解的是，只有m＝n时，h(x)才存在逆矩阵，而在大多数情况下，h(x)并不是方阵，因此为了提高对极限学习机的数据的处理方法的灵活性，作为优选的实施例，通过奇异值分解的方法将第一数据转化为伪逆矩阵，并确定该伪逆矩阵为第二数据。奇异值分解的具体方法如下所示：

首先，将第一数据h(x)按以下公式进行分解，得到奇异值和奇异向量：

h(x)＝usvt^t

其中，奇异值s为第一数据h(x)的对角矩阵，奇异向量u为m阶矩阵，奇异向量v为n阶矩阵。

其次，根据奇异值和奇异向量按以下公式进行计算，确定第二数据：

h⁺＝vs⁺ut^t

其中，h⁺为第一数据h(x)的伪逆矩阵(上文提及的第二数据)，s⁺为对角矩阵s转置后将主对角线上的每个非零元素求倒数得到的矩阵。

s12：接收云服务器反馈的第二数据。

可以理解的是，在云服务器确定第二数据h⁺后，将第二数据h⁺发送至终端，终端即可得到样本合集的数据处理结果。

本申请实施例所提供的对极限学习机的数据的处理方法，终端将样本合集转化为第一数据，并向云服务器发送第一数据后，接收云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

在上述实施例的基础上，在s11前，还包括：随机生成正实数和多个正交的用于表征加密密钥的密钥矩阵，根据所有密钥矩阵及正实数对第一数据进行加密。

本申请实施例中，随机生成了多个正交的密钥矩阵，因此当密钥矩阵的个数越多，加密过程中的计算量越大，计算越复杂，其耗费的时间越多，同理，当生成的正实数的数量越多，其加密过程中的工作量越大。为了减少加密过程中的计算量，减少其耗费的时间，作为优选的实施例，密钥矩阵的个数具体为两个，正实数的个数具体为1个。

为了使本技术领域的人员更好地理解本申请方案，下面将以两个正交的用于表征加密密钥的密钥矩阵、一个正实数为例，进行详细的说明。

首先，随机生成一个大于0的实数α以及两个随机向量p和q，根据p和q计算对应的模|p|和|q|，并根据|p|和|q|将向量p和q单位化。

其次，根据豪斯霍尔德变换，构造密钥矩阵p和q，其具体公式如下：

其中，i为单位向量。

最后，根据密钥矩阵p和q对第一数据h(x)进行加密，具体公式如下：

h′＝αh(x)

其中，b为加密后的第一数据，且加密阶段的时间复杂度为o(n²)。

基于上文所述，s11具体为发送加密后的第一数据至云服务器，以便于云服务器根据预先设置的转化方法将加密后的第一数据转化为第二数据。其中，将加密后的第一数据b转化为第二数据具体方法如下：

首先，将加密后的第一数据b按以下公式进行分解，得到奇异值和奇异向量：

b＝u′∑′v′t^t

其中，奇异值σ′为加密后的第一数据b的对角矩阵，奇异向量u′为m阶矩阵，奇异向量v′为n阶矩阵。

其次，根据奇异值和奇异向量按以下公式进行计算，确定第二数据：b⁺＝v′∑′+u′^t

其中，b⁺为加密后的第一数据b的伪逆矩阵(上文提及的第二数据)，∑′⁺为对角矩阵转置后将主对角线上的每个非零元素求倒数得到的矩阵。

此外，在s12后，还包括：根据所有密钥矩阵及正实数对第二数据进行解密。其中解密公式具体如下：

其中，h′⁺为样本合集最终的处理结果，且该解密过程的时间复杂度为o(n²)。

可以理解的是，为了提高样本合集的保密性，随机生成的正实数和多个正交的用于表征加密密钥的密钥矩阵需保存至终端的存储器中，无需跟随加密后的第一数据发送至云服务器。

本申请实施例所提供的对极限学习机的数据的处理方法，在发送第一数据至云服务器前，预先对样本合集生成的第一数据进行加密处理，因此能够保护样本合集的安全性，减少了因黑客攻击云服务器导致包含有隐私敏感的数据泄露的问题。

在上述实施例中，云服务器可能为了减少计算资源的消耗随机返回数据处理结果，或者由于外部黑客的攻击返回错误结果，又或者因为云服务器本身运行错误导致返回错误结果，因此为了提高获取到的数据处理结果的正确性，在根据所有密钥矩阵及正实数对第二数据进行解密前，还包括：

根据预先设置的判断方法判断第二数据是否正确，在第二数据正确的情况下，根据密钥矩阵及正实数对第二数据进行解密。

本申请实施例中，预先设置的判断方法具体如下：

终端随机生成一个m×1阶的向量γ，当以下等式成立时，则说明第二数据正确，反之，则第二数据错误。

b⁺(bγ)＝γ

其中，γ是一个随机生成的向量，因此bγ的时间复杂度为o(n²)，同时b⁺(bγ)也是一个向量，因此b⁺(bγ)的时间复杂度也为o(n²)，故预先设置的判断方法的时间复杂度为o(n²)。

本申请实施例所提供的对极限学习机的数据的处理方法，在解密第二数据前，判断了第二数据的正确性，因此能够提高获取到的解密后的第二数据的正确性，故提高了数据处理结果的准确性。

图2为本申请提供的一种对极限学习机的数据的处理方法的模型图。如图2所示，对极限学习机的数据的处理方法包括将样本合集转化为第一数据和根据预先设置的转化方法将第一数据转化为第二数据，其中，终端实现将样本合集转化为第一数据，云服务器实现根据预先设置的转化方法将第一数据转化为第二数据。

由于本申请实施例与上文的实施例相互对应，因此本申请实施例请参见上述实施例的描述，这里暂不赘述。

本申请实施例所提供的对极限学习机的数据的处理方法，终端将样本合集转化为第一数据，云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

在上述实施例中，对于对极限学习机的数据的处理方法进行了详细描述，本申请还提供对极限学习机的数据的处理装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。

图3为本申请实施例提供的一种对极限学习机的数据的处理装置的结构示意图。如图3所示，基于功能模块的角度，该装置包括：

第一转化模块10，用于将样本合集转化为第一数据。

第一发送模块11，用于发送第一数据至云服务器，以便于云服务器根据预先设置的转化方法将第一数据转化为第二数据。

接收模块12，用于接收云服务器反馈的第二数据。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

作为优选的实施例，还包括：

生成模块，用于随机生成正实数和多个正交的用于表征加密密钥的密钥矩阵。

加密模块，用于根据所有密钥矩阵及正实数对第一数据进行加密。

第二发送模块，用于发送加密后的第一数据至云服务器。

第一解密模块，用于根据所有密钥矩阵及正实数对第二数据进行解密。

还包括：

判断模块，用于根据预先设置的判断方法判断第二数据是否正确。

第二解密模块，用于在第二数据正确的情况下，进入根据所有密钥矩阵及正实数对第二数据进行解密的步骤。

还包括：

第二转化模块，用于将多个样本合集转化为对应的第一数据。

本申请实施例所提供的对极限学习机的数据的处理装置，终端将样本合集转化为第一数据，并向云服务器发送第一数据后，接收云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

图4为本申请实施例提供的另一种对极限学习机的数据的处理装置的结构示意图。如图4所示，基于硬件结构的角度，该装置包括：

存储器20，用于存储计算机程序；

处理器21，用于执行计算机程序时实现如上述实施例中对极限学习机的数据的处理方法的步骤。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理(digitalsignalprocessing，dsp)、现场可编程门阵列(field－programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(centralprocessingunit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有图像处理器(graphicsprocessingunit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。

存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的对极限学习机的数据的处理方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于对极限学习机的数据的处理方法中涉及的数据等。

在一些实施例中，对极限学习机的数据的处理装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。

本领域技术人员可以理解，图4中示出的结构并不构成对对极限学习机的数据的处理装置的限定，可以包括比图示更多或更少的组件。

本申请实施例提供的对极限学习机的数据的处理装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：终端将样本合集转化为第一数据，并向云服务器发送第一数据后，接收云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。

可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供的计算机可读存储介质，该介质上存储有计算机程序，计算机程序被处理器执行时，能够实现如下方法：终端将样本合集转化为第一数据，并向云服务器发送第一数据后，接收云服务器根据预先设置的转化方法由第一数据转化的第二数据。由于终端将第一数据转化为第二数据的工作量转交给云服务器计算，因此降低了终端设备的计算量，尤其是在第一数据转化为第二数据的工作量大于样本合集转化为第一数据的工作量的情况下，计算能力弱的终端设备能够通过计算量较小的转化过程得到极限学习机的数据处理结果。同时由于云服务器拥有强大的计算能力，因此能够快速的完成将第一数据转化为第二数据的计算量，故提高了数据处理的速度。

以上对本申请所提供的一种对极限学习机的数据的处理方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。