基于人脑结构的人工智能算法模型的制作方法

1.本发明涉及人工智能技术领域，尤其涉及基于人脑结构的人工智能算法模型。


背景技术：

2.美国人工智能研究实验室openai在2020年发布了gpt-3语言模型，这一模型的最大的预训练模型参数达到1750亿个；随着模型不断增大，带来的是参数的增加，初期网络提取处理图片，提取图片特征向量，与已经保存的特征向量比对，得出人脸判断概率结论；这些属于分析、提取、判断模型；目前最流行的人工智能生成模型，带记忆网络，可以按照用户的输入，输出特定的内容。比如一段文字，一个图片等等。
3.大脑分为左脑和右脑；左脑负责语言、文字、逻辑和分析，右脑负责记忆图像、声音、想象力和创造力；大脑记忆的过程和人工智能模型训练类似，右脑进行信息处理，形成图像，然后将图像信息传送到左脑进行处理，再转换成文本信息进行存储，包含了信息处理、编码器、特征提取、解码器、存储在记忆网络中。
4.目前的人工智能模型，只有少量的记忆网络功能，并且记忆网络并没有与逻辑判断模型有很好的关系网络，用来设置操作模型。
5.因此，需要基于人脑结构的人工智能算法模型。


技术实现要素：

6.本发明提供了基于人脑结构的人工智能算法模型，本发明通过基于人脑结构设计人工智能算法模型，通过记忆网络、关系网络以及分类子模型和预测子模型的连接，可增强人工智能算法模型的记忆功能，并提高人工智能算法模型的准确度，拓宽人工智能算法模型的应用场景。
7.本发明提供了基于人脑结构的人工智能算法模型，包括：记忆网络、关系网络、分类子模型和预测子模型；分类子模型用于基于借鉴人脑右半脑结构功能，实现预设模型样本数据的分类；预测子模型用于基于借鉴人脑左半脑结构功能，实现对预设模型样本数据的预测；关系网络用于基于预设模型样本数据，通过分类子模型和预测子模型，获得输出结果，并将输出结果存储在记忆网络中；关系网络基于记忆网络中的输出结果进行迭代训练验证。
8.进一步地，人工智能算法模型采用卷积神经网络和基于注意力机制的神经网络组合而成，为预训练模型。
9.进一步地，记忆网络采用b+树结构实现动态多层索引；关系网络为长短期记忆网络结构。
10.进一步地，人工智能算法模型的训练包括模型样本数据获取单元和模型训练实施单元：
11.模型样本数据获取单元，用于采集样本数据，并对样本数据进行清洗和标注，生成带标注的样本数据，将带标注的样本数据，利用机器学习工具进行处理，获得模型样本数
据；
12.将模型样本数据划分为模型样本训练数据和模型样本验证数据；
13.模型训练实施单元，用于初始化关系网络参数，获得关系网络初始参数；利用关系网络初始参数，以及随机选取的若干个模型样本训练数据，采用前向传播算法获得预测结果，并采用反向传播算法更新关系网络参数获得第一关系网络参数；
14.将预测结果和经过分类子模型处理获得的第一模型样本训练数据，以及第一关系网络参数存储在记忆网络中；
15.基于第一关系网络参数和第一模型样本训练数据，利用关系网络进行迭代训练。
16.进一步地，获得关系网络初始参数包括：
17.基于医学大数据平台和心理学大数据平台，分别获取人脑结构数据和性格特征数据，并获取人脑结构与性格特征的影响对应关系数据；
18.基于医学大数据平台，获取人脑结构数据中的常规人脑结构数据；
19.基于影响对应关系数据，获得与常规人脑结构数据相对应的第一性格特征；
20.基于第一性格特征，初始化关系网络参数，获得关系网络初始参数。
21.进一步地，利用关系网络进行迭代训练前包括：
22.根据预设的调整条件，判断关系网络参数是否需要调整；若需要调整，则将关系网络参数由关系网络初始参数调整为第一关系网络参数；设置记忆网络初始参数、以及记忆网络初始参数的调整条件。
23.进一步地，人工智能算法模型的验证包括：模型数据验证、模型设计验证和模型开发验证；
24.模型数据验证，用于基于模型样本验证数据，利用人工智能算法模型，获得预测数据，通过比较预测数据与预设的标注数据之间的交互比值，获得模型预测准确率，基于模型预测准确率验证人工智能算法模型；
25.模型设计验证，用于采用验证方法进行验证；验证方法包括模型方法论验证、样本排除规则和关键定义验证的一种或多种；
26.模型开发验证，用于对模型开发过程进行验证和模型结果进行验证。
27.进一步地，人工智能算法模型的验证还包括：
28.基于心理学大数据平台获得性格特征数据后，根据预设的心理学分析模型，分析获得感性思维数据和理性思维数据，以及性格特征的思维偏向数据；
29.基于思维偏向数据，设置关系网络初始参数的属性特征变动值，以及记忆网络的记忆网络初始参数权重值；
30.将属性特征变动值和记忆网络初始参数权重值，用于人工智能算法模型的验证。
31.进一步地，还包括对人工智能算法模型的训练速度进行评估，具体包括：
32.获取用于评估比较的与人工智能算法模型同类别功能的若干个第一人工智能算法模型；
33.将预设的评估用验证数据，输入人工智能算法模型和第一人工智能算法模型，获得人工智能算法模型的评估预测数据和第一人工智能算法模型的第一评估预测数据；
34.基于预设的标注数据，获得评估预测数据与标注数据的评估交互比迭代数值集，以及若干个第一评估预测数据与标注数据的第一评估交互比迭代数值集；
35.获取评估交互比迭代数值集中的交互比迭代值的评估收敛率速度，以及若干个第一评估交互比迭代数值集中的第一交互比迭代值的第一评估收敛速度，若评估收敛率速度高于若干个第一评估收敛速度的平均值，则将人工智能算法模型的训练速度评估为合格；若评估收敛率速度低于若干个第一评估收敛速度的平均值，则获取评估用验证数据的复杂度评估值，若复杂度评估值高于预设的复杂度评估值阈值，则将人工智能算法模型的训练速度评估为合格，否则，将人工智能算法模型的训练速度评估为不合格。
36.进一步地，还包括对人工智能算法模型的训练数据进行管理，具体包括：
37.获取人工智能算法模型的训练历史数据；
38.基于训练历史数据，进行信息抽取和知识融合加工，生成若干个知识图谱和构建知识图谱神经网络模型；
39.基于知识图谱和知识图谱神经网络模型，对人工智能算法模型的训练数据进行数据存储和数据分析，确定适用于若干个应用场景的人工智能算法模型的关系网络初始参数和记忆网络初始参数权重值；基于关系网络初始参数和记忆网络初始参数权重值设置人工智能算法模型，应用于若干个应用场景。
40.本发明与现有技术相比，具有如下的优点和有益效果：基于人脑结构设计人工智能算法模型，通过记忆网络、关系网络以及分类子模型和预测子模型的连接，可增强人工智能算法模型的记忆功能，并提高人工智能算法模型的准确度，拓宽人工智能算法模型的应用场景。
41.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
42.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
43.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
44.图1为本发明的基于人脑结构的人工智能算法模型结构示意图；
45.图2为本发明的基于人脑结构的人工智能算法模型训练的结构示意图；
46.图3为本发明的基于人脑结构的人工智能算法模型验证的结构示意图。
具体实施方式
47.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
48.本发明提供了基于人脑结构的人工智能算法模型，如图1所示，包括：记忆网络、关系网络、分类子模型和预测子模型；分类子模型用于基于借鉴人脑右半脑结构功能，实现预设模型样本数据的分类；预测子模型用于基于借鉴人脑左半脑结构功能，实现对预设模型样本数据的预测；关系网络用于基于预设模型样本数据，通过分类子模型和预测子模型，获得输出结果，并将输出结果存储在记忆网络中；关系网络基于记忆网络中的输出结果进行迭代训练验证。
49.上述技术方案的工作原理为：包括：记忆网络、关系网络、分类子模型和预测子模型；分类子模型用于基于借鉴人脑右半脑结构功能，实现预设模型样本数据的分类；预测子模型用于基于借鉴人脑左半脑结构功能，实现对预设模型样本数据的预测；关系网络用于基于预设模型样本数据，通过分类子模型和预测子模型，获得输出结果，并将输出结果存储在记忆网络中；关系网络基于记忆网络中的输出结果进行迭代训练验证。
50.上述技术方案的有益效果为：采用本实施例提供的方案，通过基于人脑结构设计人工智能算法模型，通过记忆网络、关系网络以及分类子模型和预测子模型的连接，可增强人工智能算法模型的记忆功能，并提高人工智能算法模型的准确度，拓宽人工智能算法模型的应用场景。
51.在一个实施例中，人工智能算法模型采用卷积神经网络和基于注意力机制的神经网络组合而成，为预训练模型。
52.上述技术方案的工作原理为：人工智能算法模型采用卷积神经网络和基于注意力机制的神经网络组合而成，为预训练模型。
53.上述技术方案的有益效果为：采用本实施例提供的方案，通过采用卷积神经网络和基于注意力机制的神经网络组合，可充分利用卷积神经网络和基于注意力机制的神经网络的优点，有利于人工智能算法模型的功能发挥。
54.在一个实施例中，记忆网络采用b+树结构实现动态多层索引；关系网络为长短期记忆网络结构。
55.上述技术方案的工作原理为：记忆网络采用b+树结构实现动态多层索引；关系网络为长短期记忆网络结构。
56.上述技术方案的有益效果为：采用本实施例提供的方案，通过配置记忆网络和关系网络的网络结构，可有助于记忆网络和关系网络的网络功能的实现。
57.在一个实施例中，如图2所示，人工智能算法模型的训练包括模型样本数据获取单元和模型训练实施单元：
58.模型样本数据获取单元，用于采集样本数据，并对样本数据进行清洗和标注，生成带标注的样本数据，将带标注的样本数据，利用机器学习工具进行处理，获得模型样本数据；
59.将模型样本数据划分为模型样本训练数据和模型样本验证数据；
60.模型训练实施单元，用于初始化关系网络参数，获得关系网络初始参数；利用关系网络初始参数，以及随机选取的若干个模型样本训练数据，采用前向传播算法获得预测结果，并采用反向传播算法更新关系网络参数获得第一关系网络参数；
61.将预测结果和经过分类子模型处理获得的第一模型样本训练数据，以及第一关系网络参数存储在记忆网络中；
62.基于第一关系网络参数和第一模型样本训练数据，利用关系网络进行迭代训练。
63.上述技术方案的工作原理为：人工智能算法模型的训练包括模型样本数据获取单元和模型训练实施单元：
64.模型样本数据获取单元，用于采集样本数据，并对样本数据进行清洗和标注，生成带标注的样本数据，将带标注的样本数据，利用机器学习工具进行处理，获得模型样本数据；
65.将模型样本数据划分为模型样本训练数据和模型样本验证数据；
66.模型训练实施单元，用于初始化关系网络参数，获得关系网络初始参数；利用关系网络初始参数，以及随机选取的若干个模型样本训练数据，采用前向传播算法获得预测结果，并采用反向传播算法更新关系网络参数获得第一关系网络参数；
67.将预测结果和经过分类子模型处理获得的第一模型样本训练数据，以及第一关系网络参数存储在记忆网络中；
68.基于第一关系网络参数和第一模型样本训练数据，利用关系网络进行迭代训练。
69.上述技术方案的有益效果为：采用本实施例提供的方案，通过对人工智能算法模型的训练，可检验模型的功能和效能。
70.在一个实施例中，获得关系网络初始参数包括：
71.基于医学大数据平台和心理学大数据平台，分别获取人脑结构数据和性格特征数据，并获取人脑结构与性格特征的影响对应关系数据；
72.基于医学大数据平台，获取人脑结构数据中的常规人脑结构数据；
73.基于影响对应关系数据，获得与常规人脑结构数据相对应的第一性格特征；
74.基于第一性格特征，初始化关系网络参数，获得关系网络初始参数。
75.上述技术方案的工作原理为：获得关系网络初始参数包括：
76.基于医学大数据平台和心理学大数据平台，分别获取人脑结构数据和性格特征数据，并获取人脑结构与性格特征的影响对应关系数据；
77.基于医学大数据平台，获取人脑结构数据中的常规人脑结构数据；
78.基于影响对应关系数据，获得与常规人脑结构数据相对应的第一性格特征；
79.基于第一性格特征，初始化关系网络参数，获得关系网络初始参数。
80.上述技术方案的有益效果为：采用本实施例提供的方案，通过基于大数据平台，根据人脑结构与性格特征的影响对应关系数据，获得与常规人脑结构数据相对应的性格特征，并根据性格特征初始化关系网络参数，可保证关系网络参数设置的准确性。
81.在一个实施例中，利用关系网络进行迭代训练前包括：
82.根据预设的调整条件，判断关系网络参数是否需要调整；若需要调整，则将关系网络参数由关系网络初始参数调整为第一关系网络参数；设置记忆网络初始参数、以及记忆网络初始参数的调整条件。
83.上述技术方案的工作原理为：利用关系网络进行迭代训练前包括：
84.根据预设的调整条件，判断关系网络参数是否需要调整；若需要调整，则将关系网络参数由关系网络初始参数调整为第一关系网络参数；设置记忆网络初始参数、以及记忆网络初始参数的调整条件。
85.上述技术方案的有益效果为：采用本实施例提供的方案，通过在利用关系网络进行迭代训练前，根据预设的调整条件，判断关系网络参数是否需要调整，可保证关系网络参数设置的准确性。
86.在一个实施例中，如图3所示，人工智能算法模型的验证包括：模型数据验证、模型设计验证和模型开发验证；
87.模型数据验证，用于基于模型样本验证数据，利用人工智能算法模型，获得预测数据，通过比较预测数据与预设的标注数据之间的交互比值，获得模型预测准确率，基于模型
预测准确率验证人工智能算法模型；
88.模型设计验证，用于采用验证方法进行验证；验证方法包括模型方法论验证、样本排除规则和关键定义验证的一种或多种；
89.模型开发验证，用于对模型开发过程进行验证和模型结果进行验证。
90.上述技术方案的工作原理为：人工智能算法模型的验证包括：模型数据验证、模型设计验证和模型开发验证；
91.模型数据验证，用于基于模型样本验证数据，利用人工智能算法模型，获得预测数据，通过比较预测数据与预设的标注数据之间的交互比值，获得模型预测准确率，基于模型预测准确率验证人工智能算法模型；
92.模型设计验证，用于采用验证方法进行验证；验证方法包括模型方法论验证、样本排除规则和关键定义验证的一种或多种；
93.模型开发验证，用于对模型开发过程进行验证和模型结果进行验证。
94.上述技术方案的有益效果为：采用本实施例提供的方案，通过对人工智能算法模型的模型数据验证、模型设计验证和模型开发验证，可保证验证的全面性，实现对人工智能算法模型的全面科学检验。
95.在一个实施例中，人工智能算法模型的验证还包括：
96.基于心理学大数据平台获得性格特征数据后，根据预设的心理学分析模型，分析获得感性思维数据和理性思维数据，以及性格特征的思维偏向数据；
97.基于思维偏向数据，设置关系网络初始参数的属性特征变动值，以及记忆网络的记忆网络初始参数权重值；
98.将属性特征变动值和记忆网络初始参数权重值，用于人工智能算法模型的验证。
99.上述技术方案的工作原理为：人工智能算法模型的验证还包括：
100.基于心理学大数据平台获得性格特征数据后，根据预设的心理学分析模型，分析获得感性思维数据和理性思维数据，以及性格特征的思维偏向数据；
101.基于思维偏向数据，设置关系网络初始参数的属性特征变动值，以及记忆网络的记忆网络初始参数权重值；
102.将属性特征变动值和记忆网络初始参数权重值，用于人工智能算法模型的验证。
103.上述技术方案的有益效果为：采用本实施例提供的方案，通过借鉴大数据平台的数据，以及获得的思维偏向数据，对关系网络和记忆网络的参数进行调整，以用于验证，可保证对不同参数变动时，人工智能算法模型的验证的效果。
104.在一个实施例中，还包括对人工智能算法模型的训练速度进行评估，具体包括：
105.获取用于评估比较的与人工智能算法模型同类别功能的若干个第一人工智能算法模型；
106.将预设的评估用验证数据，输入人工智能算法模型和第一人工智能算法模型，获得人工智能算法模型的评估预测数据和第一人工智能算法模型的第一评估预测数据；
107.基于预设的标注数据，获得评估预测数据与标注数据的评估交互比迭代数值集，以及若干个第一评估预测数据与标注数据的第一评估交互比迭代数值集；
108.获取评估交互比迭代数值集中的交互比迭代值的评估收敛率速度，以及若干个第一评估交互比迭代数值集中的第一交互比迭代值的第一评估收敛速度，若评估收敛率速度
高于若干个第一评估收敛速度的平均值，则将人工智能算法模型的训练速度评估为合格；若评估收敛率速度低于若干个第一评估收敛速度的平均值，则获取评估用验证数据的复杂度评估值，若复杂度评估值高于预设的复杂度评估值阈值，则将人工智能算法模型的训练速度评估为合格，否则，将人工智能算法模型的训练速度评估为不合格。
109.上述技术方案的工作原理为：还包括对人工智能算法模型的训练速度进行评估，具体包括：
110.获取用于评估比较的与人工智能算法模型同类别功能的若干个第一人工智能算法模型；
111.将预设的评估用验证数据，输入人工智能算法模型和第一人工智能算法模型，获得人工智能算法模型的评估预测数据和第一人工智能算法模型的第一评估预测数据；
112.基于预设的标注数据，获得评估预测数据与标注数据的评估交互比迭代数值集，以及若干个第一评估预测数据与标注数据的第一评估交互比迭代数值集；
113.获取评估交互比迭代数值集中的交互比迭代值的评估收敛率速度，以及若干个第一评估交互比迭代数值集中的第一交互比迭代值的第一评估收敛速度，若评估收敛率速度高于若干个第一评估收敛速度的平均值，则将人工智能算法模型的训练速度评估为合格；若评估收敛率速度低于若干个第一评估收敛速度的平均值，则获取评估用验证数据的复杂度评估值，若复杂度评估值高于预设的复杂度评估值阈值，则将人工智能算法模型的训练速度评估为合格，否则，将人工智能算法模型的训练速度评估为不合格。
114.上述技术方案的有益效果为：采用本实施例提供的方案，通过将人工算法模型与人工智能算法模型同类别功能的工智能算法模型进行横向比较，通过评估交互比值的收敛速度，来评估人工智能算法模型的训练速度是否合格，可保证评估的质量。
115.在一个实施例中，还包括对人工智能算法模型的训练数据进行管理，具体包括：
116.获取人工智能算法模型的训练历史数据；
117.基于训练历史数据，进行信息抽取和知识融合加工，生成若干个知识图谱和构建知识图谱神经网络模型；
118.基于知识图谱和知识图谱神经网络模型，对人工智能算法模型的训练数据进行数据存储和数据分析，确定适用于若干个应用场景的人工智能算法模型的关系网络初始参数和记忆网络初始参数权重值；基于关系网络初始参数和记忆网络初始参数权重值设置人工智能算法模型，应用于若干个应用场景。
119.上述技术方案的工作原理为：还包括对人工智能算法模型的训练数据进行管理，具体包括：
120.获取人工智能算法模型的训练历史数据；
121.基于训练历史数据，进行信息抽取和知识融合加工，生成若干个知识图谱和构建知识图谱神经网络模型；
122.基于知识图谱和知识图谱神经网络模型，对人工智能算法模型的训练数据进行数据存储和数据分析，确定适用于若干个应用场景的人工智能算法模型的关系网络初始参数和记忆网络初始参数权重值；基于关系网络初始参数和记忆网络初始参数权重值设置人工智能算法模型，应用于若干个应用场景。
123.上述技术方案的有益效果为：采用本实施例提供的方案，通过利用知识图谱和构
建知识图谱神经网络模型，对人工智能算法模型的训练数据进行管理，可提高人工智能算法模型的训练数据的管理效率和质量。
124.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.基于人脑结构的人工智能算法模型，其特征在于，包括：记忆网络、关系网络、分类子模型和预测子模型；分类子模型用于基于借鉴人脑右半脑结构功能，实现预设模型样本数据的分类；预测子模型用于基于借鉴人脑左半脑结构功能，实现对预设模型样本数据的预测；关系网络用于基于预设模型样本数据，通过分类子模型和预测子模型，获得输出结果，并将输出结果存储在记忆网络中；关系网络基于记忆网络中的输出结果进行迭代训练验证。2.根据权利要求1所述的基于人脑结构的人工智能算法模型，其特征在于，人工智能算法模型采用卷积神经网络和基于注意力机制的神经网络组合而成，为预训练模型。3.根据权利要求1所述的基于人脑结构的人工智能算法模型，其特征在于，记忆网络采用b+树结构实现动态多层索引；关系网络为长短期记忆网络结构。4.根据权利要求1所述的基于人脑结构的人工智能算法模型，其特征在于，人工智能算法模型的训练包括模型样本数据获取单元和模型训练实施单元；模型样本数据获取单元，用于采集样本数据，并对样本数据进行清洗和标注，生成带标注的样本数据，将带标注的样本数据，利用机器学习工具进行处理，获得模型样本数据；将模型样本数据划分为模型样本训练数据和模型样本验证数据；模型训练实施单元，用于初始化关系网络参数，获得关系网络初始参数；利用关系网络初始参数，以及随机选取的若干个模型样本训练数据，采用前向传播算法获得预测结果，并采用反向传播算法更新关系网络参数获得第一关系网络参数；将预测结果和经过分类子模型处理获得的第一模型样本训练数据，以及第一关系网络参数存储在记忆网络中；基于第一关系网络参数和第一模型样本训练数据，利用关系网络进行迭代训练。5.根据权利要求4所述的基于人脑结构的人工智能算法模型，其特征在于，获得关系网络初始参数包括：基于医学大数据平台和心理学大数据平台，分别获取人脑结构数据和性格特征数据，并获取人脑结构与性格特征的影响对应关系数据；基于医学大数据平台，获取人脑结构数据中的常规人脑结构数据；基于影响对应关系数据，获得与常规人脑结构数据相对应的第一性格特征；基于第一性格特征，初始化关系网络参数，获得关系网络初始参数。6.根据权利要求1所述的基于人脑结构的人工智能算法模型，其特征在于，利用关系网络进行迭代训练前包括：根据预设的调整条件，判断关系网络参数是否需要调整；若需要调整，则将关系网络参数由关系网络初始参数调整为第一关系网络参数；设置记忆网络初始参数、以及记忆网络初始参数的调整条件。7.根据权利要求4所述的基于人脑结构的人工智能算法模型，其特征在于，人工智能算法模型的验证包括：模型数据验证、模型设计验证和模型开发验证；模型数据验证，用于基于模型样本验证数据，利用人工智能算法模型，获得预测数据，通过比较预测数据与预设的标注数据之间的交互比值，获得模型预测准确率，基于模型预测准确率验证人工智能算法模型；模型设计验证，用于采用验证方法进行验证；验证方法包括模型方法论验证、样本排除
规则和关键定义验证的一种或多种；模型开发验证，用于对模型开发过程进行验证和模型结果进行验证。8.根据权利要求5所述的基于人脑结构的人工智能算法模型，其特征在于，人工智能算法模型的验证还包括：基于心理学大数据平台获得性格特征数据后，根据预设的心理学分析模型，分析获得感性思维数据和理性思维数据，以及性格特征的思维偏向数据；基于思维偏向数据，设置关系网络初始参数的属性特征变动值，以及记忆网络的记忆网络初始参数权重值；将属性特征变动值和记忆网络初始参数权重值，用于人工智能算法模型的验证。9.根据权利要求1所述的基于人脑结构的人工智能算法模型，其特征在于，还包括对人工智能算法模型的训练速度进行评估，具体包括：获取用于评估比较的与人工智能算法模型同类别功能的若干个第一人工智能算法模型；将预设的评估用验证数据，输入人工智能算法模型和第一人工智能算法模型，获得人工智能算法模型的评估预测数据和第一人工智能算法模型的第一评估预测数据；基于预设的标注数据，获得评估预测数据与标注数据的评估交互比迭代数值集，以及若干个第一评估预测数据与标注数据的第一评估交互比迭代数值集；获取评估交互比迭代数值集中的交互比迭代值的评估收敛率速度，以及若干个第一评估交互比迭代数值集中的第一交互比迭代值的第一评估收敛速度，若评估收敛率速度高于若干个第一评估收敛速度的平均值，则将人工智能算法模型的训练速度评估为合格；若评估收敛率速度低于若干个第一评估收敛速度的平均值，则获取评估用验证数据的复杂度评估值，若复杂度评估值高于预设的复杂度评估值阈值，则将人工智能算法模型的训练速度评估为合格，否则，将人工智能算法模型的训练速度评估为不合格。10.根据权利要求8所述的基于人脑结构的人工智能算法模型，其特征在于，还包括对人工智能算法模型的训练数据进行管理，具体包括：获取人工智能算法模型的训练历史数据；基于训练历史数据，进行信息抽取和知识融合加工，生成若干个知识图谱和构建知识图谱神经网络模型；基于知识图谱和知识图谱神经网络模型，对人工智能算法模型的训练数据进行数据存储和数据分析，确定适用于若干个应用场景的人工智能算法模型的关系网络初始参数和记忆网络初始参数权重值；基于关系网络初始参数和记忆网络初始参数权重值设置人工智能算法模型，应用于若干个应用场景。

技术总结
本发明提供基于人脑结构的人工智能算法模型，包括：记忆网络、关系网络、分类子模型和预测子模型；分类子模型用于基于借鉴人脑右半脑结构功能，实现预设模型样本数据的分类；预测子模型用于基于借鉴人脑左半脑结构功能，实现对预设模型样本数据的预测；关系网络用于基于预设模型样本数据，通过分类子模型和预测子模型，获得输出结果，并将输出结果存储在记忆网络中；关系网络基于记忆网络中的输出结果进行迭代训练验证。本发明通过基于人脑结构设计人工智能算法模型，通过记忆网络、关系网络以及分类子模型和预测子模型的连接，可增强人工智能算法模型的记忆功能，并提高人工智能算法模型的准确度，拓宽人工智能算法模型的应用场景。景。景。


技术研发人员：韩黎光 翟剑锟
受保护的技术使用者：红石阳光（北京）科技股份有限公司
技术研发日：2023.06.08
技术公布日：2023/9/6