买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北省科学院地理科学研究所

摘要：本申请公开了人工智能模型的可视化输出方法、装置、设备及介质，属于人工智能可视化技术领域。该可视化输出方法包括：步骤S1，接收人工智能模型输出的第一编程语言表示数据，并使用智能解析引擎模型自动识别并解析数据格式；步骤S2，构建自适应数据转换模型，学习不同编程语言间的转换规则，以将解析后的数据从第一编程语言格式转换为第二编程语言格式；步骤S3，基于转换后的数据，利用生成对抗网络生成结构化的中间数据；步骤S4，构建贝叶斯网络，通过概率推断方法筛选出最相关的数据，并根据推断结果进行匹配；步骤S5，引入区块链技术，确保数据更新和展示的安全性与透明性；步骤S6，结合云计算和边缘计算技术，实现数据的高效存储和访问。

主权项：1.一种人工智能模型的可视化输出方法，其特征在于，包括以下步骤：步骤S1，接收人工智能模型输出的第一编程语言表示数据，并使用智能解析引擎模型自动识别并解析数据格式；步骤S2，构建自适应数据转换模型，学习不同编程语言间的转换规则，以将解析后的数据从第一编程语言格式转换为第二编程语言格式，自适应数据转换模型采用深度学习架构，结合长短期记忆网络和注意力机制构建，其中：在输入层，人工智能模型的输出数据以第一编程语言的形式被接收，并对输入数据进行预处理；中间采用编码器-解码器架构，编码器将输入数据的结构编码为连续的向量形式，包括嵌入层和多层LSTM层，在编码器的输出上应用注意力机制，使解码器在生成输出时关注输入的不同部分，注意力机制通过计算加权上下文向量c~实现，权重αt依据解码器当前状态和编码器状态的相关性确定，注意力权重计算公式为：αt=softmaxwhZtanhVhtd+Uhte，加权上下文向量计算公式为：c~t=∑αtcte，其中，whZ表示行向量wh的转置，htd为解码器在时间步长t的隐藏状态，hte为编码器在时间步长t的隐藏状态，w,V,U为模型参数；基于编码器产生的上下文向量和自身隐藏状态，解码器开始逐步生成第二编程语言的数据结构，解码器的隐藏状态结合注意力机制得到的信息，预测下一个符号，其计算公式为：htd=LSTM[c~,ht-1d],yt-1，其中，yt-1为前一时间步的输出，[.]为拼接操作；每一步解码后，输出一个符号，直到生成完整的第二编程语言表示或达到终止条件；在输出层，解码器的最终输出通过softmax层映射到第二编程语言的词汇空间以决定输出符号；训练时采用交叉熵损失来衡量预测序列与真实序列的差异；编码器的隐藏状态计算公式为：ht=LSTMxt,ht-1，其中xt是当前时间步的输入向量，ht-1是前一时间步的隐藏状态，编码器生成一个向量或序列，称为“上下文向量”，以捕获输入数据的语义信息；步骤S3，基于转换后的数据，利用生成对抗网络构建中间数据生成模型以生成结构化的中间数据，中间数据生成模型包括生成器G和判别器D，通过训练使生成器G能够生成接近真实数据分布的结构化数据；中间数据生成模型接收来自步骤S2的转换结果以及显示配置信息，以指导如何组织和布局数据；采用映射关系将第一中间数据中的数据类型转换为显示页面所需的类型；生成器G生成数据的过程表示为Gz=Gmodelz，判别器D的判别过程表示为DGz=DmodelGz，其中，Gz表示生成的数据，DGz表示判别器的判别结果；根据显示样式和尺寸信息，将生成的数据Gz进一步结构化为具体的显示数据，具体表示为SD=hGz,S′，其中，SD表示结构化后的显示数据，S′表示显示配置中的样式细节；控制显示页面根据结构化数据SD呈现输出，调用UI框架或API来渲染元素，从而实现人工智能模型输出结果的可视化展示；步骤S4，构建贝叶斯网络，通过概率推断方法筛选出最相关的数据，并根据推断结果进行匹配，具体包括以下步骤：将用户需求抽象成一组离散或连续的变量集合U,每个变量ui反映一种需求；同时，收集当前显示页面的配置参数，形成另一组变量，从已确定的显示数据中提取关键特征，以用于与用户需求和显示配置进行匹配；对提取的特征进行预处理，包括标准化、归一化和缺失值填充操作，以提高数据质量和一致性；构建贝叶斯网络B=N,E，其中，N={N1,N2,...,Nk}表示节点集合，每个节点Ni对应一个数据特征，E={Ni,Nj∣Ni→Nj}表示有向边集合，表示特征之间的依赖关系；将用户需求U和显示配置C作为证据输入到贝叶斯网络中，利用贝叶斯推断算法计算各个潜在特征的后验概率分布PNi∣U,C，PNi∣U,C表示在用户需求U和显示配置C条件下，节点Ni的后验概率分布；基于计算得到的后验概率分布，使用匹配算法γ进行数据匹配，计算相似度得分，具体公式表示为：Sim=γFpreprocessed,U,C，其中，Fpreprocessed表示预处理后的特征集，Sim表示相似度得分；根据相似度得分和预设阈值τ过滤数据，选择匹配度最高的数据项作为最终的显示数据，形成过滤后的数据集合Dfiltered={d＾∈Ddisplay∣Simd,U,C≥τ}，其中，Ddisplay表示当前可用于显示的数据集合，d＾表示Ddisplay中的一个单独的数据项，Dfiltered表示过滤后的数据集合；根据实时输入的用户需求和显示配置动态更新贝叶斯网络的参数和结构；使用强化学习算法优化贝叶斯网络的参数和结构，通过最大化期望奖励E[Rθ]来调整模型，提高匹配和过滤的效果，其优化目标表示为：θ＾=argmaxθE[Rθ]，其中，θ表示贝叶斯网络的参数，R表示奖励函数，θ＾表示要找的最优参数；将用户需求和显示配置与结构化数据进行匹配和过滤，以选择匹配度最高的数据项作为最终的显示数据；步骤S5，引入区块链技术，确保数据更新和展示的安全性与透明性；步骤S6，结合云计算和边缘计算技术，实现数据的高效存储和访问。

全文数据：

权利要求：

百度查询： 河北省科学院地理科学研究所 人工智能模型的可视化输出方法、装置、设备及介质