本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種利用卷積神經(jīng)網(wǎng)絡(luò)（cnn）分析表格數(shù)據(jù)的創(chuàng)新方法。

背景技術(shù)：

1、卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域表現(xiàn)優(yōu)異，能夠自動(dòng)提取并識(shí)別復(fù)雜特征關(guān)系。然而，在傳統(tǒng)表格數(shù)據(jù)分析中，往往采用線性回歸、決策樹(shù)等方法，這些方法難以有效捕捉數(shù)據(jù)中存在的復(fù)雜非線性關(guān)系。為了充分發(fā)揮cnn在表格數(shù)據(jù)分析中的潛力，亟需一種將表格數(shù)據(jù)轉(zhuǎn)換為cnn可處理形式的有效方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種創(chuàng)新的方法，通過(guò)將表格數(shù)據(jù)轉(zhuǎn)化為類似圖像的矩陣形式，使得cnn能夠?qū)Ρ砀駭?shù)據(jù)進(jìn)行深度分析。具體步驟包括：

2、（1）特征擴(kuò)展：將具有多個(gè)特征的表格數(shù)據(jù)擴(kuò)展至目標(biāo)矩陣，矩陣的元素?cái)?shù)目大于原始特征數(shù)。擴(kuò)展方式包括添加零值或重復(fù)原始特征。

3、（2）隨機(jī)排列：對(duì)擴(kuò)展后的特征數(shù)據(jù)進(jìn)行隨機(jī)排列，生成多個(gè)排列組合，以確保特征之間形成多樣的鄰接關(guān)系。

4、（3）矩陣轉(zhuǎn)換：將隨機(jī)排列后的數(shù)據(jù)重新組織成固定大小的矩陣（如8x8、64x64等），該矩陣將作為cnn的輸入。

5、（4）模型訓(xùn)練：通過(guò)輸入生成的矩陣到cnn中，進(jìn)行模型訓(xùn)練，利用cnn的特征提取能力，捕捉表格數(shù)據(jù)中的潛在復(fù)雜模式。

6、有益效果

7、該方法有效利用了cnn的特征提取能力，能夠識(shí)別傳統(tǒng)方法難以捕捉的復(fù)雜非線性關(guān)系。通過(guò)隨機(jī)排列和特征擴(kuò)展，增加了數(shù)據(jù)多樣性，提升了模型的泛化能力。此外，本方法可根據(jù)實(shí)際應(yīng)用需求，靈活調(diào)整矩陣規(guī)模，確保資源利用的最優(yōu)化。

技術(shù)特征：

1.一種用于分析表格數(shù)據(jù)的系統(tǒng)，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中特征排列的隨機(jī)性確保了特征鄰近關(guān)系的多樣性，從而提高了cnn的特征提取能力。

3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中矩陣的規(guī)模根據(jù)特征數(shù)目和任務(wù)需求進(jìn)行調(diào)整，以確保資源利用的最優(yōu)化。

4.根據(jù)權(quán)利要求1所述的系統(tǒng)，進(jìn)一步包括一種數(shù)據(jù)增強(qiáng)技術(shù)，基于初始特征的組合和排列生成多個(gè)矩陣，以提高模型的泛化能力。

5.一種計(jì)算機(jī)實(shí)現(xiàn)的方法，用于通過(guò)卷積神經(jīng)網(wǎng)絡(luò)分析表格數(shù)據(jù)，該方法包括：

6.根據(jù)權(quán)利要求5所述的方法，其中所述的特征擴(kuò)展包括將原始特征隨機(jī)排列多次，以便形成多個(gè)可能的近鄰關(guān)系組合。

7.根據(jù)權(quán)利要求5所述的方法，其中所述的矩陣生成步驟包括通過(guò)重復(fù)選定特征來(lái)增加某些關(guān)鍵特征的權(quán)重。

8.一種計(jì)算機(jī)程序產(chǎn)品，其包括一個(gè)或多個(gè)非暫時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有指令，所述指令在被計(jì)算設(shè)備執(zhí)行時(shí)，使得所述計(jì)算設(shè)備執(zhí)行權(quán)利要求1至7中任一項(xiàng)的方法。

9.根據(jù)權(quán)利要求8所述的計(jì)算機(jī)程序產(chǎn)品，其中所述指令進(jìn)一步配置用于調(diào)整輸入矩陣的大小和形狀，以適應(yīng)不同規(guī)模的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

技術(shù)總結(jié)
本發(fā)明提供了一種創(chuàng)新的方法，將表格數(shù)據(jù)轉(zhuǎn)換為類似圖像的矩陣形式，并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)數(shù)據(jù)進(jìn)行深度分析。通過(guò)特征擴(kuò)展、隨機(jī)排列和矩陣生成，系統(tǒng)能夠有效識(shí)別傳統(tǒng)方法難以捕捉的復(fù)雜非線性關(guān)系。該方法提升了數(shù)據(jù)的多樣性和CNN的特征提取能力，適用于金融、工業(yè)制造等領(lǐng)域的數(shù)據(jù)分析。權(quán)利要求包括特征擴(kuò)展、數(shù)據(jù)增強(qiáng)和CNN訓(xùn)練等步驟，旨在提高分析準(zhǔn)確性和效率。

技術(shù)研發(fā)人員：呂柏林,吳江華,李天祥,劉志卓,韋自建
受保護(hù)的技術(shù)使用者：遼寧石油化工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/18