CN109255510A - 基于活动的计划执行与预算分析信息控制系统及方法 - Google Patents
基于活动的计划执行与预算分析信息控制系统及方法 Download PDFInfo
- Publication number
- CN109255510A CN109255510A CN201810480866.5A CN201810480866A CN109255510A CN 109255510 A CN109255510 A CN 109255510A CN 201810480866 A CN201810480866 A CN 201810480866A CN 109255510 A CN109255510 A CN 109255510A
- Authority
- CN
- China
- Prior art keywords
- information
- module
- data
- plan
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于市场评估技术领域,公开了一种基于活动的计划执行与预算分析信息控制系统及方法,该系统设置有外在环境输入模块、计划输入模块、信息整合模块、信息分析模块、误差调整模块、显示模块、大数据模块。本发明能够很好的将计划与多种因素相结合,计算出该计划所需要的预算,将并且给出该计划的可行性,使得计划的成功提高了可能性;同时通过信息分析模块对活动信息关键字表征的属性做分析查找对应的标签,基于该分析可以确定用户的实际需求,提供的信息的可靠性更高,更能满足用户实际需求;通过大数据模块可以提升对活动的计划执行与预算分析信息数据的处理速度,调度提供信息分析效率。
Description
技术领域
本发明属于市场评估技术领域,尤其涉及一种基于活动的计划执行与预算分析信息控制系统及方法。
背景技术
目前,业内常用的现有技术是这样的:
目前,预算差异分析就是通过比较实际执行结果与预算目标,确定其差异额及其差异原因。如实际成果与预算标准的差异重大,企业管理当局应审慎调查,并判定其发生原因,以便采取适当的矫正措施。目前尚没有一种完善的计划执行与预算分析控制系统,需要一种基于活动的计划执行预算分析控制系统。
局部保持投影(Locality Preserving Projections)LPP是一种新的子空间分析方法,它是非线性方法LE的线性近似,既解决PCA等传统线性方法难以保持原始数据非线性流形的缺点又解决了非线性方法难以获得新样本点低维投影的缺点。但是该方法与其他方法相同,都是将数据进行向量化,再进行降维,同样会造成大量的计算和内存的消耗。
线性局部切空间排列算法LLTSA(Linear Local tangent space alignment) 是经典非线性算法LTSA的线性近似,是一种能很好的适应与识别问题的非线性降维方法,但是该方法仅仅关注了数据的局部几何结构,而没有体现数据的整体信息。
综上所述,现有技术存在的问题是:
目前尚没有一种完善的计划执行与预算分析控制系统,需要一种基于活动的计划执行预算分析控制系统;同时现有预算分析数据处理速度慢,效率低。
局部线性嵌入算法LLE是一种基于流形的局部降维方法,该方法可以找到嵌入在高维空间中潜在的低纬流形结构,对非线性数据的降维能得到比较理性的结果,但是由于其算法本身的局限性,该算法很难应用到识别领域。
发明内容
针对现有技术存在的问题,本发明提供了一种基于活动的计划执行与预算分析信息控制系统及方法。
本发明是这样实现的,一种基于活动的计划执行与预算分析信息控制方法,所述基于活动的计划执行与预算分析信息控制方法包括:
将具体实施的地点的外在环境信息、实施的计划信息通过信息传递函数输入到信息整合模块;其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
信息整合模块对具体实施的地点的外在环境信息和实施的计划信息进行认知状态fMRI数据的预处理及分组,构建近邻图G及相应的关联矩阵S,计算训练样本集的特征分解并求出相应的特征变换矩阵,计算训练样本的低维嵌入,再进行计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别、整合分类;整合分类后在将信息传送到信息分析模块;
信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值;将处理后的信息传送到误差调整模块利用模糊PID算法进行误差调整;误差调整后的信息在显示模块显示。
进一步,信息传递函数在信息传输中,还包括:
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)r·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
σθ确定角度带宽,
进一步,对具体实施的地点的外在环境信息和实施的计划信息认知状态fMRI数据的预处理及分组包括:
a)选用SPM8软件对fMRI数据进行预处理:包括图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,…,An,其中Ik是张量的k 模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k 个点中,两点之间有边相连。
进一步,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,包括:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别、整合分类,包括:
假设测试样本数为m个,样本集为(X1,X2,…,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,得到整合分类的数据信息。
进一步,信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值,具体包括对整合分类后的信息进行分析,具体包括:
首先,服务平台接收用户发送的描述信息,挖掘所述描述信息的关键字;
其次,所述服务平台根据关键字属性在对应的标签库中查找与所述关键字匹配的标签;
接着,所述服务平台在服务信息数据库中查找与所查找的标签对应的服务信息;
然后,所述服务平台根据服务信息的属性计算每个服务信息的权重;
最后,所述服务平台根据权重大小向所述用户推送对应的服务信息;
所述服务平台根据服务信息的属性计算每个服务信息的权重,包括:
所述服务平台根据每个服务信息涉及到的关键因素和每个关键因素的权重比例系数计算每个服务信息的权重;
所述服务平台根据服务信息的属性计算每个服务信息的权重之前,所述方法还包括:
所述服务平台查找所述用户的相关信息,根据所述相关信息选择对应的服务信息;所述相关信息至少包括历史搜索信息;
则所述服务平台计算每个服务信息的权重具体为所述服务平台计算所选择的服务信息的权重;
对整合分类后的信息进行分析后,进行数据处理,取平均值;数据处理包括:
首先,获取至少一个第一大数据;所述第一大数据包括整合的活动的计划执行与预算信息;
然后,采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果,所述数据处理器用于根据所述第一大数据的参数信息,确定所述第一大数据特性;
最后,根据所述第一大数据特性对所述第一大数据进行数据处理的处理器;
所述获取至少一个第一大数据之前,还包括:
获取至少一个第二大数据;
根据所述至少一个第二大数据的各维度参数,确定所述数据处理器;
所述获取至少一个第一大数据之后,还包括:
将所述至少一个第一大数据进行分布式存储。
所述将所述至少一个第一大数据进行分布式存储,包括:
将所述至少一个第一大数据存储在分布式数据库;
所述采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果之后,还包括:将所述数据处理结果进行优化处理,获得优化结果后,取平均值;
模糊PID算法包括:
首先创建模糊控制规则表,根据检测到得设定值的变化,自动调整控制输出值的基本论域,依据专家的知识库选择利用偏差e和偏差的变化(de/dt)来对控制输出值的基本论域进行调整;
偏差e和偏差变化(de/dt)的论域选为:e,de/dt={-5,-4,-3,-2, -1,0,1,2,3,4,5},相应的模糊子集为:de/dt={NB,NM,NS,0,PS, PM,PB},再根据模糊控制规则表计算出PID的Ki、Kp、Kd的模糊值,再利用解模糊算法即可得到PID参数的在线模糊自整定值;
设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,系统响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
j=P,I,D
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
本发明的另一目的在于提供一种实现所述基于活动的计划执行与预算分析信息控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于活动的计划执行与预算分析信息控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于活动的计划执行与预算分析信息控制方法。
本发明的优点及积极效果为:
该基于活动的计划执行与预算分析信息控制系统,该系统能够结合外部环境,将计划与外部环境相结合,进行信息的整合与分析,分析后在将所分析的结果进行适当的调整后,显示出来。该系统能够很好的将计划与多种因素相结合,计算出该计划所需要的预算,将并且给出该计划的可行性,使得计划的成功提高了可能性;同时通过信息分析模块对活动信息关键字表征的属性做分析查找对应的标签,基于该分析可以确定用户的实际需求,然后再根据标签与信息之间的对应关系为用户提供满足需求的信息;可以适用于任何细分市场的业务挖掘,由于对用户的潜在需求作了分析,因此其提供的信息的可靠性更高,更能满足用户实际需求;通过大数据模块可以提升对活动的计划执行与预算分析信息数据的处理速度,调度提供信息分析效率。
本发明利用TLPP算法直接对多维张量进行降维和特征提取,克服了传统降维方法单纯的进行降维而破坏了原始图像的结构和相关性,不能完全保持原始图像中的冗余和结构的不足,考虑了数据在张量空间的几何和拓扑结构特性,保留了fMRI成像数据的空间结构信息,数据降维后,可以有效的对认知状态进行识别分类。
本发明相对于其他的先进行矢量化再进行降维的方法来说,不仅继承了传统方法的优点,而且还大大减少了空间和时间的复杂度,克服了维数灾难,计算量较小,内存消耗小,耗时较短。
本发明利用基于张量距离的近邻分类器进行判别分类,对于一些高阶的数据,由于其特殊的几何和拓扑结构特性,传统的欧式距离并不能真正地反应两个张量之间的距离,因此采用此分类器,提高了识别分类的准确性。
本发明首先创建模糊控制规则表,通过大量的实验表明,如果能够根据检测到得设定值的变化,自动调整控制输出值的基本论域,可以明显提高控制的精度和缩短过渡时间,因此需要依据专家的知识库通过实验选择一个基本论域的调整依据,通过分析发现,利用偏差e和偏差的变化(de/dt)来对控制输出值的基本论域进行调整,可以产生非常理想的结果,不仅可以缩短过渡时间,而且可以对检测值的变化迅速作出反应。
附图说明
图1是本发明实施例提供的基于活动的计划执行与预算分析信息控制系统的示意图;
图中:1、外在环境输入模块;2、计划输入模块;3、信息整合模块;4、信息分析模块;5、误差调整模块;6、显示模块;7、大数据模块。
图2是本发明实施例提供的本发明实施例提供的基于活动的计划执行与预算分析信息控制方法流程图。
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,并配合附图详细说明如下。
如图1所示,本发明提供的基于活动的计划执行与预算分析信息控制系统设置有外在环境输入模块1、计划输入模块2、信息整合模块3、信息分析模块 4、误差调整模块5、显示模块6、大数据模块。
外在环境输入模块1,与信息整合模块3相连接,用于将外在环境内容输入到系统内部。
计划输入模块2,与信息整合模块3相连接,用于将计划的内容输入到系统的内部。
信息整合模块3,与信息分析模块4相连接,用于将外在环境信息和计划信息进行整合。
信息分析模块4,与误差调整模块5相连接,用于整合过后的信息进行分析。
误差调整模块5,与显示模块6相连接,用于将信息分析模块所分析的结果进行误差的调整。
显示模块6,为最后的一个模块,用于将所处里的信息进行显示;
大数据模块7,与信息分析模块连接,用于通过分布式处理信息数据。
本发明的工作原理是:
所述外在环境输入模块1、计划输入模块2、信息整合模块3、信息分析模块4、误差调整模块5、显示模块6、大数据模块7工作流程如下:
将所要实施的计划所具体实施的地点的外在环境输入到系统中,再将所要实施的计划的具体内容输入到系统中,通过信息整合模块3将信息进一步的整合和分类,整合分类后在将信息传送到信息分析模块3,信息分析模块3中为一大数据系统,内含有大数量的多领域多范围的计划方案和案例以及与之相对应的预算值,和计划实施的可能性,将从上一级所传递出的经过整合的信息在信息分析模块4进行对比,找到与之相近的多个案例进行分析,将多个案例的预算和可能性进行取平均值,的到该计划的可能性值和该案例的预算值,并通过大数据模块7对预算及分析数据进处理,再将此结够传送到误差调整模块5,误差调整模块5根据该具体的案例,对该案裂进行适当的上下不超过百分之五的调整,再将结果传递到显示模块6后显示出来。
下面结合具体分析对本发明作进一步描述。
如图2,本发明实施例提供的基于活动的计划执行与预算分析信息控制方法,包括:
S101:将具体实施的地点的外在环境信息、实施的计划信息通过信息传递函数输入到信息整合模块;其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
S102:信息整合模块对具体实施的地点的外在环境信息和实施的计划信息进行认知状态fMRI数据的预处理及分组,构建近邻图G及相应的关联矩阵S,计算训练样本集的特征分解并求出相应的特征变换矩阵,计算训练样本的低维嵌入,再进行计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别、整合分类;整合分类后在将信息传送到信息分析模块;
S103:信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值;将处理后的信息传送到误差调整模块利用模糊PID算法进行误差调整;误差调整后的信息在显示模块显示。
信息传递函数在信息传输中,还包括:
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)r·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
σθ确定角度带宽,
对具体实施的地点的外在环境信息和实施的计划信息认知状态fMRI数据的预处理及分组包括:
a)选用SPM8软件对fMRI数据进行预处理:包括图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,…,An,其中Ik是张量的k 模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k 个点中,两点之间有边相连。
进一步,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,包括:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别、整合分类,包括:
假设测试样本数为m个,样本集为(X1,X2,…,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,得到整合分类的数据信息。
信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值,具体包括对整合分类后的信息进行分析,具体包括:
首先,服务平台接收用户发送的描述信息,挖掘所述描述信息的关键字;
其次,所述服务平台根据关键字属性在对应的标签库中查找与所述关键字匹配的标签;
接着,所述服务平台在服务信息数据库中查找与所查找的标签对应的服务信息;
然后,所述服务平台根据服务信息的属性计算每个服务信息的权重;
最后,所述服务平台根据权重大小向所述用户推送对应的服务信息;
所述服务平台根据服务信息的属性计算每个服务信息的权重,包括:
所述服务平台根据每个服务信息涉及到的关键因素和每个关键因素的权重比例系数计算每个服务信息的权重;
所述服务平台根据服务信息的属性计算每个服务信息的权重之前,所述方法还包括:
所述服务平台查找所述用户的相关信息,根据所述相关信息选择对应的服务信息;所述相关信息至少包括历史搜索信息;
则所述服务平台计算每个服务信息的权重具体为所述服务平台计算所选择的服务信息的权重;
对整合分类后的信息进行分析后,进行数据处理,取平均值;数据处理包括:
首先,获取至少一个第一大数据;所述第一大数据包括整合的活动的计划执行与预算信息;
然后,采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果,所述数据处理器用于根据所述第一大数据的参数信息,确定所述第一大数据特性;
最后,根据所述第一大数据特性对所述第一大数据进行数据处理的处理器;
所述获取至少一个第一大数据之前,还包括:
获取至少一个第二大数据;
根据所述至少一个第二大数据的各维度参数,确定所述数据处理器;
所述获取至少一个第一大数据之后,还包括:
将所述至少一个第一大数据进行分布式存储。
所述将所述至少一个第一大数据进行分布式存储,包括:
将所述至少一个第一大数据存储在分布式数据库;
所述采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果之后,还包括:将所述数据处理结果进行优化处理,获得优化结果后,取平均值;
模糊PID算法包括:
首先创建模糊控制规则表,根据检测到得设定值的变化,自动调整控制输出值的基本论域,依据专家的知识库选择利用偏差e和偏差的变化(de/dt)来对控制输出值的基本论域进行调整;
偏差e和偏差变化(de/dt)的论域选为:e,de/dt={-5,-4,-3,-2, -1,0,1,2,3,4,5},相应的模糊子集为:de/dt={NB,NM,NS,0,PS, PM,PB},再根据模糊控制规则表计算出PID的Ki、Kp、Kd的模糊值,再利用解模糊算法即可得到PID参数的在线模糊自整定值;
设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,系统响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
j=P,I,D
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于活动的计划执行与预算分析信息控制方法,其特征在于,所述基于活动的计划执行与预算分析信息控制方法包括:
将具体实施的地点的外在环境信息、实施的计划信息通过信息传递函数输入到信息整合模块;其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
信息整合模块对具体实施的地点的外在环境信息和实施的计划信息进行认知状态fMRI数据的预处理及分组,构建近邻图G及相应的关联矩阵S,计算训练样本集的特征分解并求出相应的特征变换矩阵,计算训练样本的低维嵌入,再进行计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别、整合分类;整合分类后在将信息传送到信息分析模块;
信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值;将处理后的信息传送到误差调整模块利用模糊PID算法进行误差调整;误差调整后的信息在显示模块显示。
2.如权利要求1所述基于活动的计划执行与预算分析信息控制方法,其特征在于,信息传递函数在信息传输中,还包括:
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)r·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;
r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ。
3.如权利要求1所述基于活动的计划执行与预算分析信息控制方法,其特征在于,对具体实施的地点的外在环境信息和实施的计划信息认知状态fMRI数据的预处理及分组包括:
a)选用SPM8软件对fMRI数据进行预处理:包括图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连。
4.如权利要求1所述基于活动的计划执行与预算分析信息控制方法,其特征在于,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,包括:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别、整合分类,包括:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,得到整合分类的数据信息。
5.如权利要求1所述基于活动的计划执行与预算分析信息控制方法,其特征在于,
信息分析模块对整合分类后的信息进行预算、对比、分析后,取平均值,具体包括对整合分类后的信息进行分析,具体包括:
首先,服务平台接收用户发送的描述信息,挖掘所述描述信息的关键字;
其次,所述服务平台根据关键字属性在对应的标签库中查找与所述关键字匹配的标签;
接着,所述服务平台在服务信息数据库中查找与所查找的标签对应的服务信息;
然后,所述服务平台根据服务信息的属性计算每个服务信息的权重;
最后,所述服务平台根据权重大小向所述用户推送对应的服务信息;
所述服务平台根据服务信息的属性计算每个服务信息的权重,包括:
所述服务平台根据每个服务信息涉及到的关键因素和每个关键因素的权重比例系数计算每个服务信息的权重;
所述服务平台根据服务信息的属性计算每个服务信息的权重之前,所述方法还包括:
所述服务平台查找所述用户的相关信息,根据所述相关信息选择对应的服务信息;所述相关信息至少包括历史搜索信息;
则所述服务平台计算每个服务信息的权重具体为所述服务平台计算所选择的服务信息的权重;
对整合分类后的信息进行分析后,进行数据处理,取平均值;数据处理包括:
首先,获取至少一个第一大数据;所述第一大数据包括整合的活动的计划执行与预算信息;
然后,采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果,所述数据处理器用于根据所述第一大数据的参数信息,确定所述第一大数据特性;
最后,根据所述第一大数据特性对所述第一大数据进行数据处理的处理器;
所述获取至少一个第一大数据之前,还包括:
获取至少一个第二大数据;
根据所述至少一个第二大数据的各维度参数,确定所述数据处理器;
所述获取至少一个第一大数据之后,还包括:
将所述至少一个第一大数据进行分布式存储;
所述将所述至少一个第一大数据进行分布式存储,包括:
将所述至少一个第一大数据存储在分布式数据库;
所述采用分布式处理将所述至少一个第一大数据通过数据处理器进行处理,获得数据处理结果之后,还包括:将所述数据处理结果进行优化处理,获得优化结果后,取平均值;
模糊PID算法包括:
首先创建模糊控制规则表,根据检测到得设定值的变化,自动调整控制输出值的基本论域,依据专家的知识库选择利用偏差e和偏差的变化(de/dt)来对控制输出值的基本论域进行调整;
偏差e和偏差变化(de/dt)的论域选为:e,de/dt={-5,-4,-3,-2,-1,0,1,2,3,4,5},相应的模糊子集为:de/dt={NB,NM,NS,0,PS,PM,PB},再根据模糊控制规则表计算出PID的Ki、Kp、Kd的模糊值,再利用解模糊算法即可得到PID参数的在线模糊自整定值;
设E0为控制阈值,当|e|>E0时,采用模糊控制器,当偏差比较大时,采用模糊控制器有利于加快调节速度,系统响应快,当0<|e|<E0时,采用模糊智能自整定PID控制,PID算法选择:
在控制过程中,PID控制器的参数需根据当前的状态进行调整:
式中αP,αI和αD分别为通过模糊推理计算出的修正系数,KP,KI和KD分别为基本的比例、积分和微分系数。
6.一种实现权利要求1~5任意一项所述基于活动的计划执行与预算分析信息控制方法的计算机程序。
7.一种实现权利要求1~5任意一项所述基于活动的计划执行与预算分析信息控制方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于活动的计划执行与预算分析信息控制方法。
9.一种如权利要求1所述基于活动的计划执行与预算分析信息控制方法的基于活动的计划执行与预算分析信息控制系统,其特征在于,所述基于活动的计划执行与预算分析信息控制系统包括:
外在环境输入模块,与信息整合模块相连接,用于将外在环境内容输入到系统内部;
计划输入模块,与信息整合模块相连接,用于将计划的内容输入到系统的内部;
信息整合模块,与信息分析模块相连接,用于将外在环境信息和计划信息进行整合;
信息分析模块,与误差调整模块相连接,用于整合过后的信息进行分析;
误差调整模块,与显示模块相连接,用于将信息分析模块所分析的结果进行误差的调整;
显示模块,用于将所处里的信息进行显示;
大数据模块,与信息分析模块连接,用于通过分布式处理信息数据。
10.一种安装有权利要求9所述基于活动的计划执行与预算分析信息控制系统的基于活动的计划执行与预算分析信息控制设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810480866.5A CN109255510A (zh) | 2018-05-18 | 2018-05-18 | 基于活动的计划执行与预算分析信息控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810480866.5A CN109255510A (zh) | 2018-05-18 | 2018-05-18 | 基于活动的计划执行与预算分析信息控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255510A true CN109255510A (zh) | 2019-01-22 |
Family
ID=65051443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810480866.5A Pending CN109255510A (zh) | 2018-05-18 | 2018-05-18 | 基于活动的计划执行与预算分析信息控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875753A (zh) * | 2019-03-28 | 2019-06-14 | 青岛市城阳区人民医院 | 一种缓解儿童腹部不适的中药热敷装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044007A (zh) * | 2009-10-16 | 2011-05-04 | 北京卫星环境工程研究所 | 综合计划管理信息系统 |
CN103279839A (zh) * | 2013-06-06 | 2013-09-04 | 徐工集团工程机械股份有限公司 | 一种基于活动的战略计划执行与预算分析信息控制系统 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN103619102A (zh) * | 2013-11-27 | 2014-03-05 | 江苏新可耐光电科技股份有限公司 | 一种基于模糊算法的恒光控制系统 |
CN104036045A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种信息分析方法及服务平台 |
CN106778498A (zh) * | 2016-11-13 | 2017-05-31 | 北海和思科技有限公司 | 一种增强指纹图像识别的方法 |
CN107741879A (zh) * | 2017-10-19 | 2018-02-27 | 郑州云海信息技术有限公司 | 一种大数据处理方法及其装置 |
-
2018
- 2018-05-18 CN CN201810480866.5A patent/CN109255510A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044007A (zh) * | 2009-10-16 | 2011-05-04 | 北京卫星环境工程研究所 | 综合计划管理信息系统 |
CN103279839A (zh) * | 2013-06-06 | 2013-09-04 | 徐工集团工程机械股份有限公司 | 一种基于活动的战略计划执行与预算分析信息控制系统 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN103619102A (zh) * | 2013-11-27 | 2014-03-05 | 江苏新可耐光电科技股份有限公司 | 一种基于模糊算法的恒光控制系统 |
CN104036045A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种信息分析方法及服务平台 |
CN106778498A (zh) * | 2016-11-13 | 2017-05-31 | 北海和思科技有限公司 | 一种增强指纹图像识别的方法 |
CN107741879A (zh) * | 2017-10-19 | 2018-02-27 | 郑州云海信息技术有限公司 | 一种大数据处理方法及其装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875753A (zh) * | 2019-03-28 | 2019-06-14 | 青岛市城阳区人民医院 | 一种缓解儿童腹部不适的中药热敷装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Memon et al. | Generalised fuzzy c‐means clustering algorithm with local information | |
Arroyo et al. | Different approaches to forecast interval time series: a comparison in finance | |
Kumar et al. | Software development cost estimation using wavelet neural networks | |
US20050278139A1 (en) | Automatic match tuning | |
Khaldy et al. | Resampling imbalanced class and the effectiveness of feature selection methods for heart failure dataset | |
Janssen et al. | Comparing machine learning algorithms for RSS-based localization in LPWAN | |
CN111178533B (zh) | 实现自动半监督机器学习的方法及装置 | |
US20040103070A1 (en) | Supervised self organizing maps with fuzzy error correction | |
CN109255510A (zh) | 基于活动的计划执行与预算分析信息控制系统及方法 | |
CN116629612A (zh) | 一种风险预测的方法、装置、存储介质及电子设备 | |
Aimen et al. | Leveraging task variability in meta-learning | |
Kovalev et al. | Incremental structure-evolving intelligent systems with advanced interpretational properties | |
Aggarwal et al. | An Approach to Learn Structural Similarity Between Decision Trees Using Hungarian Algorithm | |
WO2022257457A1 (zh) | 产品数据的融合方法、装置、设备及存储介质 | |
Lanes et al. | An analysis of the impact of diversity on stacking supervised classifiers | |
Kurama et al. | Credit analysis using a combination of fuzzy robust PCA and a classification algorithm | |
Kim et al. | Reliable aggregation method for vector regression tasks in crowdsourcing | |
Lin et al. | An attention-based ambient network with 3D convolutional network for incomplete traffic flow prediction | |
Zhang et al. | Experience Adapter: Adapting Pre-trained Language Models for Continual Task Planning | |
Wang et al. | Member Inference Attacks in Federated Contrastive Learning | |
Norris et al. | Exploration of ML data models: Part 1 | |
Sugasawa et al. | Robust Bayesian changepoint analysis in the presence of outliers | |
Lu et al. | Interpretability Meets Generalizability: A Hybrid Machine Learning System to Identify Nonlinear Granger Causality in Global Stock Indices | |
Lodh et al. | Detection of broken and good medical tablets using various machine learning models | |
WO2024078299A1 (zh) | 发明名称:特征提取模型处理及特征提取方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |