CN111652733A - 基于云计算和区块链的金融信息管理系统 - Google Patents

基于云计算和区块链的金融信息管理系统 Download PDF

Info

Publication number
CN111652733A
CN111652733A CN202010671700.9A CN202010671700A CN111652733A CN 111652733 A CN111652733 A CN 111652733A CN 202010671700 A CN202010671700 A CN 202010671700A CN 111652733 A CN111652733 A CN 111652733A
Authority
CN
China
Prior art keywords
financial data
financial
data
representing
candidate
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.)
Granted
Application number
CN202010671700.9A
Other languages
English (en)
Other versions
CN111652733B (zh
Inventor
李国安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shandong Digital Technology Group Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010671700.9A priority Critical patent/CN111652733B/zh
Publication of CN111652733A publication Critical patent/CN111652733A/zh
Application granted granted Critical
Publication of CN111652733B publication Critical patent/CN111652733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于云计算和区块链的金融信息管理系统，包括金融政策获取模块、金融数据获取模块、区块链存储模块和金融信息管理模块，所述金融政策获取模块用于收集最新的金融政策信息，所述金融数据获取模块用于收集金融数据，所述区块链存储模块用于存储收集的金融政策和金融数据，所述金融信息管理模块用于显示所述金融政策和金融数据。本发明的有益效果：将信息化技术应用到金融信息管理中，通过对金融政策和金融数据的获取和显示，有利于用户实时了解当前的金融情况。此外，本发明采用模糊C均值聚类算法将调取的金融数据进行分类处理，能够有效的避免传统的需要人为预先设定模糊C均值聚类算法的聚类数造成的聚类结果不稳定的现象。

Description

基于云计算和区块链的金融信息管理系统
技术领域
本发明创造涉及金融信息管理领域，具体涉及一种基于云计算和区块链的金融信息管理系统。
背景技术
随着网络技术和信息技术的快速发展，我国已经成功迈入了信息化时代，因此，不管是贸易企业，还是金融管理企业都非常重视企业的信息化建设。在当今这个信息化时代里，大数据技术被运用到各行各业，并且发挥了其他技术不可代替的作用。大数据分析技术其实就是一种现代化信息处理技术，目前被应用于各行各业中，并且发挥着无可取代的重要作用，特别是为企业在金融投资活动中提供了保障，很大程度上减少了企业的金融投资风险。
发明内容
针对上述问题，本发明旨在提供一种基于云计算和区块链的金融信息管理系统。
本发明创造的目的通过以下技术方案实现：
一种基于云计算和区块链的金融信息管理系统，包括金融政策获取模块、金融数据获取模块、区块链存储模块和金融信息管理模块，所述金融政策获取模块用于收集最新的金融政策信息，所述金融数据获取模块用于收集金融数据，所述金融政策获取模块和金融数据获取模块将收集的金融政策信息和金融数据传输至区块链存储模块进行存储，所述金融信息管理模块包括金融政策显示单元和金融数据显示单元，所述金融政策显示单元用于从区块链存储模块中调取所述金融政策信息进行显示，所述金融数据显示单元用于从区块链存储模块中调取所述金融数据进行处理和显示。
本发明创造的有益效果：
(1)将信息化技术应用到金融信息管理中，通过对金融政策和金融数据的获取和显示，有利于用户实时了解当前的金融情况；将大数据技术应用到金融数据的处理中，采用模糊C均值聚类算法对金融数据进行分类，并将收集的金融数据按照分类结果进行分类显示，有利于客户更加直观的了解收集的金融数据。
(2)本发明采用模糊C均值聚类算法将调取的金融数据进行分类处理，所述模糊C均值聚类算法采用聚类有效性指标U(Y)确定将集合Y中的金融数据划分的类别数K，能够有效的避免传统的需要人为预先设定模糊C均值聚类算法的聚类数造成的聚类结果不稳定的现象，所述聚类有效性指标U(Y)通过综合考虑类内紧密性、类间的分离性和重叠性来衡量聚类结果的好坏，聚类有效性指标U(Y)的值越大，表明相应的模糊聚类划分结果越优，使得U(Y)的值达到极大值所对应的聚类数即为将集合Y中的金融数据划分的最佳聚类数K；本优选实施例定义的聚类有效性指标U(Y)在衡量类与类之间的重叠性时，首先确定两个类之间的参考数据，所述参考数据为两个类之间距离最近的金融数据，从而通过所述参考数据确定两个类之间最有可能存在的重叠区域，该区域即为所述的重叠检测区域，定义重叠度检测系数对所述重叠检测区域进行检测，所述重叠度检测系数通过衡量所述重叠检测区域中的金融数据对两个类的隶属度的差异确定这两个类之间的重叠关系，重叠检测区域中的金融数据对两个类的隶属度之间的差异较小时，表明该金融数据处于这两个类之间的重叠区域，即表明这两个类之间的重叠越大，当重叠检测区域中的金融数据对两个类的隶属度之间的差异较大时，表明该金融数据越偏向于其中的一个类，即表明这两个类之间的重叠度越小；此外，所述隶属度检测系数中引入了重叠检测区域中存在的隶属于这两个类中任一类的金融数据量作为指数函数的变量，当这两个类的分类结果重叠较少甚至不重叠时，通过参考数据确定的重叠检测区域中存在的隶属于这两个类中任一类的金融数据量较少，随着这两个类的分类结果中重叠的越多，通过参考数据确定的重叠检测区域中存在的隶属于这两个类中任一类的金融数据量越多，即通过这个类的参考数据确定的重叠检测区域能够有效的反应这两个类之间的重叠情况，定义的重叠度检测系数在重叠检测区域中对这两个类之间的重叠性进行检测，使得检测所得的类间的重叠性能够更加符合这两个类间的实际重叠情况，从而提高了类间重叠性检测的准确性。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于云计算和区块链的金融信息管理系统，包括金融政策获取模块、金融数据获取模块、区块链存储模块和金融信息管理模块，所述金融政策获取模块用于收集最新的金融政策信息，所述金融数据获取模块用于收集金融数据，所述金融政策获取模块和金融数据获取模块将收集的金融政策信息和金融数据传输至区块链存储模块进行存储，所述金融信息管理模块包括金融政策显示单元和金融数据显示单元，所述金融政策显示单元用于从区块链存储模块中调取所述金融政策信息进行显示，所述金融数据显示单元用于从区块链存储模块中调取所述金融数据进行处理和显示。
本优选实施例将信息化技术应用到金融信息管理中，通过对金融政策和金融数据的获取和显示，有利于用户实时了解当前的金融情况；将大数据技术应用到金融数据的处理中，采用模糊C均值聚类算法对金融数据进行分类，并将收集的金融数据按照分类结果进行分类显示，有利于客户更加直观的了解收集的金融数据。
优选地，所述金融数据显示单元用于从区块链存储模块中调取所述金融数据进行分类处理，并将所述金融数据按照分类结果进行分类显示。
优选地，所述金融数据显示单元采用模糊C均值聚类算法将调取的金融数据进行分类处理，将调取的金融数据表示为集合Y，且Y＝{yj，j＝1，2，...，M}，其中，yj表示集合Y中的第j个金融数据，M表示集合Y中的金融数据量；设Ki表示金融数据显示单元采用模糊C均值聚类算法划分的第i个类，uij表示金融数据yj属于类Ki的隶属度，规定当uij＝max1≤l≤Kulj时，则金融数据yj属于类Ki，即yj∈Ki，其中，Kl表示金融数据显示单元采用模糊C均值聚类算法划分的第l个类，ulj表示金融数据yj属于类Kl的隶属度，K表示金融数据显示单元采用模糊C均值聚类算法将集合Y中的金融数据划分的类别数。
优选地，所述金融数据显示单元采用的模糊C均值聚类算法采用聚类有效性指标U(Y)确定将集合Y中的金融数据划分的类别数K，U(Y)的表达式为：
Figure BDA0002580732320000031
式中，Vi表示类Ki对应的聚类中心，Vl表示类Kl对应的聚类中心，||·||表示求欧式距离，Cij表示隶属度uij对应的判断系数，给定隶属度阈值u0，u0的值可以设置为0.2，当uij＞u0时，则Cij＝uij，当uij≤0，则Cij＝0，D(i)表示类Ki对应的重叠度检测系数，设ym(i，l)表示类Ki相较于类Kl的参考数据，ym(i，l)∈Ki，且ym(i，l)表示集合Y中的第m个金融数据，yn(l，i)表示类Kl相较于类Ki的参考数据，yn(l，i)∈Kl，且yn(l，i)表示集合Y中的第n个金融数据，且
Figure BDA0002580732320000041
其中，yE表示集合Y中的第E个金融数据，且yE∈Ki，yQ表示集合Y中的第Q个金融数据，且yQ∈Kl，设Ω(i，l)表示类Ki和类Kl之间的重叠检测区域，设y(m，n)表示金融数据ym(i，l)和金融数据yn(l，i)中间位置的点，则Ω(i，l)为以y(m，n)为中心、以R为半径的球体，其中，
Figure BDA0002580732320000042
m(Ki)为类Ki中的金融数据量，则类Ki对应的重叠度检测系数D(i)的表达式为：
Figure BDA0002580732320000043
式中，yc表示集合Y中的第c个金融数据，且yc∈Ω(i，l)，uic表示金融数据yc属于类Ki的隶属度，ulc表示金融数据yc属于类Kl的隶属度，给定重叠度阈值u00，θ(uic)表示隶属度uic对应的判断系数，当uic＞u00时，则θ(uic)＝1，当uic≤u00时，则θ(uic)＝0，θ(ulc)表示隶属度ulc对应的判断系数，当ulc＞u00时，则θ(ulc)＝1，当ulc≤u00时，则θ(ulc)＝0，h(yc，Ki)表示金融数据yc和类Ki之间的统计系数，当yc∈Ki时，则h(yc，Ki)＝1，当
Figure BDA0002580732320000045
时，则h(yc，Ki)＝0，h(yc，Kl)表示金融数据yc和类Kl之间的统计系数，当yc∈Kl时，则h(yc，Kl)＝1，当
Figure BDA0002580732320000047
时，则h(yc，Kl)＝0，h(yc，Ki)Uh(yc，Kl)为求并集函数，且
Figure BDA0002580732320000046
Figure BDA0002580732320000044
聚类有效性指标U(Y)的值越大，表明相应的模糊聚类划分结果越优，使得U(Y)的值达到极大值所对应的聚类数即为将集合Y中的金融数据划分的聚类数K。
本优选实施例采用模糊C均值聚类算法将调取的金融数据进行分类处理，所述模糊C均值聚类算法采用聚类有效性指标U(Y)确定将集合Y中的金融数据划分的类别数K，能够有效的避免传统的需要人为预先设定模糊C均值聚类算法的聚类数造成的聚类结果不稳定的现象，所述聚类有效性指标U(Y)通过综合考虑类内紧密性、类间的分离性和重叠性来衡量聚类结果的好坏，聚类有效性指标U(Y)的值越大，表明相应的模糊聚类划分结果越优，使得U(Y)的值达到极大值所对应的聚类数即为将集合Y中的金融数据划分的最佳聚类数K；本优选实施例定义的聚类有效性指标U(Y)在衡量类与类之间的重叠性时，首先确定两个类之间的参考数据，所述参考数据为两个类之间距离最近的金融数据，从而通过所述参考数据确定两个类之间最有可能存在的重叠区域，该区域即为所述的重叠检测区域，定义重叠度检测系数对所述重叠检测区域进行检测，所述重叠度检测系数通过衡量所述重叠检测区域中的金融数据对两个类的隶属度的差异确定这两个类之间的重叠关系，重叠检测区域中的金融数据对两个类的隶属度之间的差异较小时，表明该金融数据处于这两个类之间的重叠区域，即表明这两个类之间的重叠越大，当重叠检测区域中的金融数据对两个类的隶属度之间的差异较大时，表明该金融数据越偏向于其中的一个类，即表明这两个类之间的重叠度越小；此外，所述隶属度检测系数中引入了重叠检测区域中存在的隶属于这两个类中任一类的金融数据量作为指数函数的变量，当这两个类的分类结果重叠较少甚至不重叠时，通过参考数据确定的重叠检测区域中存在的隶属于这两个类中任一类的金融数据量较少，随着这两个类的分类结果中重叠的越多，通过参考数据确定的重叠检测区域中存在的隶属于这两个类中任一类的金融数据量越多，即通过这个类的参考数据确定的重叠检测区域能够有效的反应这两个类之间的重叠情况，定义的重叠度检测系数在重叠检测区域中对这两个类之间的重叠性进行检测，使得检测所得的类间的重叠性能够更加符合这两个类间的实际重叠情况，从而提高了类间重叠性检测的准确性。
优选地，在集合Y中选取K个初始聚类中心，设yk表示集合Y中的第k个金融数据，且yj≠yk，设δ(yk，yj)表示金融数据yj对于金融数据yk的属性值，n(yj，yk)表示金融数据yk为金融数据yj的第n个最近值，给定正整数N，N的值可以取10，当n(yj，yk)≤N时，则δ(yk，yj)＝1，当n(yj，yk)＞N时，则δ(yk，yj)＝0；
定义金融数据yk对应的局部信息值为D(yk)，则D(yk)的表达式为：
Figure BDA0002580732320000051
当金融数据yk的局部信息值
Figure BDA0002580732320000052
时，则金融数据yk成为聚类中心的候选数据；
设H表示在集合Y中选取的聚类中心的候选数据集，且H＝{CHb，b＝1，2，...，m(H)}，其中，CHb表示集合H中的第b个聚类中心的候选数据，m(H)表示集合H中的候选数据量，设N1(CHb)表示候选数据CHb对应的第一优先级检测集合，ys表示集合Y中的第s个金融数据，当金融数据ys满足δ(CHb，ys)*δ(ys，CHb)＝1时，将金融数据ys加入到集合N1(CHb)中；设N2(CHb)表示候选数据CHb对应的第二优先级检测集合，当金融数据ys满足δ(CHb，ys)Uδ(ys，CHb)＝1时，将金融数据ys加入到集合N2(CHb)中，δ(CHb，ys)∪δ(ys，CHb)表示求并集函数，且
Figure BDA0002580732320000053
其中，δ(CHb，ys)表示金融数据ys对于候选数据CHb的属性值，设n(ys，CHb)表示候选数据CHb为金融数据ys的第n个最近值，当n(ys，CHb)≤N时，则δ(CHb，ys)＝1，当n(ys，CHb)＞N时，则δ(CHb，ys)＝0，δ(ys，CHb)表示候选数据CHb对于金融数据ys的属性值，设n(CHb，ys)表示金融数据ys为候选数据CHb的第n个最近值，当n(CHb，ys)≤N时，则δ(ys，CHb)＝1，当n(CHb，ys)＞N时，则δ(ys，CHb)＝0；
定义候选数据CHb成为聚类中心的优先级为J(CHb)，则J(CHb)的表达式为：
Figure BDA0002580732320000061
式中，D(CHb)表示候选数据CHb的局部信息值，yz表示集合Y中的第z个金融数据，且yz为集合N1(CHb)中的金融数据，ω(yz)表示金融数据yz对应的判断函数，当金融数据yz为聚类中心的候选数据时，则ω(yz)＝1，当金融数据yz不为聚类中心的候选数据时，则ω(yz)＝0，
Figure BDA0002580732320000066
表示候选数据CHb的区域检测系数，且
Figure BDA0002580732320000062
m1(CHb)为集合N1(CHb)中的金融数据量，ye为集合Y中的第e个金融数据，且ye为集合N2(CHb)中的金融数据，ω(ye)表示金融数据ye对应的判断函数，当金融数据ye为聚类中心的候选数据时，则ω(ye)＝1，当金融数据ye不为聚类中心的候选数据时，则ω(ye)＝0，N1(ye)为金融数据ye对应的第一优先级检测集合，yp为集合Y中的第p个金融数据，且yp为集合N1(ye)中的金融数据，
Figure BDA0002580732320000067
表示金融数据ye的区域检测系数，且
Figure BDA0002580732320000063
其中，m1(ye)为集合N1(ye)中金融数据量，yw为集合Y中的第w个金融数据，
Figure BDA0002580732320000064
和
Figure BDA0002580732320000065
分别表示金融数据yj和yw的区域检测系数；
在集合H中选取具有最高优先级的聚类中心的候选数据为第一个初始聚类中心K1，设N1(K1)表示初始聚类中心K1对应的候选数据的第一优先级检测集合，m1(K1，CH)表示集合N1(K1)中存在的聚类中心的候选数据量，当初始聚类中心K1对应的候选数据被选取为初始聚类中心K1时，则集合N1(K1)中的m1(K1，CH)个候选数据和聚类中心K1对应的候选数据将不再参与接下来的初始聚类中心的选取，并将集合Y中未被选取为聚类中心的候选数据的金融数据按其局部信息值由高到低进行排序，选取前(m1(K1，CH)+1)个金融数据作为聚类中心的候选数据加入到集合H中；
继续采用上述方法在集合H中选取模糊C均值聚类算法的初始聚类中心，直到选取的初始聚类中心数为K时，则停止选取。
本优选实施例用于在集合Y中选取K个初始聚类中心，避免了传统的随机选取模糊C均值聚类算法的初始聚类中心造成的聚类结果不稳定的现象，定义集合Y中的金融数据的局部信息值，所述局部信息值能够有效的反应所述金融数据周围的数据分布情况，相较于传统的通过距离衡量所述金融数据周围的数据分布情况的方式，本优选实施例定义的局部信息值在衡量所述金融数据和集合Y中其他金融数据之间的分布关系时，规定当所述金融数据是集合Y中最接近所述其他金融数据的N个金融数据中的一个时，即确定该其他金融数据为所述金融数据周围的金融数据，当所述金融数据处于聚类中心时，其周围必然分布较多的金融数据，即所述金融数据较大概率是较多其他金融数据最接近的N个金融数据之一，因此，定义的局部信息值能够有效的反应所述金融数据周围的金融数据分布情况，避免了因采用距离衡量所述金融数据周围的数据分布情况因类间不同尺寸和不同密度造成的不准确的缺陷；所述金融数据的局部信息值越大，表明所述金融数据周围分布越多的金融数据，选取具有较大局部信息值的金融数据为聚类中心的候选数据，在候选数据集合中选取初始聚类中心时，在集合Y中选取金融数据构成所述候选数据的第一优先级检测集合和第二优先级检测集合，当集合Y中的金融数据和候选数据互为最接近对方的N个金融数据之一时，即将该金融数据加入到第一优先级检测集合中，保证了第一优先级检测集合中的金融数据和所述候选数据为一个类中的金融数据，当候选数据为最接近金融数据的N个金融数据之一或者金融数据为最接近所述候选数据的N个金融数据之一时，将所述金融数据加入到第二优先级检测集合，即扩大了第二优先级检测集合中金融数据的分布范围的同时，又保证了第二优先级检测集合中金融数据和所述候选数据具有一定的相似性，定义候选数据成为聚类中心的优先级，所述优先级在所述候选数据的第一优先级检测集合和第二优先级检测集合中进行计算，通过衡量所述第一优先级检测集合中存在的候选数据量对所述金融数据成为初始聚类中心的优先级进行调节，当所述候选数据为聚类中心时，则其第一优先级检测集合中必然存在较多的候选数据；定义区域检测系数，所述区域检测系数用于对候选数据所在类的数据分布特性进行检测，处于一个类的金融数据的区域检测系数较为相似，当所述候选数据为聚类中心时，该候选数据的第二优先级检测集合中的必然存在较多和其处于同一类的金融数据，即所述候选数据的区域检测系数和其第二优先级检测集合中的金融数据的区域检测系数相似，当所述候选数据不为聚类中心时，该候选数据的第二优先级检测集合中存在较多和其处于不同类的金融数据，该候选数据的区域检测系数和其第二优先级检测集合中的金融数据的区域检测系数之间存在区别，该候选数据距离其所在类的真正的聚类中心越远，其区域检测系数和其第二优先级检测集合中的金融数据的区域检测系数的差值越大，即根据候选数据的优先级选取初始聚类中心，能够有效的提高初始聚类中心选取的准确性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于云计算和区块链的金融信息管理系统，其特征是，包括金融政策获取模块、金融数据获取模块、区块链存储模块和金融信息管理模块，所述金融政策获取模块用于收集最新的金融政策信息，所述金融数据获取模块用于收集金融数据，所述金融政策获取模块和金融数据获取模块将收集的金融政策信息和金融数据传输至区块链存储模块进行存储，所述金融信息管理模块包括金融政策显示单元和金融数据显示单元，所述金融政策显示单元用于从区块链存储模块中调取所述金融政策信息进行显示，所述金融数据显示单元用于从区块链存储模块中调取所述金融数据进行处理和显示。
2.根据权利要求1所述的一种基于云计算和区块链的金融信息管理系统，其特征是，所述金融数据显示单元用于从区块链存储模块中调取所述金融数据进行分类处理，并将所述金融数据按照分类结果进行分类显示。
3.根据权利要求2所述的一种基于云计算和区块链的金融信息管理系统，其特征是，所述金融数据显示单元采用模糊C均值聚类算法将调取的金融数据进行分类处理，将调取的金融数据表示为集合Y，且Y＝{yj，j＝1，2，...，M}，其中，yj表示集合Y中的第j个金融数据，M表示集合Y中的金融数据量；设Ki表示金融数据显示单元采用模糊C均值聚类算法划分的第i个类，uij表示金融数据yj属于类Ki的隶属度，规定当uij＝max1≤l≤Kulj时，则金融数据yj属于类Ki，即yj∈Ki，其中，Kl表示金融数据显示单元采用模糊C均值聚类算法划分的第l个类，ulj表示金融数据yj属于类Kl的隶属度，K表示金融数据显示单元采用模糊C均值聚类算法将集合Y中的金融数据划分的类别数。
4.根据权利要求3所述的一种基于云计算和区块链的金融信息管理系统，其特征是，所述金融数据显示单元采用的模糊C均值聚类算法采用聚类有效性指标U(Y)确定将集合Y中的金融数据划分的类别数K，U(Y)的表达式为：
Figure FDA0002580732310000011
式中，Vi表示类Ki对应的聚类中心，Vl表示类Kl对应的聚类中心，Cij表示隶属度uij对应的判断系数，给定隶属度阈值u0，当uij＞u0时，则Cij＝uij，当uij≤0，则Cij＝0，D(i)表示类Ki对应的重叠度检测系数，设ym(i，l)表示类Ki相较于类Kl的参考数据，ym(i，l)∈Ki，且ym(i，l)表示集合Y中的第m个金融数据，yn(l，i)表示类Kl相较于类Ki的参考数据，yn(l，i)∈Kl，且yn(l，i)表示集合Y中的第n个金融数据，且
Figure FDA0002580732310000021
其中，yE表示集合Y中的第E个金融数据，且yE∈Ki，yQ表示集合Y中的第Q个金融数据，且yQ∈Kl，设Ω(i，l)表示类Ki和类Kl之间的重叠检测区域，设y(m，n)表示金融数据ym(i，l)和金融数据yn(l，i)中间位置的点，则Ω(i，l)为以y(m，n)为中心、以R为半径的球体，其中，
Figure FDA0002580732310000022
m(Ki)为类Ki中的金融数据量，则类Ki对应的重叠度检测系数D(i)的表达式为：
Figure FDA0002580732310000023
式中，yc表示集合Y中的第c个金融数据，且yc∈Ω(i，l)，uic表示金融数据yc属于类Ki的隶属度，ulc表示金融数据yc属于类Kl的隶属度，给定重叠度阈值u00，θ(uic)表示隶属度uic对应的判断系数，当uic＞u00时，则θ(uic)＝1，当uic≤u00时，则θ(uic)＝0，θ(ulc)表示隶属度ulc对应的判断系数，当ulc＞u00时，则θ(ulc)＝1，当ulc≤u00时，则θ(ulc)＝0，h(yc，Ki)表示金融数据yc和类Ki之间的统计系数，当yc∈Ki时，则h(yc，Ki)＝1，当
Figure FDA0002580732310000024
时，则h(yc，Ki)＝0，h(yc，Kl)表示金融数据yc和类Kl之间的统计系数，当yc∈Kl时，则h(yc，Kl)＝1，当
Figure FDA0002580732310000025
时，则h(yc，Kl)＝0，h(yc，Ki)∪h(yc，Kl)为求并集函数，且
Figure FDA0002580732310000026
Figure FDA0002580732310000027
5.根据权利要求4所述的一种基于云计算和区块链的金融信息管理系统，其特征是，在集合Y中选取K个初始聚类中心，设yk表示集合Y中的第k个金融数据，且yj≠yk，设δ(yk，yj)表示金融数据yj对于金融数据yk的属性值，n(yj，yk)表示金融数据yk为金融数据yj的第n个最近值，给定正整数N，当n(yj，yk)≤N时，则δ(yk，yj)＝1，当n(yj，yk)＞N时，则δ(yk，yj)＝0；
定义金融数据yk对应的局部信息值为D(yk)，则D(yk)的表达式为：
Figure FDA0002580732310000028
当金融数据yk的局部信息值
Figure FDA0002580732310000029
时，则金融数据yk成为聚类中心的候选数据；
设H表示在集合Y中选取的聚类中心的候选数据集，且H＝{CHb，b＝1，2，...，m(H)}，其中，CHb表示集合H中的第b个聚类中心的候选数据，m(H)表示集合H中的候选数据量，设N1(CHb)表示候选数据CHb对应的第一优先级检测集合，ys表示集合Y中的第s个金融数据，当金融数据ys满足δ(CHb，ys)*δ(ys，CHb)＝1时，将金融数据ys加入到集合N1(CHb)中；设N2(CHb)表示候选数据CHb对应的第二优先级检测集合，当金融数据ys满足δ(CHb，ys)∪δ(ys，CHb)＝1时，将金融数据ys加入到集合N2(CHb)中，δ(CHb，ys)∪δ(ys，CHb)表示求并集函数，且
Figure FDA0002580732310000031
其中，δ(CHb，ys)表示金融数据ys对于候选数据CHb的属性值，设n(ys，CHb)表示候选数据CHb为金融数据ys的第n个最近值，当n(ys，CHb)≤N时，则δ(CHb，ys)＝1，当n(ys，CHb)＞N时，则δ(CHb，ys)＝0，δ(ys，CHb)表示候选数据CHb对于金融数据ys的属性值，设n(CHb，ys)表示金融数据ys为候选数据CHb的第n个最近值，当n(CHb，ys)≤N时，则δ(ys，CHb)＝1，当n(CHb，ys)＞N时，则δ(ys，CHb)＝0；
定义候选数据CHb成为聚类中心的优先级为J(CHb)，则J(CHb)的表达式为：
Figure FDA0002580732310000032
式中，D(CHb)表示候选数据CHb的局部信息值，yz表示集合Y中的第z个金融数据，且yz为集合N1(CHb)中的金融数据，ω(yz)表示金融数据yz对应的判断函数，当金融数据yz为聚类中心的候选数据时，则ω(yz)＝1，当金融数据yz不为聚类中心的候选数据时，则ω(yz)＝0，
Figure FDA0002580732310000033
表示候选数据CHb的区域检测系数，且
Figure FDA0002580732310000034
m1(CHb)为集合N1(CHb)中的金融数据量，ye为集合Y中的第e个金融数据，且ye为集合N2(CHb)中的金融数据，ω(ye)表示金融数据ye对应的判断函数，当金融数据ye为聚类中心的候选数据时，则ω(ye)＝1，当金融数据ye不为聚类中心的候选数据时，则ω(ye)＝0，N1(ye)为金融数据ye对应的第一优先级检测集合，yp为集合Y中的第p个金融数据，且yp为集合N1(ye)中的金融数据，
Figure FDA0002580732310000035
表示金融数据ye的区域检测系数，且
Figure FDA0002580732310000036
其中，m1(ye)为集合N1(ye)中金融数据量，yw为集合Y中的第w个金融数据，
Figure FDA0002580732310000037
和
Figure FDA0002580732310000038
分别表示金融数据yj和yw的区域检测系数；
在集合H中选取具有最高优先级的聚类中心的候选数据为第一个初始聚类中心K1，设N1(K1)表示初始聚类中心K1对应的候选数据的第一优先级检测集合，m1(K1，CH)表示集合N1(K1)中存在的聚类中心的候选数据量，当初始聚类中心K1对应的候选数据被选取为初始聚类中心K1时，则集合N1(K1)中的m1(K1，CH)个候选数据和聚类中心K1对应的候选数据将不再参与接下来的初始聚类中心的选取，并将集合Y中未被选取为聚类中心的候选数据的金融数据按其局部信息值由高到低进行排序，选取前(m1(K1，CH)+1)个金融数据作为聚类中心的候选数据加入到集合H中；
继续采用上述方法在集合H中选取模糊C均值聚类算法的初始聚类中心，直到选取的初始聚类中心数为K时，则停止选取。
CN202010671700.9A 2020-07-13 2020-07-13 基于云计算和区块链的金融信息管理系统 Active CN111652733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010671700.9A CN111652733B (zh) 2020-07-13 2020-07-13 基于云计算和区块链的金融信息管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010671700.9A CN111652733B (zh) 2020-07-13 2020-07-13 基于云计算和区块链的金融信息管理系统

Publications (2)

Publication Number Publication Date
CN111652733A true CN111652733A (zh) 2020-09-11
CN111652733B CN111652733B (zh) 2021-07-06

Family

ID=72348811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010671700.9A Active CN111652733B (zh) 2020-07-13 2020-07-13 基于云计算和区块链的金融信息管理系统

Country Status (1)

Country Link
CN (1) CN111652733B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036754A (zh) * 2020-06-30 2020-12-04 南昌木本医疗科技有限公司 基于区块链的金融大数据风控平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521434A (zh) * 2018-05-29 2018-09-11 广西电网有限责任公司 一种基于区块链技术的网络安全入侵检测系统
CN109544423A (zh) * 2018-10-16 2019-03-29 重庆金融资产交易所有限责任公司 资产管理方法、装置及计算机可读存储介质
CN109816507A (zh) * 2018-11-08 2019-05-28 深圳壹账通智能科技有限公司 金融资产数据的统计方法及装置、存储介质、计算机设备
CN110677864A (zh) * 2019-10-12 2020-01-10 长春工业大学 基于无线传感器网络的能量约束模糊c-均值聚类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521434A (zh) * 2018-05-29 2018-09-11 广西电网有限责任公司 一种基于区块链技术的网络安全入侵检测系统
CN109544423A (zh) * 2018-10-16 2019-03-29 重庆金融资产交易所有限责任公司 资产管理方法、装置及计算机可读存储介质
CN109816507A (zh) * 2018-11-08 2019-05-28 深圳壹账通智能科技有限公司 金融资产数据的统计方法及装置、存储介质、计算机设备
CN110677864A (zh) * 2019-10-12 2020-01-10 长春工业大学 基于无线传感器网络的能量约束模糊c-均值聚类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朴尚哲等: "模糊C均值算法的聚类有效性评价", 《模式识别与人工智能》 *
郑浦阳等: "珠三角地区城市金融竞争力的模糊聚类分析", 《闽江学院学报》 *
陈希等: "基于模糊聚类分析的汽车配件库存分类研究", 《制造业自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036754A (zh) * 2020-06-30 2020-12-04 南昌木本医疗科技有限公司 基于区块链的金融大数据风控平台
CN112036754B (zh) * 2020-06-30 2022-09-16 上海即科智能技术集团有限公司 基于区块链的金融大数据风控系统

Also Published As

Publication number Publication date
CN111652733B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN107633265B (zh) 用于优化信用评估模型的数据处理方法及装置
CA3024960C (en) Method,apparatus,and computer-readable medium for detecting anomalous user behavior
US11431578B2 (en) Method, apparatus, and device for determining network anomaly behavior, and readable storage medium
CN110111113B (zh) 一种异常交易节点的检测方法及装置
Ahalya et al. Data clustering approaches survey and analysis
TW201407154A (zh) 自動及手動缺陷分類之整合
CN107579846B (zh) 一种云计算故障数据检测方法及系统
CN109886284B (zh) 基于层次化聚类的欺诈检测方法及系统
Dong et al. Clustering based on grid and local density with priority-based expansion for multi-density data
CN110533116A (zh) 基于欧式距离的自适应集成的不平衡数据分类方法
CN110942099A (zh) 一种基于核心点保留的dbscan的异常数据识别检测方法
CN113537321B (zh) 一种基于孤立森林和x均值的网络流量异常检测方法
WO2018006631A1 (zh) 一种用户等级自动划分方法及系统
CN111950645A (zh) 一种通过改进随机森林提高类不平衡分类性能的方法
US11663466B2 (en) Counter data generation for data profiling using only true samples
CN110348516B (zh) 数据处理方法、装置、存储介质及电子设备
CN111652733B (zh) 基于云计算和区块链的金融信息管理系统
CN114549897A (zh) 一种分类模型的训练方法、装置及存储介质
Diao et al. Clustering by Detecting Density Peaks and Assigning Points by Similarity‐First Search Based on Weighted K‐Nearest Neighbors Graph
CN107423319B (zh) 一种垃圾网页检测方法
KR101133225B1 (ko) 자세 추정을 이용한 얼굴 인식 시스템 및 방법
CN115934699A (zh) 异常数据筛选方法、装置、电子设备及存储介质
KR101085066B1 (ko) 대용량 다속성 데이터집합에서 의미 있는 지식 탐사를 위한 연관 분류 방법
CN112418313B (zh) 一种大数据在线噪声过滤系统与方法
CN115392351A (zh) 风险用户识别方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210616

Address after: 276000 building e, phase III, Yigao Shanghai Street, Liuqing street, Lanshan District, Linyi City, Shandong Province

Applicant after: SHANDONG SHENDU NETWORK TECHNOLOGY Co.,Ltd.

Address before: 343400 Huangmen village, Lianzhou Township, Yongxin County, Ji'an City, Jiangxi Province

Applicant before: Li Guoan

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 276000 building e, phase III, Yigao Shanghai Street, Liuqing street, Lanshan District, Linyi City, Shandong Province

Patentee after: Shenzhen (Shandong) Digital Technology Group Co.,Ltd.

Address before: 276000 building e, phase III, Yigao Shanghai Street, Liuqing street, Lanshan District, Linyi City, Shandong Province

Patentee before: SHANDONG SHENDU NETWORK TECHNOLOGY Co.,Ltd.