CN112099766A - 一种灵活定制企业应用系统的需求管理工具集 - Google Patents

一种灵活定制企业应用系统的需求管理工具集 Download PDF

Info

Publication number
CN112099766A
CN112099766A CN202011291153.8A CN202011291153A CN112099766A CN 112099766 A CN112099766 A CN 112099766A CN 202011291153 A CN202011291153 A CN 202011291153A CN 112099766 A CN112099766 A CN 112099766A
Authority
CN
China
Prior art keywords
domain
function
application
functional
demand
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
CN202011291153.8A
Other languages
English (en)
Other versions
CN112099766B (zh
Inventor
王福民
冀单单
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.)
Beijing Hengxin Qihua Information Technology Co ltd
Original Assignee
Beijing Hengxin Qihua Information Technology Co ltd
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 Beijing Hengxin Qihua Information Technology Co ltd filed Critical Beijing Hengxin Qihua Information Technology Co ltd
Priority to CN202011291153.8A priority Critical patent/CN112099766B/zh
Publication of CN112099766A publication Critical patent/CN112099766A/zh
Application granted granted Critical
Publication of CN112099766B publication Critical patent/CN112099766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/10—Requirements analysis; Specification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种灵活定制企业应用系统的需求管理工具集，工具集包括应用域、功能域、状态域、流程域、统计域以及应用库，所述应用域、功能域、状态域、流程域、统计域和应用库是在数据库中建立的数据表或数据集；还包括处理模块；所述处理模块，一方面用于接收需求侧输入的需求侧信息，另一方面用于从所述工具集的数据库中获取数据库信息，所述处理模块上还运行有需求管理程序，可根据接收到的需求侧信息和工具集数据库中的数据，生成定制企业应用系统的功能系统模板。本发明所述需求管理工具集可通过深度预测网络，结合需求侧信息集合和工具集数据库中的数据快速生成最优模板系统，最大程度的降低系统在不同应用场合下的定制开发工作量。

Description

一种灵活定制企业应用系统的需求管理工具集
技术领域
本申请属于数据流处理系统和数据流预测领域，特别涉及一种灵活定制企业应用系统的需求管理工具集。
背景技术
企业在生产活动中往往需要定制多种应用系统，一些通用性较强的财务、进销存等ERP系统可以采用模板化的方法来应对企业定制需求。而企业应用业务系统，在不同的应用场景却有千差万别的定制需求，根本无法用模板化的方法来解决，都是采用工程师驻场详细了解需求，然后定制开发的方式，造成项目工期和成本居高不下，部署后即使功能微调也需要繁杂的项目重发布过程，给企业带来很大的成本浪费和使用不便的问题。
发明内容
本发明提供一种灵活定制企业应用系统的需求管理工具集，目的是解决企业应用业务系统，在不同的应用场景却有千差万别的定制需求，无法用模板化的方法来解决而造成的项目工期长和成本高的问题，以达到现降低企业定制业务应用系统的工作量和成本，实现灵活定制企业应用系统的技术效果。
本申请的技术方案如下：
一种灵活定制企业应用系统的需求管理工具集，所述工具集包括应用域、功能域、状态域、流程域、统计域以及应用库，所述应用域、功能域、状态域、流程域、统计域和应用库是在数据库中建立的数据表或数据集；还包括处理模块；
所述应用域，用于分门别类的对应用系统适用行业进行管理，并可为所述工具集中的任意功能关联应用域中的任意行业门类；
所述功能域，用于对应用系统的功能模块和功能点进行管理，所述功能模块是指在应用系统中能够完整实现某项系统功能的功能点的集合；
所述状态域，用于存储和管理工具集系统中所存储的企业组织机构、人员、设备类型等与企业属性有关的状态；
所述流程域，用于存储和管理与各功能模块相匹配的符合企业实际业务的流程；
所述统计域，用于统计和存储所述应用域、所述功能域、所述状态域及所述流程域中的数据统计；
所述应用库，用于存储和管理定制完成的企业应用系统实例；
所述处理模块，一方面用于接收需求侧输入的需求侧信息，另一方面用于从所述工具集的数据库中获取数据库信息，所述处理模块上还运行有需求管理程序，可根据接收到的需求侧信息和工具集数据库中的数据，生成定制企业应用系统的功能系统模板；
其中，所述应用域、所述功能域、所述状态域、所述流程域、所述统计域、所述应用库以及所述处理模块之间具有数据连接，可以互通数据。
进一步，所述工具集的使用流程如下：
获得企业需求侧信息，将所述需求侧信息记为集合
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
表示应用行业信息，
Figure DEST_PATH_IMAGE006
表示需求体系，
Figure DEST_PATH_IMAGE008
表示需求点信息，
Figure DEST_PATH_IMAGE010
表示企业状态信息，将需求侧信息
Figure DEST_PATH_IMAGE012
输入到所述处理模块，所述处理模块中运行的需求管理程序接收到需求侧信息
Figure 554331DEST_PATH_IMAGE012
后，再从所述应用域、所述功能域、所述状态域、所述流程域、所述统计域、所述应用库中提取数据库数据，生成最优模板系统；
另一方面，所述需求管理程序还将筛选功能模块和功能点补充到最优模板系统，并控制预测网络的重训练；然后采用调整流程功能和辅以软件定制开发工作即可完成最终的定制企业应用系统；
最终的定制企业应用系统的应用域信息、功能域信息、状态域信息、流程域信息分别存储到应用域、功能域、状态域、流程域中，所述最终的定制企业应用系统整体信息索引存储到应用库中，最后统计应用域、功能域、状态域、流程域以及应用库中的最新数据存入统计域中，完成所述工具集的自动迭代。
进一步，所述处理模块上运行有需求管理程序，所述需求管理程序处理需求管理的具体处理步骤包括：
S1 创建一个深度预测网络，并根据需求侧信息
Figure 282116DEST_PATH_IMAGE012
和工具集数据库数据预测一个最优模板系统；
S2 所述处理模块根据需求侧信息集合R中的需求体系信息
Figure 364342DEST_PATH_IMAGE006
和需求点信息
Figure 694829DEST_PATH_IMAGE008
从工具集的所述功能域中筛选功能模块和功能点，补充到最优模板系统，并控制预测网络的重训练；
S3 对于最优模板系统
Figure DEST_PATH_IMAGE014
中需要工作流调整的功能模块和功能点，调整所述功能模块和功能点的流程功能，并将功能模块和功能点的流程功能信息存储到所述流程域中；
S4 基于最优模板系统
Figure 14952DEST_PATH_IMAGE014
和调整好的流程功能，定制开发新功能模块或功能点，并将新功能模块或功能点存储到所述功能域中。
进一步，所述S1步骤中深度预测网络的结构；
深度预测网络的创建过程如下：
创建预测网络，所述预测网络由输入层、模式层、求和层和输出层组成，每个输入层神经元具有一个映射单元；
记所述预测网络的输入为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE020
，表示第i个输入数据集，n表示输入数据集的总维度，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE024
，表示第i个输入数据集的第j维数据，m表示输入数据集的总维度为m；
所述预测网络的输入层神经元个数等于输入数据集的总维度m，记对应于输入层神经元j的映射单元的映射函数为
Figure DEST_PATH_IMAGE026
，神经元j对应的权值函数记为
Figure DEST_PATH_IMAGE028
,引入一个用于控制映射函数
Figure 24889DEST_PATH_IMAGE026
输出的可训练参数
Figure DEST_PATH_IMAGE030
作为控制值，则权值函数
Figure 63253DEST_PATH_IMAGE028
为：
Figure DEST_PATH_IMAGE032
初始化
Figure DEST_PATH_IMAGE034
，即
Figure DEST_PATH_IMAGE036
；
输入层有m个神经元，输入的数据
Figure DEST_PATH_IMAGE038
通过映射单元进行映射,得到权值后，然后将
Figure DEST_PATH_IMAGE040
)输入到模式层中进行计算；
模式层的神经元个数与训练样本总数n相等，每个神经元节点都有一个中心，该中心为当前的训练样本，模式层采用非线性运算
Figure DEST_PATH_IMAGE042
对神经元进行激活，则模式层第p类模式的第
Figure DEST_PATH_IMAGE044
个神经元输出的概率为：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
为平滑因子，其取值决定了以样本点为中心的曲线宽度；
Figure DEST_PATH_IMAGE050
为第p类模式的第
Figure 511945DEST_PATH_IMAGE044
个隐中心矢量；
Figure DEST_PATH_IMAGE052
；
Figure DEST_PATH_IMAGE054
；
Figure DEST_PATH_IMAGE056
为类别为
Figure DEST_PATH_IMAGE058
的训练样本数，
Figure DEST_PATH_IMAGE060
，模式层的输出为该样本向量属于第p类模式的初始概率；
求和层的神经元个数与模式类别数P相等，求和层将模式层所有神经元输出的值属于同一类的初始概率进行加权平均，得到第p类模式的概率密度函数
Figure DEST_PATH_IMAGE062
：
Figure DEST_PATH_IMAGE064
输出层根据各类模式对输入向量的概率评估，选择具有最大后验概率的类别作为输出的类别，所述评估规则为：
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE068
其中，k为除p类模式外的任意一种模式，
Figure DEST_PATH_IMAGE070
为模式类型
Figure DEST_PATH_IMAGE072
的先验概率，
Figure DEST_PATH_IMAGE074
为模式类型
Figure DEST_PATH_IMAGE076
的先验概率；
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE080
，
Figure 109410DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE082
分别为模式类别为p、k，
Figure DEST_PATH_IMAGE084
，的训练样本数；
Figure DEST_PATH_IMAGE086
为将原本属于模式类型
Figure 583859DEST_PATH_IMAGE072
的数据样本错误地划分到异常类型
Figure 640677DEST_PATH_IMAGE076
的代价因子；
Figure DEST_PATH_IMAGE088
为将原本属于k类的数据样本错误地划分到类型
Figure 516229DEST_PATH_IMAGE072
的代价因子；
Figure 342102DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE090
分别为类型
Figure 910487DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE092
的概率密度函数；
从而得到输入样本所属模式类型，完成对输入数据集的功能模式分类输出，输出结果为一个包含多个功能类型的最优集合，即最优模板系统。
进一步，所述步骤S2 网络适配度的计算；
经S1步骤生成了一个最优模板系统后，处理模块根据需求体系信息
Figure 923442DEST_PATH_IMAGE006
和需求点信息
Figure 540369DEST_PATH_IMAGE008
从工具集的功能域中查询需求体系和需求点所对应的功能模块和功能点,并将查询到的功能模块和功能点与最优模板系统对比，筛选出从功能域中能查询到但预测网络
Figure DEST_PATH_IMAGE094
生成的最优模板系统中却没有的功能模块和功能点；记筛选出的功能模块为
Figure DEST_PATH_IMAGE096
，其中
Figure DEST_PATH_IMAGE098
表示筛选出的功能模块的个数；记筛选出的功能点为
Figure DEST_PATH_IMAGE100
，其中y表示筛选出的功能点的个数；
处理模块一方面将
Figure 82733DEST_PATH_IMAGE096
和
Figure 618756DEST_PATH_IMAGE100
补充到
Figure DEST_PATH_IMAGE102
中，形成新的最优模板系统
Figure 853429DEST_PATH_IMAGE014
;另一方面进行预测网络
Figure 742887DEST_PATH_IMAGE094
的适配度计算，适配度
Figure DEST_PATH_IMAGE104
，其中q表示权值系数，q为大于1的实数，设置适配度阈值为
Figure DEST_PATH_IMAGE106
，
Figure DEST_PATH_IMAGE108
，当
Figure DEST_PATH_IMAGE110
时，预测网络
Figure 667987DEST_PATH_IMAGE094
将根据工具集数据库中的数据集重新训练网络模型；当
Figure DEST_PATH_IMAGE112
时，预测网络
Figure 578174DEST_PATH_IMAGE094
保持当前网络模型不变。
本发明至少具有以下有益效果：
（1）本发明所述需求管理工具集可通过深度预测网络，结合需求侧信息集合和工具集数据库中的数据快速生成最优模板系统，最大程度的降低系统在不同应用场合下的定制开发工作量。
（2）本发明所述深度预测网络采用在输入层神经元上附加映射单元的方式既精准的保留输入数据类型的差异性，又不影响网络的收敛速度。
（3）本发明还引入了预测网络
Figure 99810DEST_PATH_IMAGE094
的适配度计算方法，可在所述需求管理工具集运行的全周期中自适应的进行预测网络的重训练，确保当应用背景或企业应用系统的方向性需求发生了较大变化时，所述需求管理工具集仍能自适应用户习惯，避免定制企业应用系统中定制工作量的突变。
附图说明
图1 本发明所述一种灵活定制企业应用系统的需求管理工具集结构框图；
图2 本发明所述一种深度预测网络的网络架构图；
图3 本发明所述一种需求管理方法的流程框图。
具体实施方式
下面将结合具体实施例和附图对本申请技术方案做详细说明：
参照图1，本发明所述需求管理工具集包括以下部分：
应用域10、功能域20、状态域30、流程域40、统计域50以及应用库60等六个库，所述需求管理工具集还具有处理模块100。
所述应用域10、功能域20、状态域30、流程域40、统计域50和应用库60是在数据库中建立的数据表或数据集。
所述应用域10，用于分门别类的对应用系统适用行业进行管理，并可为本发明所述管理工具集中的任意功能关联应用域中的任意行业门类；例如，在实际应用中，可将应用域按照国民经济行业分类进行管理，将应用域适用行业分为：农林牧副渔、采矿业、制造业、电力能源业等，并且在本发明所述的定制企业应用系统的运行过程中能够随时对应用域的行业进行增、删、改、查等管理动作。
所述功能域20，用于对应用系统的功能模块和功能点进行管理，所述功能模块是指在应用系统中能够完整实现某项系统功能的功能点的集合；例如，在实际应用中，功能域中可存放财务管理软件功能模块、生产管理软件功能模块、办公管理软件模块、销售软件模块等，并且在本发明所述的定制企业应用系统的运行过程中能够随时对功能域中的功能模块进行增、删、改、查等管理动作。
所述状态域30，用于存储和管理本发明所述工具集系统中所存储的企业组织机构、人员、设备类型等与企业属性有关的状态；例如，在实际应用中状态域可存储企业的组织机构、部门、人员明细以及包括设备的品牌、型号、功能、编号等与企业属性有关的状态数据。并且在本发明所述的定制企业应用系统的运行过程中能够随时对状态域中的状态数据进行增、删、改、查等管理动作。
所述流程域40，用于存储和管理与各功能模块相匹配的符合企业实际业务的流程；例如，在实际应用中，流程域可存储结合有功能模块、企业状态域的流程实例。
所述统计域50，用于统计和存储所述应用域、功能域、状态域、流程域中的数据统计，统计域可以从应用域、功能域、状态域以及流程域中获得各域的实际数据。
所述应用库60，用于存储和管理使用本发明所述工具集定制完成的企业应用系统实例。
所述处理模块100，一方面用于接收需求侧输入的需求侧信息，所述需求侧信息包括企业的应用行业信息、需求体系信息、需求点信息以及企业状态信息等；另一方面用于从管理工具集的数据库中获取数据库信息，所述数据库信息包括应用域信息、功能域信息、状态域信息、流程域信息，统计域信息以及应用库信息。处理模块100上还运行有需求管理程序，可根据接收到的需求侧信息和工具集数据库中的数据，生成定制企业应用系统的功能模板，进而最大程度降低定制开发工作量。
需要说明的是，所述应用域10、功能域20、状态域30、流程域40、统计域50、应用库60以及处理模块100之间具有数据连接，可以互通数据。
在定制企业应用系统的功能及软件开发全过程中，在需求侧可获得到企业应用系统的应用行业、需求体系、需求点以及企业属性相关的状态数据等企业需求侧信息，所述应用行业是指企业所属的行业门类；所述需求体系对应于工具集中的功能域，是通过需求调研可获取到的企业应用系统的模块功能，例如财务管理模块、办公自动化模块等。所述需求点是指企业应用系统的独立功能，例如定位功能、短信功能等。在获得了企业需求侧信息后，将所述需求侧信息记为集合
Figure 792959DEST_PATH_IMAGE002
，其中
Figure 447931DEST_PATH_IMAGE004
表示应用行业信息，
Figure 201124DEST_PATH_IMAGE006
表示需求体系，
Figure 207126DEST_PATH_IMAGE008
表示需求点信息，
Figure 438387DEST_PATH_IMAGE010
表示企业状态信息。将需求侧信息
Figure 213445DEST_PATH_IMAGE012
输入到处理模块100，处理模块100中运行的需求管理程序接收到需求侧信息
Figure 137539DEST_PATH_IMAGE012
后，再从应用域10、功能域20、状态域30、流程域40、统计域50、应用库60中提取数据库数据，生成最优模板系统，另一方面，所述需求管理程序还将筛选功能模块和功能点补充到最优模板系统，并控制预测网络的重训练。然后采用调整流程功能和辅以软件定制开发工作即可完成最终的定制企业应用系统。最终的定制企业应用系统的应用域信息、功能域信息、状态域信息、流程域信息分别存储到应用域10、功能域20、状态域30、流程域40中，所述最终定制企业应用系统整体信息索引存储到应用库60中，最后统计应用域10、功能域20、状态域30、流程域40以及应用库60中的最新数据存入统计域50中，完成本发明所述需求管理工具集的自动迭代。
所述需求管理程序的具体处理步骤如下：
S1 创建一个深度预测网络，并根据需求侧信息
Figure 630837DEST_PATH_IMAGE012
和工具集数据库数据预测一个最优模板系统。
深度预测网络的创建过程如下：
创建预测网络，参照图2，所述预测网络由输入层、模式层、求和层和输出层组成。每个输入层神经元具有一个映射单元，因为需求侧信息
Figure 665789DEST_PATH_IMAGE012
的非结构性，不同应用场合的需求侧信息
Figure 295354DEST_PATH_IMAGE012
的维度和数据元的结构各不相同，进而将导致预测网络无法正常工作。本发明采用在每个输入层神经元上附加一个映射单元的方式，当某个神经元输入为空或者无法被所述预测网络识别时，神经元的输入权值由映射单元的输出来代替；同时，对于结构性的输入层神经元，由于输入值的量级差异较大，现有技术一般采用数据归一化的方式来解决，而本发明输入层神经元的数值并非仅用于体现数据的差异，还用于体现数据类型的差异，若采用数据归一化，将弱化数据类型间的差异，导致网络训练无法收敛，采用本发明所述的在输入层神经元上附加映射单元的方式既能精准的保留输入数据类型的差异性，又不影响网络的收敛速度。记所述预测网络的输入为：
Figure 390349DEST_PATH_IMAGE016
，
其中，
Figure 105364DEST_PATH_IMAGE018
（
Figure 537482DEST_PATH_IMAGE020
）表示第i个输入数据集，n表示输入数据集的总维度。
Figure DEST_PATH_IMAGE114
表示第i个输入数据集的第j维数据，m表示输入数据集的总维度为m。
本发明所述预测网络的输入层神经元个数等于输入数据集的总维度m，记对应于输入层神经元j的映射单元的映射函数为
Figure 493324DEST_PATH_IMAGE026
，神经元j对应的权值函数记为
Figure 883854DEST_PATH_IMAGE028
,引入一个用于控制映射函数
Figure 695952DEST_PATH_IMAGE026
输出的可训练参数
Figure 462920DEST_PATH_IMAGE030
作为控制值，则权值函数
Figure 942443DEST_PATH_IMAGE028
为：
Figure DEST_PATH_IMAGE032A
初始化
Figure 35033DEST_PATH_IMAGE034
，即
Figure 459061DEST_PATH_IMAGE036
，使得在神经网络训练初期，所有映射
Figure DEST_PATH_IMAGE116
的参数所对应的梯度均消失，之后这些参数在训练过程中动态地产生合适的值。通过引入映射单元实现既能精准的保留输入数据类型的差异性，又不影响网络的收敛速度。
输入层有m个神经元，输入的数据
Figure 701823DEST_PATH_IMAGE038
通过映射单元进行映射,得到权值后，然后将
Figure 426066DEST_PATH_IMAGE040
)输入到模式层中进行计算。
模式层的神经元个数与训练样本总数n相等，每个神经元节点都有一个中心，该中心为当前的训练样本，模式层采用非线性运算
Figure 33765DEST_PATH_IMAGE042
对神经元进行激活，则模式层第p类模式的第
Figure 201879DEST_PATH_IMAGE044
个神经元输出的概率为：
Figure DEST_PATH_IMAGE046A
其中，
Figure 982753DEST_PATH_IMAGE048
为平滑因子，其取值决定了以样本点为中心的曲线宽度；
Figure 561502DEST_PATH_IMAGE050
为第p类模式的第
Figure 199157DEST_PATH_IMAGE044
个隐中心矢量；
Figure 738723DEST_PATH_IMAGE052
；
Figure 385605DEST_PATH_IMAGE054
；
Figure 694226DEST_PATH_IMAGE056
为类别为
Figure 768361DEST_PATH_IMAGE058
的训练样本数，
Figure 264065DEST_PATH_IMAGE060
。模式层的输出为该样本向量属于第p类模式的初始概率。
求和层的神经元个数与模式类别数P相等，求和层将模式层所有神经元输出的值属于同一类的初始概率进行加权平均，得到第p类模式的概率密度函数
Figure 714638DEST_PATH_IMAGE062
：
Figure DEST_PATH_IMAGE064A
输出层根据各类模式对输入向量的概率评估，选择具有最大后验概率的类别作为输出的类别。所述评估规则为：
Figure DEST_PATH_IMAGE066A
Figure DEST_PATH_IMAGE068A
其中，k为除p类模式外的任意一种模式，
Figure 661122DEST_PATH_IMAGE070
为模式类型
Figure 781524DEST_PATH_IMAGE072
的先验概率，
Figure 154737DEST_PATH_IMAGE074
为模式类型
Figure 877842DEST_PATH_IMAGE076
的先验概率；
Figure 895477DEST_PATH_IMAGE078
，
Figure 576994DEST_PATH_IMAGE080
，
Figure 312869DEST_PATH_IMAGE056
、
Figure 839665DEST_PATH_IMAGE082
分别为模式类别为p、
Figure DEST_PATH_IMAGE118
的训练样本数；
Figure 305281DEST_PATH_IMAGE086
为将原本属于模式类型
Figure 160629DEST_PATH_IMAGE072
的数据样本错误地划分到异常类型
Figure 118221DEST_PATH_IMAGE076
的代价因子；
Figure 714288DEST_PATH_IMAGE088
为将原本属于k类的数据样本错误地划分到类型
Figure 706514DEST_PATH_IMAGE072
的代价因子；
Figure 464255DEST_PATH_IMAGE062
、
Figure 174722DEST_PATH_IMAGE090
分别为类型
Figure 43321DEST_PATH_IMAGE072
、
Figure 890054DEST_PATH_IMAGE092
的概率密度函数。
从而得到输入样本所属模式类型，完成对输入数据集的功能模式分类输出，输出结果为一个包含多个功能类型的最优集合，即最优模板系统。
在实际应用中，深度预测网络的输入
Figure DEST_PATH_IMAGE120
，其中
Figure DEST_PATH_IMAGE122
，其中
Figure 146592DEST_PATH_IMAGE012
为需求侧信息集合，
Figure DEST_PATH_IMAGE124
为应用域中所有数据记录的集合，
Figure DEST_PATH_IMAGE126
为功能域中所有数据记录的集合，
Figure DEST_PATH_IMAGE128
为状态域中所有数据记录的集合，
Figure DEST_PATH_IMAGE130
为流程域中所有数据记录的集合，
Figure DEST_PATH_IMAGE132
为统计域中所有数据记录的集合，
Figure DEST_PATH_IMAGE134
为应用库中第v个实例的数据记录集合。
这样便建立了本发明所述的深度预测网络
Figure 862131DEST_PATH_IMAGE094
，可以根据需求侧信息集合
Figure 534421DEST_PATH_IMAGE012
和工具集数据库中各域（库）的数据，将X输入到
Figure 501240DEST_PATH_IMAGE094
，便可预测一个最优的企业应用系统功能模板系统
Figure 600783DEST_PATH_IMAGE102
。
S2 处理模块100根据需求侧信息集合R中的需求体系信息
Figure 285842DEST_PATH_IMAGE006
和需求点信息
Figure 761823DEST_PATH_IMAGE008
从工具集的功能域20中筛选功能模块和功能点，补充到最优模板系统，并控制预测网络的重训练。
经S1步骤生成了一个最优的企业应用系统功能模板系统（简称“最优模板系统”）后，处理模块100根据需求体系信息
Figure 583149DEST_PATH_IMAGE006
和需求点信息
Figure 588014DEST_PATH_IMAGE008
从工具集的功能域20中查询需求体系和需求点所对应的功能模块和功能点,并将查询到的功能模块和功能点与最优模板系统对比，筛选出从功能域20中能查询到但预测网络
Figure 494790DEST_PATH_IMAGE094
生成的最优模板系统中却没有的功能模块和功能点。记筛选出的功能模块为
Figure 508882DEST_PATH_IMAGE096
，其中
Figure 309348DEST_PATH_IMAGE098
表示筛选出的功能模块的个数；记筛选出的功能点为
Figure 891639DEST_PATH_IMAGE100
，其中y表示筛选出的功能点的个数。
处理模块100一方面将
Figure 424994DEST_PATH_IMAGE096
和
Figure 118143DEST_PATH_IMAGE100
补充到
Figure 38695DEST_PATH_IMAGE102
中，形成新的最优模板系统
Figure 526308DEST_PATH_IMAGE014
;另一方面进行预测网络
Figure 266731DEST_PATH_IMAGE094
的适配度计算，适配度
Figure 622626DEST_PATH_IMAGE104
，其中q（q为大于1的实数）表示权值系数。设置适配度阈值为
Figure DEST_PATH_IMAGE136
，当
Figure 7471DEST_PATH_IMAGE110
时，预测网络
Figure 56198DEST_PATH_IMAGE094
将根据本发明所述需求管理工具集数据库中的数据集重新训练网络模型，所述根据现有数据集重新训练网络模型为现有技术，在此不做过多阐述；当
Figure 424862DEST_PATH_IMAGE112
时，预测网络
Figure 584448DEST_PATH_IMAGE094
保持当前网络模型不变。这样处理的有益效果是：随着本发明所述需求管理工具集中数据的不断积累，当应用背景或企业应用系统的方向性需求发生了较大变化时，所述需求管理工具集仍能自适应用户习惯，避免定制企业应用系统中定制工作量的突变。
S3 对于最优模板系统
Figure 948434DEST_PATH_IMAGE014
中需要工作流调整的功能模块和功能点，调整所述功能模块和功能点的流程功能，并将功能模块和功能点的流程功能信息存储到流程域40中。
根据最优模板系统
Figure 43429DEST_PATH_IMAGE014
，若其中的某个功能模块或功能点的工作流与实际应用情况不符，则调整所述功能模块和功能点的流程功能，使得流程功能符合实际的工作流。所述根据实际应用来调整工作流可以采用图形化调整或定制化调整以获得符合实际应用的流程功能，为现有技术，在此不做过多阐述。调整好的流程功能，处理模块100将功能模块和功能点对应的流程功能信息存储到流程域40中。
S4 基于最优模板系统
Figure 758444DEST_PATH_IMAGE014
和调整好的流程功能，定制开发新功能模块或功能点，并将新功能模块或功能点存储到功能域20中。
基于最优模板系统
Figure 597087DEST_PATH_IMAGE014
和调整好的流程功能，若还存在无法满足需求侧信息集合R中的需求体系和需求点的，采用定制开发的方式来实现所有功能，并将定制开发的新功能模块或功能点存储到功能域20中。
综上，便实现了本发明所述的一种灵活定制企业应用系统的需求管理工具集，所述需求管理工具集可通过深度预测网络，结合需求侧信息集合和工具集数据库中的数据快速生成最优模板系统，最大程度的降低系统在不同应用场合下的定制开发工作量；本发明所述深度预测网络采用在输入层神经元上附加映射单元的方式既精准的保留输入数据类型的差异性，又不影响网络的收敛速度。本发明还引入了预测网络
Figure 349667DEST_PATH_IMAGE094
的适配度计算方法，可在所述需求管理工具集运行的全周期中自适应的进行预测网络的重训练，确保当应用背景或企业应用系统的方向性需求发生了较大变化时，所述需求管理工具集仍能自适应用户习惯，避免定制企业应用系统中定制工作量的突变。
可以理解的是，以上仅是本发明的较佳实施例，并不用于限定本发明，任何基于本发明或本发明的精神所做的改动，均应包含在本发明的保护范围。

Claims (5)

1.一种灵活定制企业应用系统的需求管理工具集，其特征在于，所述工具集包括应用域、功能域、状态域、流程域、统计域以及应用库，所述应用域、功能域、状态域、流程域、统计域和应用库是在数据库中建立的数据表或数据集；还包括处理模块；
所述应用域，用于分门别类的对应用系统适用行业进行管理，并可为所述工具集中的任意功能关联应用域中的任意行业门类；
所述功能域，用于对应用系统的功能模块和功能点进行管理，所述功能模块是指在应用系统中能够完整实现某项系统功能的功能点的集合；
所述状态域，用于存储和管理工具集系统中所存储的企业组织机构、人员、设备类型等与企业属性有关的状态；
所述流程域，用于存储和管理与各功能模块相匹配的符合企业实际业务的流程；
所述统计域，用于统计和存储所述应用域、所述功能域、所述状态域及所述流程域中的数据统计；
所述应用库，用于存储和管理定制完成的企业应用系统实例；
所述处理模块，一方面用于接收需求侧输入的需求侧信息，另一方面用于从所述工具集的数据库中获取数据库信息，所述处理模块上还运行有需求管理程序，可根据接收到的需求侧信息和工具集数据库中的数据，生成定制企业应用系统的功能系统模板；
其中，所述应用域、所述功能域、所述状态域、所述流程域、所述统计域、所述应用库以及所述处理模块之间具有数据连接，可以互通数据。
2.如权利要求1所述的灵活定制企业应用系统的需求管理工具集，其特征在于，所述工具集的使用流程如下：
获得企业需求侧信息，将所述需求侧信息记为集合
Figure DEST_PATH_IMAGE001
，其中
Figure 907859DEST_PATH_IMAGE002
表示应用行业信息，
Figure DEST_PATH_IMAGE003
表示需求体系，
Figure 118261DEST_PATH_IMAGE004
表示需求点信息，
Figure DEST_PATH_IMAGE005
表示企业状态信息，将需求侧信息
Figure 860958DEST_PATH_IMAGE006
输入到所述处理模块，所述处理模块中运行的需求管理程序接收到需求侧信息
Figure 272348DEST_PATH_IMAGE006
后，再从所述应用域、所述功能域、所述状态域、所述流程域、所述统计域、所述应用库中提取数据库数据，生成最优模板系统；
另一方面，所述需求管理程序还将筛选功能模块和功能点补充到最优模板系统，并控制预测网络的重训练；然后采用调整流程功能和辅以软件定制开发工作即可完成最终的定制企业应用系统；
最终的定制企业应用系统的应用域信息、功能域信息、状态域信息、流程域信息分别存储到应用域、功能域、状态域、流程域中，所述最终的定制企业应用系统整体信息索引存储到应用库中，最后统计应用域、功能域、状态域、流程域以及应用库中的最新数据存入统计域中，完成所述工具集的自动迭代。
3.如权利要求2所述的灵活定制企业应用系统的需求管理工具集，其特征在于，所述处理模块上运行有需求管理程序，所述需求管理程序处理需求管理的具体处理步骤包括：
S1 创建一个深度预测网络，并根据需求侧信息
Figure 569337DEST_PATH_IMAGE006
和工具集数据库数据预测一个最优模板系统；
S2 所述处理模块根据需求侧信息集合R中的需求体系信息
Figure 458795DEST_PATH_IMAGE003
和需求点信息
Figure 728103DEST_PATH_IMAGE004
从工具集的所述功能域中筛选功能模块和功能点，补充到最优模板系统，并控制预测网络的重训练；
S3 对于最优模板系统
Figure DEST_PATH_IMAGE007
中需要工作流调整的功能模块和功能点，调整所述功能模块和功能点的流程功能，并将功能模块和功能点的流程功能信息存储到所述流程域中；
S4 基于最优模板系统
Figure 169448DEST_PATH_IMAGE007
和调整好的流程功能，定制开发新功能模块或功能点，并将新功能模块或功能点存储到所述功能域中。
4.如权利要求3所述的灵活定制企业应用系统的需求管理工具集，其特征在于，所述S1步骤中深度预测网络的结构；
深度预测网络的创建过程如下：
创建预测网络，所述预测网络由输入层、模式层、求和层和输出层组成，每个输入层神经元具有一个映射单元；
记所述预测网络的输入为：
Figure 691084DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
，
Figure 446550DEST_PATH_IMAGE010
，表示第i个输入数据集，n表示输入数据集的总维度；
Figure DEST_PATH_IMAGE011
，
Figure 898260DEST_PATH_IMAGE012
，表示第i个输入数据集的第j维数据，m表示输入数据集的总维度为m；
所述预测网络的输入层神经元个数等于输入数据集的总维度m，记对应于输入层神经元j的映射单元的映射函数为
Figure DEST_PATH_IMAGE013
，神经元j对应的权值函数记为
Figure 510507DEST_PATH_IMAGE014
,引入一个用于控制映射函数
Figure 391876DEST_PATH_IMAGE013
输出的可训练参数
Figure DEST_PATH_IMAGE015
作为控制值，则权值函数
Figure 482191DEST_PATH_IMAGE014
为：
Figure 257249DEST_PATH_IMAGE016
初始化
Figure DEST_PATH_IMAGE017
，即
Figure 712501DEST_PATH_IMAGE018
；
输入层有m个神经元，输入的数据
Figure DEST_PATH_IMAGE019
通过映射单元进行映射，得到权值后，然后将
Figure 931431DEST_PATH_IMAGE020
)输入到模式层中进行计算；
模式层的神经元个数与训练样本总数n相等，每个神经元节点都有一个中心，该中心为当前的训练样本，模式层采用非线性运算
Figure DEST_PATH_IMAGE021
对神经元进行激活，则模式层第p类模式的第
Figure DEST_PATH_IMAGE023
个神经元输出的概率为：
Figure 356596DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为平滑因子，其取值决定了以样本点为中心的曲线宽度；
Figure 986161DEST_PATH_IMAGE026
为第p类模式的第
Figure 940210DEST_PATH_IMAGE023
个隐中心矢量；
Figure DEST_PATH_IMAGE027
；
Figure 592909DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
为类别为
Figure 290606DEST_PATH_IMAGE030
的训练样本数，
Figure DEST_PATH_IMAGE031
，模式层的输出为该样本向量属于第p类模式的初始概率；
求和层的神经元个数与模式类别数P相等，求和层将模式层所有神经元输出的值属于同一类的初始概率进行加权平均，得到第p类模式的概率密度函数
Figure 574345DEST_PATH_IMAGE032
：
Figure 840241DEST_PATH_IMAGE034
输出层根据各类模式对输入向量的概率评估，选择具有最大后验概率的类别作为输出的类别，所述评估规则为：
Figure 42552DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE037
其中，k为除p类模式外的任意一种模式，
Figure 543941DEST_PATH_IMAGE038
为模式类型
Figure DEST_PATH_IMAGE039
的先验概率，
Figure 616939DEST_PATH_IMAGE040
为模式类型
Figure DEST_PATH_IMAGE041
的先验概率；
Figure 850474DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
，
Figure 274502DEST_PATH_IMAGE029
、
Figure 579581DEST_PATH_IMAGE044
分别为模式类别为p、k，
Figure DEST_PATH_IMAGE045
，的训练样本数；
Figure 710349DEST_PATH_IMAGE046
为将原本属于模式类型
Figure 445611DEST_PATH_IMAGE039
的数据样本错误地划分到异常类型
Figure 497881DEST_PATH_IMAGE041
的代价因子；
Figure DEST_PATH_IMAGE047
为将原本属于k类的数据样本错误地划分到类型
Figure 809913DEST_PATH_IMAGE039
的代价因子；
Figure 654241DEST_PATH_IMAGE032
、
Figure 432841DEST_PATH_IMAGE048
分别为类型
Figure 97041DEST_PATH_IMAGE039
、
Figure DEST_PATH_IMAGE049
的概率密度函数；
从而得到输入样本所属模式类型，完成对输入数据集的功能模式分类输出，输出结果为一个包含多个功能类型的最优集合，即最优模板系统。
5.如权利要求4所述的灵活定制企业应用系统的需求管理工具集，其特征在于，所述步骤S2 网络适配度的计算；
经S1步骤生成了一个最优模板系统后，处理模块根据需求体系信息
Figure 416027DEST_PATH_IMAGE003
和需求点信息
Figure 849282DEST_PATH_IMAGE004
从工具集的功能域中查询需求体系和需求点所对应的功能模块和功能点,并将查询到的功能模块和功能点与最优模板系统对比，筛选出从功能域中能查询到但预测网络
Figure 798784DEST_PATH_IMAGE050
生成的最优模板系统中却没有的功能模块和功能点；记筛选出的功能模块为
Figure DEST_PATH_IMAGE051
，其中
Figure 419121DEST_PATH_IMAGE052
表示筛选出的功能模块的个数；记筛选出的功能点为
Figure DEST_PATH_IMAGE053
，其中y表示筛选出的功能点的个数；
处理模块一方面将
Figure 338535DEST_PATH_IMAGE051
和
Figure 629227DEST_PATH_IMAGE053
补充到
Figure 749630DEST_PATH_IMAGE054
中，形成新的最优模板系统
Figure 591684DEST_PATH_IMAGE007
；另一方面进行预测网络
Figure 580368DEST_PATH_IMAGE050
的适配度计算，适配度
Figure DEST_PATH_IMAGE055
，其中q表示权值系数，q为大于1的实数，设置适配度阈值为
Figure 457057DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
，当
Figure 607416DEST_PATH_IMAGE058
时，预测网络
Figure 343291DEST_PATH_IMAGE050
将根据工具集数据库中的数据集重新训练网络模型；当
Figure DEST_PATH_IMAGE059
时，预测网络
Figure 932404DEST_PATH_IMAGE050
保持当前网络模型不变。
CN202011291153.8A 2020-11-18 2020-11-18 一种灵活定制企业应用系统的需求管理工具集 Active CN112099766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011291153.8A CN112099766B (zh) 2020-11-18 2020-11-18 一种灵活定制企业应用系统的需求管理工具集

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011291153.8A CN112099766B (zh) 2020-11-18 2020-11-18 一种灵活定制企业应用系统的需求管理工具集

Publications (2)

Publication Number Publication Date
CN112099766A true CN112099766A (zh) 2020-12-18
CN112099766B CN112099766B (zh) 2021-03-19

Family

ID=73786021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011291153.8A Active CN112099766B (zh) 2020-11-18 2020-11-18 一种灵活定制企业应用系统的需求管理工具集

Country Status (1)

Country Link
CN (1) CN112099766B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504936A (zh) * 2021-06-02 2021-10-15 深圳市广和通无线股份有限公司 软件版本发布方法、计算机设备及存储介质
CN116308170A (zh) * 2023-03-21 2023-06-23 北京中关村软件园孵化服务有限公司 一种应用于数字孵化服务平台的管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294475A (zh) * 2013-06-08 2013-09-11 北京邮电大学 基于图形化业务场景和领域模板的业务自动生成系统和方法
CN103793226A (zh) * 2014-01-16 2014-05-14 西北工业大学 一种普适应用代码框架快速生成方法及原型系统
CN103995692A (zh) * 2013-02-16 2014-08-20 马侠安 构建动态应用系统的vnms
CN104272294A (zh) * 2012-07-31 2015-01-07 惠普发展公司，有限责任合伙企业 系统架构生成
CN104965714A (zh) * 2015-07-27 2015-10-07 广州杰赛科技股份有限公司 应用软件的代码生成方法和系统
US20200167659A1 (en) * 2018-11-27 2020-05-28 Electronics And Telecommunications Research Institute Device and method for training neural network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104272294A (zh) * 2012-07-31 2015-01-07 惠普发展公司，有限责任合伙企业 系统架构生成
CN103995692A (zh) * 2013-02-16 2014-08-20 马侠安 构建动态应用系统的vnms
CN103294475A (zh) * 2013-06-08 2013-09-11 北京邮电大学 基于图形化业务场景和领域模板的业务自动生成系统和方法
CN103793226A (zh) * 2014-01-16 2014-05-14 西北工业大学 一种普适应用代码框架快速生成方法及原型系统
CN104965714A (zh) * 2015-07-27 2015-10-07 广州杰赛科技股份有限公司 应用软件的代码生成方法和系统
US20200167659A1 (en) * 2018-11-27 2020-05-28 Electronics And Telecommunications Research Institute Device and method for training neural network

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504936A (zh) * 2021-06-02 2021-10-15 深圳市广和通无线股份有限公司 软件版本发布方法、计算机设备及存储介质
CN113504936B (zh) * 2021-06-02 2024-01-05 深圳市广和通无线股份有限公司 软件版本发布方法、计算机设备及存储介质
CN116308170A (zh) * 2023-03-21 2023-06-23 北京中关村软件园孵化服务有限公司 一种应用于数字孵化服务平台的管理方法及系统
CN116308170B (zh) * 2023-03-21 2023-10-13 北京中关村软件园孵化服务有限公司 一种应用于数字孵化服务平台的管理方法及系统

Also Published As

Publication number Publication date
CN112099766B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
Kaastra et al. Designing a neural network for forecasting financial and economic time series
CN107967575B (zh) 一种人工智能保险咨询服务人工智能平台系统
Lacher et al. A neural network for classifying the financial health of a firm
CN106462795B (zh) 用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法
WO2005081902A2 (en) Systems and methods for multi-objective portfolio optimization
CN112099766B (zh) 一种灵活定制企业应用系统的需求管理工具集
WO2005081903A2 (en) Systems and methods for multi-objective portfolio analysis and decision-making using visualization techniques
CN108549685A (zh) 行为分析方法、装置、系统及可读存储介质
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
Azouz et al. Adaptive smart card-based pull control systems in context-aware manufacturing systems: Training a neural network through multi-objective simulation optimization
Bonisone et al. Evolutionary optimization of fuzzy decision systems for automated insurance underwriting
CN114936168B (zh) 一种真实用户智能感知系统中的测试用例自动生成方法
CN110502739A (zh) 结构化输入的机器学习模型的构建
Mohamed et al. Artificial neural networks in data mining
Sikora et al. A double-layered learning approach to acquiring rules for classification: Integrating genetic algorithms with similarity-based learning
CN111144554B (zh) 基于模块分解的智能响应方法、装置、介质、设备
Noorul Haq et al. Effect of forecasting on the multi-echelon distribution inventory supply chain cost using neural network, genetic algorithm and particle swarm optimisation
Cortez et al. Time series forecasting by evolutionary neural networks
Kim et al. Identifying the impact of decision variables for nonlinear classification tasks
Naveen et al. Differential evolution trained radial basis function network: application to bankruptcy prediction in banks
Yan et al. Designing a neural network decision system for automated insurance underwriting
Wang et al. Novel SKU classification approach for autonomous inventory planning
Egbunike et al. A comparative study of genetic algorithm and neural network model in bankruptcy prediction of manufacturing firms in Nigeria
Taha et al. Knowledge-based DSS for construction contractor prescreening
Sekhar et al. Training of artificial neural networks in data mining

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Requirements Management Toolset for Flexible Customization of Enterprise Application Systems

Effective date of registration: 20230926

Granted publication date: 20210319

Pledgee: Zhongguancun Branch of Bank of Beijing Co.,Ltd.

Pledgor: Beijing Hengxin Qihua Information Technology Co.,Ltd.

Registration number: Y2023110000420