CN112686337B - 一种基于深度优先算法的跨平台信用信息融合方法 - Google Patents

一种基于深度优先算法的跨平台信用信息融合方法 Download PDF

Info

Publication number
CN112686337B
CN112686337B CN202110180204.8A CN202110180204A CN112686337B CN 112686337 B CN112686337 B CN 112686337B CN 202110180204 A CN202110180204 A CN 202110180204A CN 112686337 B CN112686337 B CN 112686337B
Authority
CN
China
Prior art keywords
credit
platform
algorithm
depth
target
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.)
Active
Application number
CN202110180204.8A
Other languages
English (en)
Other versions
CN112686337A (zh
Inventor
张晓东
姚远
吕从东
沈虹
周晨旭
王伟业
王昊宇
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.)
NANJING AUDIT UNIVERSITY
Original Assignee
NANJING AUDIT UNIVERSITY
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 NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN202110180204.8A priority Critical patent/CN112686337B/zh
Publication of CN112686337A publication Critical patent/CN112686337A/zh
Application granted granted Critical
Publication of CN112686337B publication Critical patent/CN112686337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度优先算法的跨平台信用信息融合方法，包括，利用深度优先算法构建平台信用评级模型，并进行模型化信用基元解析；利用高斯函数进行积分运算，得到极限最小值，将其作为优先算法的主体；将解析得到的信用评级作为优化量，根据随机模型融合出最终的综合信用值。本发明通过深度优先算法解析基元、高斯函数求解积分、随机模型融合，消除了跨平台信用主体信息中不对称、不完备、信用孤立、数据隐私和安全的问题，使得对同一信用主体的信用评级一致，信息融合效率更高。

Description

一种基于深度优先算法的跨平台信用信息融合方法
技术领域
本发明涉及跨平台信用信息融合的技术领域，尤其涉及一种基于深度优先算法的跨平台信用信息融合方法。
背景技术
在跨平台或跨领域环境下，信用主体信息存在不对称、不完备、信用孤立、数据隐私和安全等问题，导致对同一信用主体的信用评级不一致，在融合时存在冲突。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于深度优先算法的跨平台信用信息融合方法，能够解决跨平台信息融合存在冲突的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，利用深度优先算法构建平台信用评级模型，并进行模型化信用基元解析；利用高斯函数进行积分运算，得到极限最小值，将其作为优先算法的主体；将解析得到的信用评级作为优化量，根据随机模型融合出最终的综合信用值；
其中，所述基元解析包括，
Figure 170798DEST_PATH_IMAGE001
其中，
Figure 324699DEST_PATH_IMAGE002
：可行解集合，
Figure 128576DEST_PATH_IMAGE003
表示平台信息数据特征点
Figure 481060DEST_PATH_IMAGE004
，
Figure 954766DEST_PATH_IMAGE005
：该集合中曲率突变处的总数，即目标参考点数量，
Figure 64805DEST_PATH_IMAGE006
：优化配准融合指标，α为特征常数，T为基元节点，t为阶段节点，W为基元权值，s为时间值。
其中，得到所述极限最小值包括，利用应用环境将平台信息数据目标点程序化；调用多目标算法并关联程序化后的所述平台信息数据目标点；利用多目标优化策略将初步判断结果产生的变量赋值到所述平台信用评级模型内进行求解计算；
其中，还包括，获得多组满足约束条件的可行解并加以比较，选定出所述极限最小值；重复多次计算，得到可行解集合及Pareto最优解集；提取所述解集中最佳解作为最终的所述极限最小值。
作为本发明所述的基于深度优先算法的跨平台信用信息融合方法的一种优选方案，其中：所述随机模型融合包括，
Figure 403864DEST_PATH_IMAGE007
其中，
Figure 407592DEST_PATH_IMAGE008
和
Figure 193145DEST_PATH_IMAGE009
就是两平台信息数据目标点中的一对对应点, R与T旋转平移融合矩阵。
作为本发明所述的基于深度优先算法的跨平台信用信息融合方法的一种优选方案，其中：利用最小二乘支持向量机选取径向基函数作为所述随机模型的目标函数，如下式：
Figure 774168DEST_PATH_IMAGE010
其中，
Figure 998476DEST_PATH_IMAGE011
：平台信息数据目标点历史特性向量组成的截图特性矩阵，y：平台信息数据优化特性向量，
Figure 856711DEST_PATH_IMAGE012
：核宽度，反应了分布、范围特性，|| ||代表权值界限运算。
作为本发明所述的基于深度优先算法的跨平台信用信息融合方法的一种优选方案，其中：还包括，初始化惩罚参数C和所述
Figure 547586DEST_PATH_IMAGE012
，利用历史信息数据构建的数据集对所述目标函数进行训练和测试；设定精度要求，若所述目标函数精度未达到要求，则根据误差对所述C和所述
Figure 881484DEST_PATH_IMAGE012
进行赋值优化，直到测试数据精度达到所述精度要求；设定阈值并输出训练完成的所述目标函数，将其作为所述随机模型的目标函数。
本发明的有益效果：本发明通过深度优先算法解析基元、高斯函数求解积分、随机模型融合，消除了跨平台信用主体信息中不对称、不完备、信用孤立、数据隐私和安全的问题，使得对同一信用主体的信用评级一致，信息融合效率更高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于深度优先算法的跨平台信用信息融合方法的流程示意图；
图2为本发明一个实施例所述的基于深度优先算法的跨平台信用信息融合方法的实验对比曲线输出示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2，为本发明的第一个实施例，提供了一种基于深度优先算法的跨平台信用信息融合方法，包括：
S1：利用深度优先算法构建平台信用评级模型，并进行模型化信用基元解析。
具体的，基元解析包括：
Figure 440642DEST_PATH_IMAGE001
其中，
Figure 622224DEST_PATH_IMAGE002
：可行解集合，
Figure 484001DEST_PATH_IMAGE003
表示平台信息数据特征点
Figure 305195DEST_PATH_IMAGE004
，
Figure 402464DEST_PATH_IMAGE005
：该集合中曲率突变处的总数，即目标参考点数量，
Figure 376237DEST_PATH_IMAGE006
：优化配准融合指标，α为特征常数，T为基元节点，t为阶段节点，W为基元权值，s为时间值。
S2：利用高斯函数进行积分运算，得到极限最小值，将其作为优先算法的主体。本步骤需要说明的是，得到极限最小值包括：
利用应用环境将平台信息数据目标点程序化；
调用多目标算法并关联程序化后的平台信息数据目标点；
利用多目标优化策略将初步判断结果产生的变量赋值到平台信用评级模型内进行求解计算；
获得多组满足约束条件的可行解并加以比较，选定出所述极限最小值，求得极限最小值的优选解；
重复多次计算，得到可行解集合及Pareto最优解集；
提取解集中最佳解作为最终的极限最小值。
S3：将解析得到的信用评级作为优化量，根据随机模型融合出最终的综合信用值。其中还需要说明的是，随机模型融合包括：
Figure 736811DEST_PATH_IMAGE007
其中，
Figure 655088DEST_PATH_IMAGE013
和
Figure 949191DEST_PATH_IMAGE014
就是两平台信息数据目标点中的一对对应点, R与T旋转平移融合矩阵。
进一步的，还包括：
用最小二乘支持向量机选取径向基函数作为随机模型的目标函数，如下式：
Figure 246311DEST_PATH_IMAGE010
其中，
Figure 840104DEST_PATH_IMAGE015
：平台信息数据目标点历史特性向量组成的截图特性矩阵，y：平台信息数据优化特性向量，
Figure 104732DEST_PATH_IMAGE012
：核宽度，反应了分布、范围特性，|| ||代表权值界限运算；
初始化惩罚参数C和
Figure 950328DEST_PATH_IMAGE012
，利用历史信息数据构建的数据集对目标函数进行训练和测试；
设定精度要求，若目标函数精度未达到要求，则根据误差对C和
Figure 757747DEST_PATH_IMAGE012
进行赋值优化，直到测试数据精度达到精度要求；
设定阈值并输出训练完成的目标函数，将其作为随机模型的目标函数。
优选的，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择传统的平台信用信息融合传输方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统的平台信用信息融合传输方法具有冲突性，信息融合传输效率较低、安全隐私性不高，为验证本发明方法相较于传统方法具有较高的融合传输效率和安全隐私性，本实施例中将采用传统方法与本发明方法分别对仿真平台的信用信息融合进行实时测量对比。
测试环境：将仿真平台运行在仿真平台模拟行驶并模拟信息融合传输场景，采用历史云端存储的信用信息数据文件作为测试样本，分别利用传统方法的多目标优化操作进行测试并获得测试结果，采用本发明方法，则开启自动化测试设备并运用MATLB实现本发明方法的仿真测试，根据实验结果得到仿真数据；每种方法各测试100组数据，计算获得每组数据的时间和误差均方根。
参照图2，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，根据图2的示意，能够直观的看出，实线与虚线随着时间的增加，呈现不同的走势，实线相较于虚线，在前期一直呈稳定的上升趋势，虽然后期有所下滑，但是波动不大，且一直在虚线的上方，并保持一定的距离，而虚线则呈现较大的波动趋势，不稳定，由此，实线的效率一直大于虚线，即验证了本发明方法所具有的真实效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，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精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于深度优先算法的跨平台信用信息融合方法，其特征在于：包括，
利用深度优先算法构建平台信用评级模型，并进行模型化信用基元解析；
利用高斯函数进行积分运算，得到极限最小值，将其作为优先算法的主体；
将解析得到的信用评级作为优化量，根据随机模型融合出最终的综合信用值；
其中，所述基元解析包括，
Figure 64372DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
：可行解集合，
Figure 615963DEST_PATH_IMAGE003
表示平台信息数据特征点
Figure DEST_PATH_IMAGE004
，
Figure 734092DEST_PATH_IMAGE005
：该集合中曲率突变处的总数，即目标参考点数量，
Figure DEST_PATH_IMAGE006
：优化配准融合指标，α为特征常数，T为基元节点，t为阶段节点，W为基元权值，s为时间值；
其中，得到所述极限最小值包括：
利用应用环境将平台信息数据目标点程序化；
调用多目标算法并关联程序化后的所述平台信息数据目标点；
利用多目标优化策略将初步判断结果产生的变量赋值到所述平台信用评级模型内进行求解计算；
其中，还包括：
获得多组满足约束条件的可行解并加以比较，选定出所述极限最小值；
重复多次计算，得到可行解集合及Pareto最优解集；
提取所述解集中最佳解作为最终的所述极限最小值。
2.根据权利要求1所述的基于深度优先算法的跨平台信用信息融合方法，其特征在于：所述随机模型融合包括，
Figure 51810DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
和
Figure 784142DEST_PATH_IMAGE009
就是两平台信息数据目标点中的一对对应点, R与T旋转平移融合矩阵。
3.根据权利要求2所述的基于深度优先算法的跨平台信用信息融合方法，其特征在于：利用最小二乘支持向量机选取径向基函数作为所述随机模型的目标函数，如下式：
Figure DEST_PATH_IMAGE010
其中，
Figure 570833DEST_PATH_IMAGE011
：平台信息数据目标点历史特性向量组成的截图特性矩阵，y：平台信息数据优化特性向量，
Figure DEST_PATH_IMAGE012
：核宽度，反应了分布、范围特性，|| ||代表权值界限运算。
4.根据权利要求3所述的基于深度优先算法的跨平台信用信息融合方法，其特征在于：还包括，
初始化惩罚参数C和所述
Figure 273078DEST_PATH_IMAGE012
，利用历史信息数据构建的数据集对所述目标函数进行训练和测试；
设定精度要求，若所述目标函数精度未达到要求，则根据误差对所述C和所述
Figure 664877DEST_PATH_IMAGE012
进行赋值优化，直到测试数据精度达到所述精度要求；
设定阈值并输出训练完成的所述目标函数，将其作为所述随机模型的目标函数。
CN202110180204.8A 2021-02-08 2021-02-08 一种基于深度优先算法的跨平台信用信息融合方法 Active CN112686337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180204.8A CN112686337B (zh) 2021-02-08 2021-02-08 一种基于深度优先算法的跨平台信用信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180204.8A CN112686337B (zh) 2021-02-08 2021-02-08 一种基于深度优先算法的跨平台信用信息融合方法

Publications (2)

Publication Number Publication Date
CN112686337A CN112686337A (zh) 2021-04-20
CN112686337B true CN112686337B (zh) 2021-06-08

Family

ID=75458102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180204.8A Active CN112686337B (zh) 2021-02-08 2021-02-08 一种基于深度优先算法的跨平台信用信息融合方法

Country Status (1)

Country Link
CN (1) CN112686337B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934160A (zh) * 2024-03-21 2024-04-26 杭银消费金融股份有限公司 一种基于多模型融合的风险等级划分方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001069535A2 (en) * 2000-03-10 2001-09-20 Sarnoff Corporation Method and apparatus for performing geo-spatial registration of imagery
CN106154247A (zh) * 2016-06-24 2016-11-23 南京林业大学 一种多尺度全波形激光雷达数据最优化分解方法
CN107451912A (zh) * 2016-05-31 2017-12-08 百度在线网络技术（北京）有限公司 信用信息的处理方法及装置
CN109299811A (zh) * 2018-08-20 2019-02-01 众安在线财产保险股份有限公司 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
CN111339091A (zh) * 2020-02-23 2020-06-26 兰州理工大学 基于非均匀四叉树的位置大数据差分隐私划分发布方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055673A1 (en) * 2005-09-07 2007-03-08 Rieffanaugh Neal K Jr Verified personal credit search system and method thereof
CN102103733A (zh) * 2009-12-17 2011-06-22 徐敏 一种基于信用信息曝光平台的信用信息更新系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001069535A2 (en) * 2000-03-10 2001-09-20 Sarnoff Corporation Method and apparatus for performing geo-spatial registration of imagery
CN107451912A (zh) * 2016-05-31 2017-12-08 百度在线网络技术（北京）有限公司 信用信息的处理方法及装置
CN106154247A (zh) * 2016-06-24 2016-11-23 南京林业大学 一种多尺度全波形激光雷达数据最优化分解方法
CN109299811A (zh) * 2018-08-20 2019-02-01 众安在线财产保险股份有限公司 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
CN111339091A (zh) * 2020-02-23 2020-06-26 兰州理工大学 基于非均匀四叉树的位置大数据差分隐私划分发布方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Research on Bank Credit Card";Huawei Shan;《Hans Journal of Data Mining》;20191031;第146-152页 *
"基于实时学习的高斯过程回归多模型融合建模";张伟等;《信息与控制》;20150430;第44卷(第4期);第487-498页 *

Also Published As

Publication number Publication date
CN112686337A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN104270281B (zh) 一种Web Service QoS组合预测方法
Arias-Rosales et al. Wind turbine selection method based on the statistical analysis of nominal specifications for estimating the cost of energy
CN109858714A (zh) 基于改进神经网络的烟丝质检指标预测方法、装置及系统
EP3846034B1 (en) Systems and methods for automated testing using artificial intelligence techniques
CN112686337B (zh) 一种基于深度优先算法的跨平台信用信息融合方法
CN108418822A (zh) 航空气象的taf报文自动编译方法、系统及终端
Malakooti Systematic decision process for intelligent decision making
JP7081661B2 (ja) 情報処理装置、情報処理方法、プログラム
CN113221500A (zh) 一种基于人工智能算法的芯片打线布局自动化设计方法
CN113312807B (zh) 一种基于锂电池性能模拟环境的电解液配方推荐方法
CN115130737A (zh) 基于工况的机器学习方法及相关装置和介质程序产品
CN112465929B (zh) 一种基于改进图卷积网络的图像生成方法
CN108629474B (zh) 基于攻击图模型的流程安全评估方法
CN113610268A (zh) 一种基于居住区空间形态的碳排放量预测方法
CN106484937A (zh) 核电厂支架有限单元法力学计算输入文件制作方法及装置
CN116822360A (zh) 电力系统频率轨迹预测方法、装置、介质和设备
CN108959721B (zh) 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法
CN109409642A (zh) 一种基于大数据的教学资源评级方法
CN114995105A (zh) 一种基于改进遗传算法的水轮机调节系统pid参数优化方法
Gradišar et al. Designing Generatively to Achieve an Efficient and Optimised Solution
CN112738801B (zh) 一种适用于智能通信网关的管理方法
CN113034062B (zh) 灾害评估方法及系统
Akinlana New Developments in Statistical Optimal Designs for Physical and Computer Experiments
US20230362681A1 (en) Method and electronic device for building digital twin based on data of base station in commercial networ
Wang A Systematic Investigation of Multi-Objective Evolutionary Algorithms Applied to the Water Distribution System Problem

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