CN115858715B - 一种预警数据管理系统 - Google Patents
一种预警数据管理系统 Download PDFInfo
- Publication number
- CN115858715B CN115858715B CN202211201314.9A CN202211201314A CN115858715B CN 115858715 B CN115858715 B CN 115858715B CN 202211201314 A CN202211201314 A CN 202211201314A CN 115858715 B CN115858715 B CN 115858715B
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- classification
- label
- warning data
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种预警数据管理系统,属于预警数据管理技术领域,包括标签管理模块、预警数据库、数据管理模块和服务器;标签管理模块用于对各个种类的分类标签进行管理,获得修正参数表;预警数据库用于储存预警数据;数据管理模块用于将预警数据进行管理,获取传统分类器,通过获取的传统分类器对获得的预警数据进行分类,打上对应的预分类标签,获取对应的修正参数表,建立对应的分类调整模型,通过建立的分类调整模型对修正参数表和对应预警数据的预分类标签进行调整,获得预警数据对应的分类标签,将预警数据储存到储存预警数据中对应的储存节点中;通过标签管理模块、预警数据库、数据管理模块之间的相互配合,实现对预警数据的精准分类。
Description
技术领域
本发明属于预警数据管理技术领域,具体是一种预警数据管理系统。
背景技术
预警系统在长期的预警过程中,积累了大量的预警信息,预警数据含大量的有价值的信息,但是固有的预警数据分类存在不准确,不满足新形势下业务研判的应用需求,通过对预警数据进行分析,发现预警数据分类时,不同类之间样本量相差极大,会导致数据集不平衡,传统分类器对不平衡数据分类时,分类结果往往会对多数类样本有所偏向,使得少数类样本的分类准确率很低,因此为了解决上述问题,本发明提供了一种预警数据管理系统。
发明内容
为了解决上述方案存在的问题,本发明提供了一种预警数据管理系统。
本发明的目的可以通过以下技术方案实现:
一种预警数据管理系统,包括标签管理模块、预警数据库、数据管理模块和服务器;
所述标签管理模块用于对各个种类的分类标签进行管理,获得修正参数表;
所述预警数据库用于储存预警数据;
所述数据管理模块用于将预警数据进行管理,获取传统分类器,通过获取的传统分类器对获得的预警数据进行分类,打上对应的预分类标签,获取对应的修正参数表,建立对应的分类调整模型,通过建立的分类调整模型对修正参数表和对应预警数据的预分类标签进行调整,获得预警数据对应的分类标签,将预警数据储存到储存预警数据中对应的储存节点中。
进一步地,标签管理模块的工作方法包括:
获取具有的预警数据分类标签,建立分类标签统计表,实时识别分类标签统计表中各个分类标签对应的数量值,将识别的数量值组合为匹配坐标,根据获得的匹配坐标匹配对应的中转偏转集,对获得的中转偏转集和匹配坐标进行分析,获得目标偏转集,将获得的目标偏转集补充到分类标签统计表中,将当前的分类标签统计表标记修正参数表。
进一步地,建立分类标签统计表的方法包括:
建立第一标准表,将获得的分类标签输入到第一标准表中,获得第一过渡表,识别各个分类标签对应的分类数据,对识别的分类数据进行量级分析,获得对应的数量值,将获得的数量值输入到第一过渡表中的对应位置上,并进行数量值的实时更新。
进一步地,对识别的分类数据进行量级分析的方法包括:
识别分类数据对应的预警数据条数以及对应每条预警数据的储存值,将获得的预警数据条数标记为N,将储存值标记为CZi,其中i=1、2、……、N,根据获得的分类标签匹配对应的储值系数,将获得储值系数标记为α,根据公式计算储值代表值,将获得的储值代表值和预警数据条数整合为量级坐标(N,DB),建立量级分析模型,通过量级分析模型对量级坐标和分类数据进行分析,获得对应的数量值。
进一步地,根据获得的匹配坐标匹配对应的中转偏转集的方法包括:
获取历史目标分类数据,为获得的历史目标分类数据设置各个分类对应的偏转系数,将获得的偏转系数组合为偏转集,根据获取的历史目标分类数据转化对应的模拟坐标,将获得的模拟坐标输入到坐标系中,基于偏转集进行相应的模拟坐标合并,获得匹配区域,为匹配区域设置一个中转偏转集;将获得的匹配坐标输入到坐标系中进行匹配,获得对应匹配区域的中转偏转集。
进一步地,预警数据库的建立方法包括:
建立第一数据库,获取具有的分类标签,根据具有的分类标签在第一数据库中建立对应的储存节点,并打上对应分类标签,将当前的第一数据库标记为预警数据库。
进一步地,根据具有的分类标签在第一数据库中建立对应的储存节点的方法包括:
基于大数据获取历史分类标签统计表的相关数据,根据获得的相关数据统计对应的分类标签具有的量级坐标,计算各个分类标签对应的量级坐标的代表坐标(N’,DB’),根据公式VS=N’×DB’计算综合值,计算各个分类标签对应的综合值之间的比例,根据计算的比例和第一数据库的储存空间确定各个储存节点对应的储存空间,在第一数据库中进行相应的储存节点划分。
与现有技术相比,本发明的有益效果是:通过标签管理模块、预警数据库、数据管理模块之间的相互配合,实现对预警数据的精准分类,解决不同类之间样本量相差极大时,导致数据集不平衡的问题,修正现有传统分类器的分类缺陷;通过更加精准的数据分类,来实现对预警数据后续的多维度分析挖掘与预警的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
如图1所示,一种预警数据管理系统,包括标签管理模块、预警数据库、数据管理模块和服务器;
标签管理模块、预警数据库和数据管理模块均与服务器之间通信连接。
所述标签管理模块用于对各个种类的分类标签进行管理,因为通过对预警数据进行分析,发现预警数据分类时,不同类之间样本量相差极大,会导致数据集不平衡,传统分类器对不平衡数据分类时,分类结果往往会对多数类样本有所偏向,使得少数类样本的分类准确率很低,因此需要进行相应的调整;通过设置标签管理模块进行调整,具体方法包括:
获取具有的预警数据分类标签,建立分类标签统计表,实时识别分类标签统计表中各个分类标签对应的数量值,将识别的数量值组合为匹配坐标,即按照对应分类标签的排列将对应的数量值整合为坐标,根据获得的匹配坐标匹配对应的中转偏转集,对获得的中转偏转集和匹配坐标进行分析,获得目标偏转集,将获得的目标偏转集补充到分类标签统计表中,即重新对应补充一栏,将当前的分类标签统计表标记修正参数表。
建立分类标签统计表的方法包括:
建立第一标准表,将获得的分类标签输入到第一标准表中,获得第一过渡表,识别各个分类标签对应的分类数据,对识别的分类数据进行量级分析,获得对应的数量值,将获得的数量值输入到第一过渡表中的对应位置上,并进行数量值的实时更新。
第一标准表是采用人工的方式进行建立的,包括分类标签栏和数量级栏,将获得的分类标签输入到第一标准表中,即为将分类标签对应输入到分类标签栏中,并将多余的分类标签栏进行去除,获得第一过渡表。
对识别的分类数据进行量级分析的方法包括:
识别分类数据对应的预警数据条数以及对应每条预警数据的储存值,储存值即为对应所占内存值,将获得的预警数据条数标记为N,将储存值标记为CZi,其中i=1、2、……、N,根据获得的分类标签匹配对应的储值系数,将获得储值系数标记为α,根据公式计算储值代表值,将获得的储值代表值和预警数据条数整合为量级坐标(N,DB),建立量级分析模型,通过量级分析模型对量级坐标和分类数据进行分析,获得对应的数量值。
根据获得的分类标签匹配对应的储值系数,具体的通过人工的方式根据具有的分类标签和对应分类数据的特点设置对应的储值系数,汇总建立对应的储值系数匹配表,进行匹配后获得对应的储值系数,分类数据的特点包括一般该分类一条数据对应的储存值、对传统分类器分类的影响等进行设置。
量级分析模型是基于CNN网络或DNN网络进行建立的,通过人工的方式建立对应的训练集进行训练,通过训练成功后的量级分析模型进行分析。
根据获得的匹配坐标匹配对应的中转偏转集的方法包括:
获取历史目标分类数据,历史分类目标数据即为通过传统分类器对不平衡数据分类以及对应的分类结果,通过基于现有技术进行筛选获得,为获得的历史目标分类数据设置各个分类对应的偏转系数,即如何进行调整消除对应的偏差,具体的是采用人工的方式进行设置的,将获得的偏转系数组合为偏转集,根据获取的历史目标分类数据转化对应的模拟坐标,也就是匹配坐标,根据上述匹配坐标的建立方式可以进行相应的模拟坐标转化,将获得的模拟坐标输入到坐标系中,基于偏转集进行相应的模拟坐标合并,获得匹配区域,为匹配区域设置一个中转偏转集;将获得的匹配坐标输入到坐标系中进行匹配,获得对应匹配区域的中转偏转集。
基于偏转集进行相应的模拟坐标合并的方法为:
通过人工的方式设置偏转集矢量之间的距离阈值,计算各个模拟坐标对应的偏转集矢量之间的距离,根据设置的距离阈值进行合并,标记为同一类点,基于同一类点确定对应的区域边界,获得匹配区域,其中中转偏转集是为对应的各个偏转集矢量最具有代表性的偏转集,具体的可以通过人工的方式进行调整设置,因此并不需要进行频繁变动,只要前期通过人工的方式进行设置即可;在其他实施例中,还可以通过现有的方式进行模拟坐标合并。
对获得的中转偏转集和匹配坐标进行分析,因为直接通过匹配坐标进行匹配的中转偏转集具有一定的误差,精度不高,因此需要结合中转偏转集和匹配坐标进行再次修正,获得对应的目标偏转集,具体的是基于CNN网络或DNN网络建立对应的修正模型,通过人工的方式建立对应的训练集进行训练,通过训练成功后的修正模型进行分析,获得对应的目标偏转集,具体的建立和训练过程为本领域常识,因此不进行详细叙述。
所述预警数据库用于储存预警数据,具体的建立方法包括:
建立第一数据库,获取具有的分类标签,根据具有的分类标签在第一数据库中建立对应的储存节点,并打上对应分类标签,将当前的第一数据库标记为预警数据库。
根据具有的分类标签在第一数据库中建立对应的储存节点的方法包括:
基于大数据获取历史分类标签统计表的相关数据,历史分类标签统计表的相关数据即为与建立分类标签统计表相关的数据,主要指的与量级坐标相关的数据,根据获得的相关数据统计对应的分类标签具有的量级坐标,计算各个分类标签对应的量级坐标的代表坐标(N’,DB’),代表坐标是采用平均值的方法进行计算的;根据公式VS=N’×DB’计算综合值,计算各个分类标签对应的综合值之间的比例,根据计算的比例和第一数据库的储存空间确定各个储存节点对应的储存空间,在第一数据库中进行相应的储存节点划分。
所述数据管理模块用于将预警数据进行管理,具体方法包括:
获取传统分类器,通过获取的传统分类器对获得的预警数据进行分类,打上对应的预分类标签,获取对应的修正参数表,建立对应的分类调整模型,通过建立的分类调整模型对修正参数表和对应预警数据的预分类标签进行调整,获得预警数据对应的分类标签,将预警数据储存到储存预警数据中对应的储存节点中。
分类调整模型是基于CNN网络或DNN网络进行建立的,通过人工的方式建立对应的训练集进行训练,通过训练成功后的分类调整模型进行分析调整。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (1)
1.一种预警数据管理系统,其特征在于,包括标签管理模块、预警数据库、数据管理模块和服务器;
所述标签管理模块用于对各个种类的分类标签进行管理,获得修正参数表;
所述预警数据库用于储存预警数据;
所述数据管理模块用于将预警数据进行管理,获取传统分类器,通过获取的传统分类器对获得的预警数据进行分类,打上对应的预分类标签,获取对应的修正参数表,建立对应的分类调整模型,通过建立的分类调整模型对修正参数表和对应预警数据的预分类标签进行调整,获得预警数据对应的分类标签,将预警数据储存到储存预警数据中对应的储存节点中;
标签管理模块的工作方法包括:
获取具有的预警数据分类标签,建立分类标签统计表,实时识别分类标签统计表中各个分类标签对应的数量值,将识别的数量值组合为匹配坐标,根据获得的匹配坐标匹配对应的中转偏转集,对获得的中转偏转集和匹配坐标进行分析,获得目标偏转集,将获得的目标偏转集补充到分类标签统计表中,将当前的分类标签统计表标记修正参数表;
建立分类标签统计表的方法包括:
建立第一标准表,将获得的分类标签输入到第一标准表中,获得第一过渡表,识别各个分类标签对应的分类数据,对识别的分类数据进行量级分析,获得对应的数量值,将获得的数量值输入到第一过渡表中的对应位置上,并进行数量值的实时更新;
对识别的分类数据进行量级分析的方法包括:
识别分类数据对应的预警数据条数以及对应每条预警数据的储存值,将获得的预警数据条数标记为N,将储存值标记为CZi,其中i=1、2、……、N,根据获得的分类标签匹配对应的储值系数,将获得储值系数标记为α,
根据获得的匹配坐标匹配对应的中转偏转集的方法包括:
获取历史目标分类数据,为获得的历史目标分类数据设置各个分类对应的偏转系数,所述偏转系数进行调整消除对应的偏差,采用人工的方式进行设置,将获得的偏转系数组合为偏转集,根据获取的历史目标分类数据转化对应的模拟坐标,将获得的模拟坐标输入到坐标系中,基于偏转集进行相应的模拟坐标合并,获得匹配区域,为匹配区域设置一个中转偏转集;将获得的匹配坐标输入到坐标系中进行匹配,获得对应匹配区域的中转偏转集;
预警数据库的建立方法包括:
建立第一数据库,获取具有的分类标签,根据具有的分类标签在第一数据库中建立对应的储存节点,并打上对应分类标签,将当前的第一数据库标记为预警数据库;
根据具有的分类标签在第一数据库中建立对应的储存节点的方法包括:
基于大数据获取历史分类标签统计表的相关数据,根据获得的相关数据统计对应的分类标签具有的量级坐标,计算各个分类标签对应的量级坐标的代表坐标(N’,DB’),根据公式VS=N’×DB’计算综合值,计算各个分类标签对应的综合值之间的比例,根据计算的比例和第一数据库的储存空间确定各个储存节点对应的储存空间,在第一数据库中进行相应的储存节点划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201314.9A CN115858715B (zh) | 2022-09-29 | 2022-09-29 | 一种预警数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201314.9A CN115858715B (zh) | 2022-09-29 | 2022-09-29 | 一种预警数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115858715A CN115858715A (zh) | 2023-03-28 |
CN115858715B true CN115858715B (zh) | 2023-06-27 |
Family
ID=85661260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211201314.9A Active CN115858715B (zh) | 2022-09-29 | 2022-09-29 | 一种预警数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115858715B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220799A (zh) * | 2021-05-13 | 2021-08-06 | 北京德风新征程科技有限公司 | 一种大数据预警管理系统 |
-
2022
- 2022-09-29 CN CN202211201314.9A patent/CN115858715B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220799A (zh) * | 2021-05-13 | 2021-08-06 | 北京德风新征程科技有限公司 | 一种大数据预警管理系统 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络和语义信息的场景分类;张晓明;尹鸿峰;;软件(第01期);37-42 * |
Also Published As
Publication number | Publication date |
---|---|
CN115858715A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN109657721A (zh) | 一种结合模糊集和随机森林树的多类别决策方法 | |
CN108960269B (zh) | 数据集的特征获取方法、装置及计算设备 | |
EP4080429A1 (en) | Technology readiness level determination method and system based on science and technology big data | |
CN108256022A (zh) | 人才评价模型构建方法及人才评价方法及系统 | |
CN111897859B (zh) | 一种面向企业在线教育的大数据智能报表平台 | |
CN109118079A (zh) | 一种制造业产品质量数据关联分析方法 | |
CN115617743A (zh) | 一种基于数据采集的科技项目档案管理系统 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
CN112785156B (zh) | 一种基于聚类与综合评价的产业领袖识别方法 | |
CN115858715B (zh) | 一种预警数据管理系统 | |
CN116894639B (zh) | 一种物联网多信息融合计划管理系统及方法 | |
CN113205511A (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN111258953B (zh) | 一种财务数据转换成评估数据规范化的方法 | |
CN114564521A (zh) | 一种基于聚类算法确定农机工作时间段的方法及系统 | |
CN114708445A (zh) | 一种商标相似度识别方法、装置、电子设备及存储介质 | |
Yu et al. | Data mining technology in the analysis of college students’ psychological problems | |
CN111291102A (zh) | 一种政务数据挖掘的高性能规模统计计算方法 | |
CN115878695B (zh) | 一种基于气象数据库的数据可视化调整方法及系统 | |
CN116230087B (zh) | 培养基成分优化的方法及装置 | |
CN117892091B (zh) | 基于人工智能的数据智能分析方法及系统 | |
CN118211050A (zh) | 基于多源数据融合的地物智能化提取系统及方法 | |
CN114386742A (zh) | 一种便于人员快速识别的变电设备使用状态评价系统 | |
Ye et al. | Construction of Valuation System with Chinese Characteristics Based on Entropy Weight Method and K-means |
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 |