CN115934556A - 基于脑图结构的数值计算系统 - Google Patents
基于脑图结构的数值计算系统 Download PDFInfo
- Publication number
- CN115934556A CN115934556A CN202211645198.XA CN202211645198A CN115934556A CN 115934556 A CN115934556 A CN 115934556A CN 202211645198 A CN202211645198 A CN 202211645198A CN 115934556 A CN115934556 A CN 115934556A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- algorithm
- calculation
- information
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了基于脑图结构的数值计算系统,涉及数值计算领域。为了解决现有的现有的脑图结构在进行数据计算时由于代码较多,导致编码人员工作量大,准确度不高的问题。基于脑图结构的数值计算系统,包括数据接收模块、中央处理器、检索对比模块、计算模块和显示模块。本发明的基于脑图结构的数值计算系统,过滤了无用的信息,使得计算效率更高且结果更加准确,减少了数值计算的过程中不必要的冗余代码,减轻了业务编码人员的工作量,提高了数值计算中业务代码的可读性,使得数据库检索的效率更好且准确度高,进一步提高了计算的效率,进而提高了计算的正确性。
Description
技术领域
本发明涉及数值计算领域,特别涉及基于脑图结构的数值计算系统。
背景技术
脑图是一种可以表达事物与事物之间关联的可视化手段,用脑图来展现测试功能层次之间的关系非常合适,随着测试工程化的概念的提出,测试工程师愈发需要一款既可以编辑脑图又可以方便项目管理的测试用例编辑工具。
现有的脑图结构在进行数据计算时由于代码较多,导致编码人员工作量大,实用性不高,且计算结果的准确度无验证程序,因此准确度不高。
发明内容
本发明的目的在于提供基于脑图结构的数值计算系统,过滤了无用的信息,使得计算效率更高且结果更加准确,减少了数值计算的过程中不必要的冗余代码,减轻了业务编码人员的工作量,提高了数值计算中业务代码的可读性,节省了计算机的存储空间,使得数据库检索的效率更好且准确度高,进一步提高了计算的效率,进而提高了计算的正确性,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于脑图结构的数值计算系统,包括:
数据接收模块,用于
接收输入数据信息,并提取文字数据中的关键字发送到中央处理器和显示屏;
中央处理器,用于
接收数据接收模块发来的数据,并按规则建立索引发送到检索对比模块;检索对比模块,用于
接收中央处理器发来的数据,并将数据转换成计算模块所能识别的格式发送到计算模块,将数据与算法数据库中的数据进行相似度对比,并将比对结果发送给计算模块;
计算模块,用于
接收中央处理器发送来的数据,以及检索对比模块发送来的算法数据,并将两者进行融合运算后,输出计算结果发送到显示模块;
显示模块,用于
显示计算结果及对应计算结果的目标单位制,显示运算数值及对应该运算数值的具体运算过程,当不符合运算规则时显示错误提示。
进一步地,所述检索对比模块包括:
预处理模块,用于对提取文字数据中的关键字进行预处理,将数据转换成能识别的格式;
检测模块,用于在转换后的数据中检测出关键字中的的特征信息;
对比模块,用于将转换后的关键字信息与算法数据库中的信息进行配准比对,并将两者进行融合计算;
传输模块,用于将计算的结果传输至显示模块进行显示;
反演算模块,用于
对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块。
进一步地,所述计算模块包括:
数据读取模块,用于读取相似度对比数据中与接收数据所对应的变量参数值;
数值计算公式转换模块,用于根据变量参数值将相似度对比数据与接收数据融合计算请求转换为数值计算公式;
数值计算公式求解模块,用于对数值计算公式进行计算求解得到最终数值,并将最终数值返回至显示模块。
进一步地,所述数值计算公式求解模块包括:
所述转换算法查找模块,用于
从算法数据库中查找与算法数据库内用户需求信息对应的转换算法;
所述计算表达式获取模块,用于
根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式;
所述计算表达式求解模块,用于
根据对应的运算支撑算法对计算表达式进行逐级计算求解;
所述运算支撑算法查询模块,用于
从算法数据库中查询计算表达式中各运算符对应的运算支撑算法。
进一步地,所述计算模块的计算过程包括以下步骤:
将数据接收模块接收的数据依据所选取的来源单位制及目标单位制转换为目标数值,并记录目标数值及对应目标数值的目标单位制;
当接收模块接收到运算信号时,通过转换算法查找模块根据所接收的数据信息在算法数据库内查找与用户所需求信息相对应的转换算法;
当查找到对应的转换算法后,通过计算表达式获取模块获取转换算法中的优先级排列变量参数值和运算符,并将数值计算公式转换为计算表达式;
通过运算支撑算法查询模块从算法数据库中查询计算表达式中各运算符对应的运算支撑算法,并通过计算表达式求解模块根据转换算法对计算表达式进行计算求解。
进一步地,所述数据接收模块包括:
传输模块,用于将提取模块所提取的关键字信息传输至中央处理器;
提取模块,用于对文字信息中的关键信息进行提取,并进行转换;
其中,提取模块包括:
特征提取模块,用于待识别文字提取得到共享特征图;
检测模块,对共享特征图进行检测得到文字提取区域;
文字行特征提取模块,用于将文字提取区域映射回共享特征图上并进行文字行特征提取得到文字行特征图;
识别模块,用于从文字行特征图中识别出目标文字,并转换为对应的计算数据。
进一步地,所述传输模块,用于将提取模块所提取的关键字信息传输至中央处理器,其中在关键字信息数据传输过程中,通过以下的方法提高数据传输的效率:
将影响数据传输速度的影响因子加入第一数据传输节点链表中,其中所述影响因子包括节点类型、网关数量和活跃因子;
对于不同的影响因子赋予不同的权重系数,得到新的第二数据传输节点链表;
对于得到的新的第二数据传输节点链表进行排序,得出最优的数据节点,将其排在数据传输节点链表的头部;
在关键字信息数据传输到中央处理器时,从数据传输节点链表的头部的数据节点开始进行数据交互;
其中得出做优的数据节点的方法为采用求平均值算法,计算出单个数据节点的平均值,并将计算后数据节点平均值最大的选定为最优的数据节点。
进一步地,所述脑图的数值计算包括以下步骤:
建立算法数据库,并将各种算法的名称以及其对应的算式代码储存至算法数据库内;
通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字;
将提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,并将对比数据发送至计算模块;
计算模块将对比的数据与接收的数据进行融合运算,并将计算的结构发送至显示模块进行显示。
进一步地,所述算法数据库包括:
算法工具分类子集库,用于储存不同的算法工具,并根据算法工具的类型进行分类;
算法工具分类子集目录,用于将算法工具分类子集库所分类好的算法工具进行编号,并生成目录;
算法数据总库,用于根据算法工具分类子集目录进行分区并内置连接算法工具分类子集目录的响应模块;
反演算数据库,用于储存与算法数据库内的算法相匹配的反演算算法名称以及其对应的算式代码。
所述提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,在进行相似度计算的过程中,采用如下的方法进行文本向量的选择:
将提取的关键字定义为词条项t,将算法数据库内的信息定义为文档D,采用以下公式计算词条t在文档D中出现的频率:
其中,TFt,d表示特征词条项t在某文档D中的词频,ft,d表示文档D中特征词条项t的频度,nd表示文档D中所有特征词条项的总数量;
通过以下公式计算特征词条项t的逆文档频率:
其中,idft为特征词条项t的逆文档频率,N为文档数量,dft为文档频率,所述文档频率指出现特征词条项t的所有文档的数量,文档频率dft为大于0的正整数;
采用词频-逆文档频率的文本特征标识方法,并通过以下公式计算特征词条项的权重值W:
W=TFt,d*idft
当词项只在少数几篇文档中多次出现时,权值最大,则提取的关键字与算法数据库的相似性最高,将其选择确定为文本向量的特征词;当词项在某篇文档中出现次数很少,或者在很多文档中出现,权重取值次之,则提取的关键字与算法数据库的相似性一般;当词项在所有文档中都出现时,权值最小,则提取的关键字与算法数据库的相似最低。
与现有技术相比,本发明的有益效果是:
1、本发明提供的基于脑图结构的数值计算系统,通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字,过滤了无用的信息,使得计算效率更高且结果更加准确,通过转换算法查找模块从算法数据库中查找与算法数据库内用户需求信息对应的转换算法,并根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式,根据对应的运算支撑算法对计算表达式进行逐级计算求解,减少了数值计算的过程中不必要的冗余代码,减轻了业务编码人员的工作量,提高了数值计算中业务代码的可读性,节省了计算机的存储空间。
2、本发明提供的基于脑图结构的数值计算系统,通过算法工具分类子集库和算法工具分类子集目录配合,可以实现数据库检索的标准化,使得数据库检索的效率更好且准确度高,进一步提高了计算的效率,反演算模块对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块,配合反演算数据库可以对计算结果进行反演算,进而提高了计算的正确性。
附图说明
图1为本发明的基于脑图结构的数值计算系统的示意图;
图2为本发明的基于脑图结构的数值计算系统的计算流程示意图;
图3为为本发明的基于脑图结构的数值计算系统的模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。
为了解决现有的现有的脑图结构在进行数据计算时由于代码较多,导致编码人员工作量大,实用性不高,且计算结果的准确度无验证程序,因此准确度不高的技术问题,请参阅图1-图3,本实施例提供以下技术方案:
基于脑图结构的数值计算系统,包括:
数据接收模块,用于
接收输入数据信息,并提取文字数据中的关键字发送到中央处理器和显示屏。
中央处理器,用于
接收数据接收模块发来的数据,并按规则建立索引发送到检索对比模块。
检索对比模块,用于
接收中央处理器发来的数据,并将数据转换成计算模块所能识别的格式发送到计算模块,将数据与算法数据库中的数据进行相似度对比,并将比对结果发送给计算模块。
检索对比模块包括:
预处理模块,用于对提取文字数据中的关键字进行预处理,将数据转换成能识别的格式。
检测模块,用于在转换后的数据中检测出关键字中的的特征信息。
对比模块,用于将转换后的关键字信息与算法数据库中的信息进行配准比对,并将两者进行融合计算。
传输模块,用于将计算的结果传输至显示模块进行显示。
计算模块,用于接收中央处理器发送来的数据,以及检索对比模块发送来的算法数据,并将两者进行融合运算后,输出计算结果发送到显示模块,计算模块还与反演算模块连接,反演算模块用于对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块。
显示模块,用于显示计算结果及对应计算结果的目标单位制,及显示运算数值及对应该运算数值的具体运算过程,及当不符合运算规则时显示错误提示。
具体的,通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字,过滤了无用的信息,使得计算效率更高且结果更加准确,将提取的关键字经过处理后,通过检索对比模块对算法数据库内的信息进行相似度的对比,并将对比数据发送至计算模块,计算模块将对比的数据与接收的数据进行融合运算,并将计算的结构发送至显示模块进行显示。
计算模块包括数据读取模块、数值计算公式转换模块和数值计算公式求解模块。
数据读取模块用于读取相似度对比数据中与接收数据所对应的变量参数值。
数值计算公式转换模块用于根据变量参数值将相似度对比数据与接收数据融合计算请求转换为数值计算公式。
数值计算公式求解模块用于对数值计算公式进行计算求解得到最终数值,并将最终数值返回至显示模块。
数值计算公式求解模块包括转换算法查找模块、计算表达式获取模块、计算表达式求解模块和运算支撑算法查询模块。
转换算法查找模块用于从算法数据库中查找与算法数据库内用户需求信息对应的转换算法,计算表达式获取模块用于根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式,运算支撑算法查询模块用于从算法数据库中查询计算表达式中各运算符对应的运算支撑算法,计算表达式求解模块用于根据对应的运算支撑算法对计算表达式进行逐级计算求解。
计算模块的计算过程包括以下步骤:
将数据接收模块接收的数据依据所选取的来源单位制及目标单位制转换为目标数值,并记录目标数值及对应目标数值的目标单位制。
当接收模块接收到运算信号时,通过转换算法查找模块根据所接收的数据信息在算法数据库内查找与用户所需求信息相对应的转换算法。
当查找到对应的转换算法后,通过计算表达式获取模块获取转换算法中的优先级排列变量参数值和运算符,并将数值计算公式转换为计算表达式。
通过运算支撑算法查询模块从算法数据库中查询计算表达式中各运算符对应的运算支撑算法,并通过计算表达式求解模块根据转换算法对计算表达式进行计算求解。
具体的,通过数据读取模块读取相似度对比数据中与接收数据所对应的变量参数值,数值计算公式转换模块根据变量参数值将相似度对比数据与接收数据融合计算请求转换为数值计算公式,数值计算公式求解模块对数值计算公式进行计算求解得到最终数值,并将最终数值返回至显示模块,转换算法查找模块从算法数据库中查找与算法数据库内用户需求信息对应的转换算法,计算表达式获取模块根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式,运算支撑算法查询模块从算法数据库中查询计算表达式中各运算符对应的运算支撑算法,计算表达式求解模块根据对应的运算支撑算法对计算表达式进行逐级计算求解,减少了数值计算的过程中不必要的冗余代码,减轻了业务编码人员的工作量,提高了数值计算中业务代码的可读性,节省了计算机的存储空间,根据转换算法以及运算符的优先级排列变量参数值,将数值计算公式转换为计算表达式,并将计算的过程和结果通过显示模块进行显示,方便使用人员了解具体的计算过程,方便理解。
数据接收模块包括传输模块和提取模块。
传输模块,用于将提取模块所提取的关键字信息传输至中央处理器。
提取模块,用于对文字信息中的关键信息进行提取,并进行转换。
其中,提取模块包括特征提取模块、检测模块、文字行特征提取模块和识别模块
特征提取模块用于待识别文字提取得到共享特征图。
检测模块用于对共享特征图进行检测得到文字提取区域。
文字行特征提取模块用于将文字提取区域映射回共享特征图上并进行文字行特征提取得到文字行特征图。
识别模块用于从文字行特征图中识别出目标文字,并转换为对应的计算数据。
算法数据库包括算法工具分类子集库、算法数据总库、算法工具分类子集目录和反演算数据库,
算法工具分类子集库,用于储存不同的算法工具,并根据算法工具的类型进行分类。
算法工具分类子集目录,用于将算法工具分类子集库所分类好的算法工具进行编号,并生成目录。
算法数据总库用来根据算法工具分类子集目录进行分区并内置连接算法工具分类子集目录的响应模块。
反演算数据库用于储存与算法数据库内的算法相匹配的反演算算法名称以及其对应的算式代码。
具体的,通过算法工具分类子集库和算法工具分类子集目录配合,可以实现数据库检索的标准化,使得数据库检索的效率更好且准确度高,进一步提高了计算的效率,反演算模块对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块,配合反演算数据库可以对计算结果进行反演算,进而提高了计算的正确性。
上述技术方案中,所述传输模块,用于将提取模块所提取的关键字信息传输至中央处理器,其中在关键字信息数据传输过程中,通过以下的方法提高数据传输的效率:
将影响数据传输速度的影响因子加入第一数据传输节点链表中,其中所述影响因子包括节点类型、网关数量和活跃因子;
对于不同的影响因子赋予不同的权重系数,得到新的第二数据传输节点链表;
对于得到的新的第二数据传输节点链表进行排序,得出最优的数据节点,将其排在数据传输节点链表的头部;
在关键字信息数据传输到中央处理器时,从数据传输节点链表的头部的数据节点开始进行数据交互;
其中得出做优的数据节点的方法为采用求平均值算法,计算出单个数据节点的平均值,并将计算后数据节点平均值最大的选定为最优的数据节点。
其中,网关数目包括有客户端到超级数据节点与客户端到普通数据节点的网关数目,例如超级数据节点可以是P2P超级节点,普通数据节点是P2P普通节点,网关数目的数值大小代表了客户端与超级数据节点和普通数据节点实现通信所需要经过网关的数目。活跃因子用来判断当前数据节点的活跃程度。
其中,权重系数的选择可以为,节点类型为0.6、网关数目为0.25以及活跃因子为0.15,权重系数的选择依据为,节点类型主要考虑到超级数据节点性能瓶颈因素,因为刚开始进行数据传输的时候,网络中的所有关键字信息数据都没有片段,当达到了一段时间后,新加入的关键字信息数据就不用再首先考虑到从超级数据节点处传输,而是首先选择拥有此文件的普通节点。而网关数目由于其数值的大小代表了经过的网关数目,即分组出入网关的数目,数目越小,所消耗的时间就越小,就应该优先考虑。最后剩下的因子便是活跃因子,单个P2P节点的活跃程度越大,越会被优先考虑。
其中,平均值算法的计算方式可以为,数据节点的平均值=节点类型*0.6+网关数量*0.25+活跃因子*0.15,通过计算平均值能够将影响因子的影响能力进行客观充评价。
上述技术方案的原理和效果为:由于数据传输过程中,数据传输的效率对于数据传输的效果有很大的影响,一般情况下可以理解为数据传输的效率与对数据节点的选择有很大关系,抢占比较优的数据节点,能够让传输的效率更高,本发明通过在对关键字信息数据传输过程中,对数据节点进行优化排序,从而有效提高了数据传输的效率,优化了网络数据的传输过程。
为了能够更好的实现基于脑图结构的数值计算系统的计算过程,本实施例提出基于脑图结构的数值计算系统的计算方法,包括以下步骤:
S1:建立算法数据库,并将各种算法的名称以及其对应的算式代码储存至算法数据库内。
S2:通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字。
S3:将提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,并将对比数据发送至计算模块。
S4:计算模块将对比的数据与接收的数据进行融合运算,并将计算的结构发送至显示模块进行显示。
综上所述,本发明的基于脑图结构的数值计算系统,通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字,过滤了无用的信息,使得计算效率更高且结果更加准确,通过转换算法查找模块从算法数据库中查找与算法数据库内用户需求信息对应的转换算法,并根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式,根据对应的运算支撑算法对计算表达式进行逐级计算求解,减少了数值计算的过程中不必要的冗余代码,减轻了业务编码人员的工作量,提高了数值计算中业务代码的可读性,节省了计算机的存储空间,根据转换算法以及运算符的优先级排列变量参数值,将数值计算公式转换为计算表达式,并将计算的过程和结果通过显示模块进行显示,方便使用人员了解具体的计算过程,方便理解,通过算法工具分类子集库和算法工具分类子集目录配合,可以实现数据库检索的标准化,使得数据库检索的效率更好且准确度高,进一步提高了计算的效率,反演算模块对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块,配合反演算数据库可以对计算结果进行反演算,进而提高了计算的正确性。
优选的,所述提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,在进行相似度计算的过程中,采用如下的方法进行文本向量的选择:
将提取的关键字定义为词条项t,将算法数据库内的信息定义为文档D,采用以下公式计算词条t在文档D中出现的频率:
其中,TFt,d表示特征词条项t在某文档D中的词频,词频即词的频率,表示特征词条项在一个文档中出现的频率,ft,d表示文档D中特征词条项t的频度,nd表示文档D中所有特征词条项的总数量;
词频仅仅考虑了特征词条项在某文档D中的频率,而没有考虑词条项对于整个文档库或语料库的重要程度,并且也无法判断某词条项对不同文档的重要性,即词频无法作为文档类别区分的有效特征,需要通过逆文档频率来进一步评估;
通过以下公式计算特征词条项t的逆文档频率:
其中,idft为特征词条项t的逆文档频率,N为文档数量,dft为文档频率,所述文档频率指出现特征词条项t的所有文档的数量,文档频率dft为大于0的正整数,
逆文档频率是一种度量特征词条项在文档D中重要性的方式,逆向文档频率的原理是对于某一个特征词条项,包含此特征词条项的文档数量越少,此特征词条项就具有越强的文档类别特征;
采用词频-逆文档频率的文本特征标识方法,并通过以下公式计算特征词条项的权重值W:
W=TFt,d*idft
其中,特征词条项的权重值W即通过综合考虑词的词频与逆文档频率来计算得出,当词项只在少数几篇文档中多次出现时,权值最大,则提取的关键字与算法数据库的相似性最高,将其选择确定为计算相似性的文本向量的特征词;当词项在某篇文档中出现次数很少,或者在很多文档中出现,权重取值次之,则提取的关键字与算法数据库的相似性一般,不作为文本向量的特征词;当词项在所有文档中都出现时,权值最小,则提取的关键字与算法数据库的相似最低,不作为文本向量的特征词。
上述技术方案的技术效果为:通过采用词频-逆文档频率的文本特征表示方法来确定为文本向量的特征词,从而进一步进行提取的关键字与经过处理后与算法数据库内的信息之间的相似度的计算,这种方式能够比较准确的确定文本向量的特征词,进而可以对相似性能够更客观的计算和评估,提升智能化。采用词频-逆文档频率的方法计算特征词条项的权重,既注重了词语在文本中的重要性,又注重了词的鉴别能力,因此,有较高的权重值的词在文档中一定是重要的,同时它一定在其它文档中出现很少。因此我们可以通过这种方法来选择把那些词语作为文本向量的特征词,特征词选择出来之后,就能确定文本的向量表示了,有了文本向量,就可以通过此文本向量计算文本的相似度了,计算相似性的方法可以采用欧几里距离方法或者曼哈顿距离算法等多种计算方式,其计算过程属于本领域的常规选择,本发明不再赘述。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于脑图结构的数值计算系统,其特征在于,包括:
数据接收模块,用于
接收输入数据信息,并提取文字数据中的关键字发送到中央处理器和显示屏;
中央处理器,用于
接收数据接收模块发来的数据,并按规则建立索引发送到检索对比模块;
检索对比模块,用于
接收中央处理器发来的数据,并将数据转换成计算模块所能识别的格式发送到计算模块,将数据与算法数据库中的数据进行相似度对比,并将比对结果发送给计算模块;
计算模块,用于
接收中央处理器发送来的数据,以及检索对比模块发送来的算法数据,并将两者进行融合运算后,输出计算结果发送到显示模块;
显示模块,用于
显示计算结果及对应计算结果的目标单位制,显示运算数值及对应该运算数值的具体运算过程,当不符合运算规则时显示错误提示。
2.如权利要求1所述的基于脑图结构的数值计算系统,其特征在于,所述检索对比模块包括:
预处理模块,用于对提取文字数据中的关键字进行预处理,将数据转换成能识别的格式;
检测模块,用于在转换后的数据中检测出关键字中的的特征信息;
对比模块,用于将转换后的关键字信息与算法数据库中的信息进行配准比对,并将两者进行融合计算;
传输模块,用于将计算的结果传输至显示模块进行显示;
反演算模块,用于
对计算模块所计算的结果进行反演算,并将反演算的结果发送至显示模块。
3.如权利要求2所述的基于脑图结构的数值计算系统,其特征在于,所述计算模块包括:
数据读取模块,用于读取相似度对比数据中与接收数据所对应的变量参数值;
数值计算公式转换模块,用于根据变量参数值将相似度对比数据与接收数据融合计算请求转换为数值计算公式;
数值计算公式求解模块,用于对数值计算公式进行计算求解得到最终数值,并将最终数值返回至显示模块。
4.如权利要求3所述的基于脑图结构的数值计算系统,其特征在于,所述数值计算公式求解模块包括:
所述转换算法查找模块,用于
从算法数据库中查找与算法数据库内用户需求信息对应的转换算法;
所述计算表达式获取模块,用于
根据转换算法的优先级排列变量参数值和运算符,将数值计算公式转换为计算表达式;
所述计算表达式求解模块,用于
根据对应的运算支撑算法对计算表达式进行逐级计算求解;
所述运算支撑算法查询模块,用于
从算法数据库中查询计算表达式中各运算符对应的运算支撑算法。
5.如权利要求4所述的基于脑图结构的数值计算系统,其特征在于,所述计算模块的计算过程包括以下步骤:
将数据接收模块接收的数据依据所选取的来源单位制及目标单位制转换为目标数值,并记录目标数值及对应目标数值的目标单位制;
当接收模块接收到运算信号时,通过转换算法查找模块根据所接收的数据信息在算法数据库内查找与用户所需求信息相对应的转换算法;
当查找到对应的转换算法后,通过计算表达式获取模块获取转换算法中的优先级排列变量参数值和运算符,并将数值计算公式转换为计算表达式;
通过运算支撑算法查询模块从算法数据库中查询计算表达式中各运算符对应的运算支撑算法,并通过计算表达式求解模块根据转换算法对计算表达式进行计算求解。
6.如权利要求5所述的基于脑图结构的数值计算系统,其特征在于,所述数据接收模块包括:
传输模块,用于将提取模块所提取的关键字信息传输至中央处理器;
提取模块,用于对文字信息中的关键信息进行提取,并进行转换;
其中,提取模块包括:
特征提取模块,用于待识别文字提取得到共享特征图;
检测模块,对共享特征图进行检测得到文字提取区域;
文字行特征提取模块,用于将文字提取区域映射回共享特征图上并进行文字行特征提取得到文字行特征图;
识别模块,用于从文字行特征图中识别出目标文字,并转换为对应的计算数据。
7.如权利要求6所述的基于脑图结构的数值计算系统,其特征在于,所述传输模块,用于将提取模块所提取的关键字信息传输至中央处理器,其中在关键字信息数据传输过程中,通过以下的方法提高数据传输的效率:
将影响数据传输速度的影响因子加入第一数据传输节点链表中,其中所述影响因子包括节点类型、网关数量和活跃因子;
对于不同的影响因子赋予不同的权重系数,得到新的第二数据传输节点链表;
对于得到的新的第二数据传输节点链表进行排序,得出最优的数据节点,将其排在数据传输节点链表的头部;
在关键字信息数据传输到中央处理器时,从数据传输节点链表的头部的数据节点开始进行数据交互;
其中得出做优的数据节点的方法为采用求平均值算法,计算出单个数据节点的平均值,并将计算后数据节点平均值最大的选定为最优的数据节点。
8.如权利要求7所述的基于脑图结构的数值计算系统,其特征在于,所述脑图的数值计算包括以下步骤:
建立算法数据库,并将各种算法的名称以及其对应的算式代码储存至算法数据库内;
通过数据接收模块接收输入数据信息,并提取接收数据信息中的关键字;
将提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,并将对比数据发送至计算模块;
计算模块将对比的数据与接收的数据进行融合运算,并将计算的结构发送至显示模块进行显示。
9.如权利要求8所述的基于脑图结构的数值计算系统,其特征在于,所述算法数据库包括:
算法工具分类子集库,用于储存不同的算法工具,并根据算法工具的类型进行分类;
算法工具分类子集目录,用于将算法工具分类子集库所分类好的算法工具进行编号,并生成目录;
算法数据总库,用于根据算法工具分类子集目录进行分区并内置连接算法工具分类子集目录的响应模块;
反演算数据库,用于储存与算法数据库内的算法相匹配的反演算算法名称以及其对应的算式代码。
10.如权利要求9所述的基于脑图结构的数值计算系统,其特征在于,所述提取的关键字经过处理后与算法数据库内的信息进行相似度的对比,在进行相似度计算的过程中,采用如下的方法进行文本向量的选择:
将提取的关键字定义为词条项t,将算法数据库内的信息定义为文档D,采用以下公式计算词条t在文档D中出现的频率:
其中,TFt,d表示特征词条项t在某文档D中的词频,ft,d表示文档D中特征词条项t的频度,nd表示文档D中所有特征词条项的总数量;
通过以下公式计算特征词条项t的逆文档频率:
其中,idft为特征词条项t的逆文档频率,N为文档数量,dft为文档频率,所述文档频率指出现特征词条项t的所有文档的数量,文档频率dft为大于0的正整数;
采用词频-逆文档频率的文本特征标识方法,并通过以下公式计算特征词条项的权重值W:
W=TFt,d*idft
当词项只在少数几篇文档中多次出现时,权值最大,则提取的关键字与算法数据库的相似性最高,将其选择确定为文本向量的特征词;当词项在某篇文档中出现次数很少,或者在很多文档中出现,权重取值次之,则提取的关键字与算法数据库的相似性一般;当词项在所有文档中都出现时,权值最小,则提取的关键字与算法数据库的相似最低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645198.XA CN115934556A (zh) | 2022-12-21 | 2022-12-21 | 基于脑图结构的数值计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645198.XA CN115934556A (zh) | 2022-12-21 | 2022-12-21 | 基于脑图结构的数值计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115934556A true CN115934556A (zh) | 2023-04-07 |
Family
ID=86697615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211645198.XA Pending CN115934556A (zh) | 2022-12-21 | 2022-12-21 | 基于脑图结构的数值计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934556A (zh) |
-
2022
- 2022-12-21 CN CN202211645198.XA patent/CN115934556A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7392240B2 (en) | System and method for searching and matching databases | |
US8805843B2 (en) | Information mining using domain specific conceptual structures | |
US8325189B2 (en) | Information processing apparatus capable of easily generating graph for comparing of a plurality of commercial products | |
US20070244915A1 (en) | System and method for clustering documents | |
US20020174095A1 (en) | Very-large-scale automatic categorizer for web content | |
US20040049505A1 (en) | Textual on-line analytical processing method and system | |
US9442991B2 (en) | Ascribing actionable attributes to data that describes a personal identity | |
US5802254A (en) | Data analysis apparatus | |
CN112035599B (zh) | 基于垂直搜索的查询方法、装置、计算机设备及存储介质 | |
CN103309869A (zh) | 数据对象的展示关键词推荐方法及系统 | |
US20120239657A1 (en) | Category classification processing device and method | |
CN110874366A (zh) | 数据处理、查询方法和装置 | |
US20030126138A1 (en) | Computer-implemented column mapping system and method | |
KR100490442B1 (ko) | 벡터문서모델을 이용한 동일/유사제품 클러스트링 장치 및그 방법 | |
CN115934556A (zh) | 基于脑图结构的数值计算系统 | |
CN113486191B (zh) | 一种涉密电子文件定解密方法 | |
US20220156285A1 (en) | Data Tagging And Synchronisation System | |
KR20020008096A (ko) | 네트워크 기반의 유사어 검색기술 응용시스템 및 방법 | |
CN114185875A (zh) | 一种基于云计算的大数据统一分析处理系统 | |
Ajitha et al. | EFFECTIVE FEATURE EXTRACTION FOR DOCUMENT CLUSTERING TO ENHANCE SEARCH ENGINE USING XML. | |
KR20150096848A (ko) | 인덱스를 이용하는 데이터 검색 장치 및 이를 이용하는 방법 | |
US11341147B1 (en) | Finding dimensional correlation using hyperloglog | |
Tejasree et al. | An improved differential bond energy algorithm with fuzzy merging method to improve the document clustering for information mining | |
CN110633430A (zh) | 事件发现方法、装置、设备和计算机可读存储介质 | |
JPH11328220A (ja) | データ検索方法、その装置および記録媒体 |
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 |