CN116541006B - 一种计算机人机交互界面的图形处理方法和装置 - Google Patents
一种计算机人机交互界面的图形处理方法和装置 Download PDFInfo
- Publication number
- CN116541006B CN116541006B CN202310771116.4A CN202310771116A CN116541006B CN 116541006 B CN116541006 B CN 116541006B CN 202310771116 A CN202310771116 A CN 202310771116A CN 116541006 B CN116541006 B CN 116541006B
- Authority
- CN
- China
- Prior art keywords
- data
- computer
- user
- matrix
- processing
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 32
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 14
- 238000013079 data visualisation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种计算机人机交互界面的图形处理方法和装置,涉及人机交互界面技术领域,计算机人机交互界面的图形处理方法包括从数据库中采集数据,并对采集的数据进行预处理操作;对进行预处理操作后的数据进行降维处理;对降维后的数据进行分级;数据分级后,再进行分片处理;将数据进行后端并行计算,形成多个可并行处理的子任务;通过改进的Q‑learning算法对数据进行可视化处理,使数据在界面上以图形的形式进行展示。本发明所述方法通过数据预处理和PCA等数据降维方法,有效地减少了数据的维度,使得大数据处理成为可能;通过并行计算和数据汇总,大大提高了数据处理的速度,使得用户可以在短时间内得到结果。
Description
技术领域
本发明涉及人机交互界面技术领域,特别是一种计算机人机交互界面的图形处理方法和装置。
背景技术
人机交互界面是指人与计算机系统之间的通信媒体或手段,是人与计算机之间进行各种符号和动作的双向信息交换的平台。
在处理大数据集时,由于采集数据量过大,传统的数据处理和可视化方法可能会导致显示界面卡顿,甚至无法响应用户的操作,这种情况可能会极大地影响用户的体验和工作效率,并且现有的人机交互界面无法根据用户评分反馈实时进行调整,使得数据报告的整体质量和用户满意度较低。
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。
鉴于上述和/或现有的计算机人机交互界面的图形处理方法中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供一种计算机人机交互界面的图形处理方法。
为解决上述技术问题,本发明提供如下技术方案:一种计算机人机交互界面的图形处理方法,其包括如下步骤,从数据库中采集数据,并对采集的数据进行预处理操作;对进行预处理操作后的数据进行降维处理;对降维后的数据进行分级;数据分级后,再进行分片处理;将数据进行后端并行计算,形成多个可并行处理的子任务;通过改进的Q-learning算法对数据进行可视化处理,使数据在界面上以图形的形式进行展示;通过改进的Q-learning算法对数据进行可视化处理包括如下步骤,将状态s定义为用户画像以及用户对各种数据可视化成果的评分;将行动a定义为系统可能采取的更改数据可视化成果的操作;将奖励函数定义为基于系统响应时间t和用户满意度分数u的动态函数,通过如下公式进行表示,
;
式中,β代表系统响应时间t的影响因子,β∈[0,1];初始化Q表;根据奖励函数更新Q表,公式如下所示,
Q′(s,a)←Q(s,a)+α(d)[R(t,u)+γmax(Q(s',a'))-Q(s,a)]
式中,Q(s,a)为在状态s采取行动a的预期回报,α(d)为基于数据类型d的动态学习率,α(d)=1/(1+ηD),D是一个表示数据类型复杂度的度量,D∈[0,100],η为基于数据类型复杂度D的影响因子,η∈[0,1],γ为折扣因子,γ∈[0,1],max(Q(s',a'))为在下一个状态s'中采取的可能动作的Q值;系统反复进行行动选择、实施,直到Q表收敛或者达到预设的迭代次数。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:所述数据包括用户行为数据、用户画像数据、物联网数据、地理信息数据或生物信息数据。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:所述预处理操作包括数据清洗、数据转换和数据规范化处理;所述数据规范化处理包括如下步骤,计算原始数据X的均值,计算公式如下,
;
式中,X[i,j]表示数据矩阵中第i行第j列的元素,n是样本数量,i从1到n,j从1到p,p是特征数量;
计算原始数据X的标准差,计算公式如下,
;
式中,表示数据矩阵中第j列的均值;
对原始数据进行规范化处理,计算公式如下,
;
其中X是原始数据,Xm为X的均值,为数据的标准差,X'是规范化后的数据。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:所述降维处理包括如下步骤:计算规范化后数据的协方差矩阵,计算公式为,
;
式中,C为协方差矩阵,X'为规范化后的数据,n为数据的数量,是X的转置矩阵;
对协方差矩阵进行特征值分解,得到特征值和特征向量,特征值分解的公式为,
;
式中,C为协方差矩阵,V为特征向量矩阵,La为特征值矩阵,V'为V的转置;
选择前k个最大的特征值对应的特征向量组成投影矩阵P,表示为,
;
式中,vk为前k个最大特征值对应的特征向量;
将原始数据投影到新的坐标系中,得到降维后的数据,表示为,
;
式中,Y为降维后的数据,X'为规范化后的数据,P为投影矩阵。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:在对数据进行分级时,将数据分成概览级别和详细级别,所述分片处理是指将数据分成多个片段,根据用户的操作和需求,加载和处理所需的数据片段。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:所述后端并行计算是指在Map阶段,每个处理器读取数据片段,然后对数据片段应用Map函数,生成中间的键值对;在Reduce阶段,将所有具有相同键的中间键值对合并在一起,然后应用Reduce函数,生成最终的键值对。
作为本发明所述计算机人机交互界面的图形处理方法和装置的一种优选方案,其中:对数据进行可视化处理时,每个子任务能够在不同的处理器或计算节点上独立运行。
本发明的另外一个目的是提供计算机人机交互界面的图形处理装置,用于解决现有技术中采集数据量过大而导致显示界面卡顿,并且用户满意度较低的问题。
为解决上述技术问题,本发明提供如下技术方案:一种计算机人机交互界面的图形处理装置,其包括数据采集模块,用于采集原始数据;数据处理模块,用于将原始数据进行处理,形成可以被数据读取模块读取的键值对;数据可视化模块,用于读取数据处理模块形成的对键值,将数据汇总输出转化为图形;用户交互模块,用于处理用户的输入信息,并根据用户的操作调整数据可视化的结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明有益效果为:通过数据预处理和PCA等数据降维方法,有效地减少了数据的维度,使得大数据处理成为可能;通过数据可视化,使得用户可以直观地理解和利用数据,从而提高工作效率;确保了数据可视化的效果能根据用户的反馈进行自我调整和优化,从而达到更好的效果。
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为计算机人机交互界面的图形处理方法的流程图。
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。
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。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种计算机人机交互界面的图形处理方法,计算机人机交互界面的图形处理方法包括如下步骤:
S1、从数据库中采集数据,并对采集的数据进行预处理操作。
具体的,所述数据包括用户行为数据、用户画像数据、物联网数据、地理信息数据或生物信息数据,其中用户画像数据包括用户的各种属性,如年龄、性别、职业、收入、购买偏好、网页浏览历史等。物联网数据包括设备的运行状态、能耗、产量等多个维度的数据。地理信息数据包括地理位置、高度、温度、湿度、风速等。生物信息数据包括基因序列、蛋白质结构等。文本数据通常会被转化为高维的向量空间模型,每个维度代表一个特定的词语或者特征。
所述预处理操作包括数据清洗、数据转换和数据规范化处理;
所述数据规范化处理包括如下步骤,
计算原始数据X的均值,计算公式如下,
;
式中,X[i,j]表示数据矩阵中第i行第j列的元素,n是样本数量,i从1到n,j从1到p,p是特征数量;
计算原始数据X的标准差,计算公式如下,
;
式中,表示数据矩阵中第j列的均值;
对原始数据进行规范化处理,计算公式如下,
;
其中X是原始数据,Xm为X的均值,为数据的标准差,X'是规范化后的数据。
S2、对进行预处理操作后的数据进行降维处理。
所述降维处理包括如下步骤:
计算规范化后数据的协方差矩阵,计算公式为,
;
式中,C为协方差矩阵,X'为规范化后的数据,n为数据的数量,是X的转置矩阵;
对协方差矩阵进行特征值分解,得到特征值和特征向量,特征值分解的公式为,
;
式中,C为协方差矩阵,V为特征向量矩阵,La为特征值矩阵,V'为V的转置;
选择前k个最大的特征值对应的特征向量组成投影矩阵P,表示为,
;
式中,vk为前k个最大特征值对应的特征向量;
将原始数据投影到新的坐标系中,得到降维后的数据,表示为,
;
式中,Y为降维后的数据,X'为规范化后的数据,P为投影矩阵。
S3、对降维后的数据进行分级。
S4、数据分级后,再进行分片处理。
对于大量的数据,一次性加载和处理所有的数据不仅会导致界面卡顿,而且也可能导致用户感到困惑和信息过载。因此,可以将数据分成不同的级别,用户可以根据需要查看不同级别的数据。例如,用户首先可以查看概览级别的数据,了解数据的大致情况,然后再查看详细级别的数据,了解更多的细节,因此在本市实施例中在对数据进行分级时,将数据分成概览级别和详细级别。所述分片处理是指将数据分成多个片段,根据用户的操作和需求,加载和处理所需的数据片段,例如,如果用户正在浏览的是某个时间段的数据,那么就需要加载这个时间段的数据片段。具体的加载策略可能会根据应用的需求和性能要求来调整。例如,为了提高响应速度,可以预先加载用户可能会需要的数据片段;为了节省资源,可以在用户不再需要某个数据片段时,将其从内存中删除。
S5、将数据进行后端并行计算,形成多个可并行处理的子任务,每个子任务能够在不同的处理器或计算节点上独立运行。
所述后端并行计算是指在Map阶段,每个处理器读取数据片段,然后对数据片段应用Map函数,生成中间的键值对;在Reduce阶段,将所有具有相同键的中间键值对合并在一起,然后应用Reduce函数,生成最终的键值对。MapReduce是一种编程模型,用于大规模数据集的并行运算。概念"Map(映射)"和"Reduce(归约)",是它们的主要思想,都是从函数式编程语言里借来的,还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下,将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map(映射)函数,用来把一组键值对映射成一组新的键值对,指定并发的Reduce(归约)函数,用来保证所有映射的键值对中的每一个共享相同的键组。
S6、通过改进的Q-learning算法对数据进行可视化处理,使数据在界面上以图形的形式进行展示。
通过改进的Q-learning算法对数据进行可视化处理包括如下步骤:
将状态s定义为用户画像以及用户对各种数据可视化成果的评分,其中各种数据是指该用户的用户行为数据、物联网数据、地理信息数据或生物信息数据,用户的评分则反映了用户对当前数据报告可理解性的反馈;
将行动a定义为系统可能采取的更改数据可视化成果的操作,在本实施例中,行动可以是更改数据报告的可视化形式,例如更改图表类型(柱状图、折线图、饼图等)、更改颜色主题、更改数据标签等;
将奖励函数定义为基于系统响应时间t和用户满意度分数u的动态函数,通过如下公式进行表示,
;
式中,β代表系统响应时间t的影响因子,β∈[0,1];
初始化Q表;
根据奖励函数更新Q表,公式如下所示,
Q′(s,a)←Q(s,a)+α(d)[R(t,u)+γmax(Q(s',a'))-Q(s,a)]
式中,Q(s,a)为在状态s采取行动a的预期回报,α(d)为基于数据类型d的动态学习率,α(d)=1/(1+ηD),D是一个表示数据类型复杂度的度量,D∈[0,100],η为基于数据类型复杂度D的影响因子,η∈[0,1],γ为折扣因子,γ∈[0,1],max(Q(s',a'))为在下一个状态s'中采取的可能动作的Q值;
系统反复进行行动选择、实施,直到Q表收敛或者达到预设的迭代次数。
需要注意的是,可视化数据报告的可理解性以及生成的时间会极大影响用户的体验度,所以本发明将奖励函数定义为基于系统响应时间t和用户满意度分数u的动态函数,使得可视化的效果好,用户满意度高。
实施例2
本发明第二个实施例,该实施例提供了一种计算机人机交互界面的图形处理装置,计算机人机交互界面的图形处理装置包括数据采集模块、数据处理模块、数据可视化模块和用户交互模块。
具体的,用户交互模块用于采集原始数据,它负责从各种源头收集原始数据。
数据处理模块用于将原始数据进行处理,形成可以被数据读取模块读取的键值对。该模块将数据进行清洗、规范化和分片处理,以及使用PCA等算法进行数据降维。该模块可以通过各种数据处理软件库和工具(例如Pandas、Scikit-learn等)实现。
数据可视化模块用于读取数据处理模块形成的对键值,将数据汇总输出转化为图形,以便用户查看和理解。它包括图形生成和渲染功能,可以使用各种图形库(例如D3.js、matplotlib、plotly等)来实现。
用户交互模块用于处理用户的输入信息,并根据用户的操作调整数据可视化的结果。这可以通过使用图形用户界面库(例如Qt、GTK等)和Web前端框架(例如React、Vue.js等)实现。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高可靠性配网优化转供策略生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
从数据库中采集数据,并对采集的数据进行预处理操作;
对进行预处理操作后的数据进行降维处理;
对降维后的数据进行分级;
数据分级后,再进行分片处理;
将数据进行后端并行计算,形成多个可并行处理的子任务;
通过改进的Q-learning算法对数据进行可视化处理,使数据在界面上以图形的形式进行展示。
实施例3
本发明第三个实施例,在本实施例中,提供了一种计算机人机交互界面的图形处理方法的验证测试,对本方法中采用的技术方案加以验证说明。
在某次实验中收集了多维度的数据,包括时间、温度、压力、湿度、设备状态、设备功率、设备电流、设备电压等,部分数据如表1所示。
表1 部分试验数据表
表1中,设备状态为1表示设备正在运行,0表示设备已停止。
计算原始数据的均值,如表2所示。
表2 原始数据的均值
时间(秒) | 温度(℃) | 压力(kPa) | 湿度(%) | 设备状态 | 设备功率(W) | 设备电流(A) | 设备电压(V) | |
均值 | 2 | 27.48 | 101.9 | 42.88 | 0.8 | 303.02 | 2.76 | 176.52 |
计算原始数据的标准差,如表3所示。
表3 原始数据的标准差
时间(秒) | 温度(℃) | 压力(kPa) | 湿度(%) | 设备状态 | 设备功率(W) | 设备电流(A) | 设备电压(V) | |
标准差 | 1.581 | 0.130 | 0.158 | 0.192 | 0.447 | 169.394 | 1.544 | 98.678 |
对原始数据进行规范化处理,如表4所示。
表4 规范化处理后的数据
然后通过降维处理对数据进行降维,最终得到降维后的数据如表5所示。
表5 降维后的数据表
样本 | X | Y |
1 | -0.345 | -0.158 |
2 | 0.230 | 0.316 |
3 | -0.153 | -0.316 |
4 | 0.038 | 0.000 |
5 | 0.230 | 0.158 |
上述X和Y数据包含了原始数据的大部分信息。不仅可以降低数据处理和存储的复杂性,也能更好地展示数据的主要特征。
采用本发明所述方法与现有技术进行对比,数据如表6所示。
表6 本发明所述方法与现有技术对比表
其中,准确率是指数据处理的准确率,用户体验度是指用户对两种方法的评分,工作效率是指数据处理速度。
综上所述,本发明所述方法通过数据预处理和PCA等数据降维方法,有效地减少了数据的维度,使得大数据处理成为可能;通过并行计算和数据汇总,大大提高了数据处理的速度,使得用户可以在短时间内得到结果;通过数据可视化,使得用户可以直观地理解和利用数据,从而提高工作效率。
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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种计算机人机交互界面的图形处理方法,其特征在于:包括,
从数据库中采集数据,并对采集的数据进行预处理操作;
对进行预处理操作后的数据进行降维处理;
对降维后的数据进行分级,数据分级后,再进行分片处理;
将数据进行后端并行计算,形成多个可并行处理的子任务;
通过改进的Q-learning算法对数据进行可视化处理,使数据在界面上以图形的形式进行展示;
通过改进的Q-learning算法对数据进行可视化处理包括如下步骤,
将状态s定义为用户画像以及用户对各种数据可视化成果的评分;
将行动a定义为系统可能采取的更改数据可视化成果的操作;
将奖励函数定义为基于系统响应时间t和用户满意度分数u的动态函数,通过如下公式进行表示,
;
式中,β代表系统响应时间t的影响因子,β∈[0,1];
初始化Q表;
根据奖励函数更新Q表,公式如下所示,
Q′(s,a)←Q(s,a)+α(d)[R(t,u)+γmax(Q(s',a'))-Q(s,a)]
式中,Q(s,a)为在状态s采取行动a的预期回报,α(d)为基于数据类型d的动态学习率,α(d)=1/(1+ηD),D是一个表示数据类型复杂度的度量,D∈[0,100],η为基于数据类型复杂度D的影响因子,η∈[0,1],γ为折扣因子,γ∈[0,1],max(Q(s',a'))为在下一个状态s'中采取的可能动作的Q值;
系统反复进行行动选择、实施,直到Q表收敛或者达到预设的迭代次数;
所述预处理操作包括数据清洗、数据转换和数据规范化处理;
所述数据规范化处理包括如下步骤,
计算原始数据X的均值,计算公式如下,
;
式中,表示数据矩阵中第j列的均值,X[i,j]表示数据矩阵中第i行第j列的元素,n是样本数量,i从1到n,j从1到p,p是特征数量;
计算原始数据X的标准差,计算公式如下,
;
式中,表示数据矩阵中第j列的均值;
对原始数据进行规范化处理,计算公式如下,
;
其中X是原始数据,Xm为X的均值,为数据的标准差,X'是规范化后的数据;
所述数据包括用户行为数据、用户画像数据、物联网数据、地理信息数据或生物信息数据;
所述降维处理包括如下步骤:
计算规范化后数据的协方差矩阵,计算公式为,
;
式中,C为协方差矩阵,X'为规范化后的数据,n为数据的数量,是X的转置矩阵;
对协方差矩阵进行特征值分解,得到特征值和特征向量,特征值分解的公式为,
;
式中,C为协方差矩阵,V为特征向量矩阵,La为特征值矩阵,V'为V的转置;
选择前k个最大的特征值对应的特征向量组成投影矩阵P,表示为,
;
式中,vk为前k个最大特征值对应的特征向量;
将原始数据投影到新的坐标系中,得到降维后的数据,表示为,
;
式中,Y为降维后的数据,X'为规范化后的数据,P为投影矩阵;
在对数据进行分级时,将数据分成概览级别和详细级别,所述分片处理是指将数据分成多个片段,根据用户的操作和需求,加载和处理所需的数据片段;
所述后端并行计算是指在Map阶段,每个处理器读取数据片段,然后对数据片段应用Map函数,生成中间的键值对;在Reduce阶段,将所有具有相同键的中间键值对合并在一起,然后应用Reduce函数,生成最终的键值对。
2.一种采用如权利要求1所述的计算机人机交互界面的图形处理方法的装置,其特征在于:包括,
数据采集模块,用于采集原始数据;
数据处理模块,用于将原始数据进行处理,形成可以被数据读取模块读取的键值对;
数据可视化模块,用于读取数据处理模块形成的对键值,将数据汇总输出转化为图形;
用户交互模块,用于处理用户的输入信息,并根据用户的操作调整数据可视化的结果。
3.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1中所述的计算机人机交互界面的图形处理方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1中所述的计算机人机交互界面的图形处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771116.4A CN116541006B (zh) | 2023-06-28 | 2023-06-28 | 一种计算机人机交互界面的图形处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771116.4A CN116541006B (zh) | 2023-06-28 | 2023-06-28 | 一种计算机人机交互界面的图形处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541006A CN116541006A (zh) | 2023-08-04 |
CN116541006B true CN116541006B (zh) | 2024-01-26 |
Family
ID=87449085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771116.4A Active CN116541006B (zh) | 2023-06-28 | 2023-06-28 | 一种计算机人机交互界面的图形处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056951B (zh) * | 2023-08-09 | 2024-06-25 | 上海好芯好翼智能科技有限公司 | 一种数字平台的数据安全管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426609A (zh) * | 2011-12-28 | 2012-04-25 | 厦门市美亚柏科信息股份有限公司 | 一种基于MapReduce编程架构的索引生成方法和装置 |
CN104036039A (zh) * | 2014-06-30 | 2014-09-10 | 浪潮(北京)电子信息产业有限公司 | 一种数据的并行处理方法和系统 |
CN107658010A (zh) * | 2017-10-19 | 2018-02-02 | 大连大学 | 基于倒排泰森多边形索引的移动医疗查询方法及应用 |
CN108966330A (zh) * | 2018-09-21 | 2018-12-07 | 西北大学 | 一种基于Q-learning的移动端音乐播放器动态调节能耗优化方法 |
CN116112278A (zh) * | 2023-02-17 | 2023-05-12 | 西安电子科技大学 | 基于Q-learning的网络最优攻击路径预测方法及系统 |
CN116244161A (zh) * | 2023-05-12 | 2023-06-09 | 山东齐鲁壹点传媒有限公司 | 一种基于深度模拟操作的数据采集方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10545792B2 (en) * | 2016-09-12 | 2020-01-28 | Seven Bridges Genomics Inc. | Hashing data-processing steps in workflow environments |
CN110737737A (zh) * | 2019-09-19 | 2020-01-31 | 中国国土勘测规划院 | 一种国土矢量数据渲染方法及系统 |
CN111898424B (zh) * | 2020-06-19 | 2023-07-21 | 贝壳技术有限公司 | 文字识别模型训练方法、装置、电子设备及存储介质 |
CN115766104A (zh) * | 2022-10-25 | 2023-03-07 | 重庆移通学院 | 一种基于改进的Q-learning网络安全决策自适应生成方法 |
-
2023
- 2023-06-28 CN CN202310771116.4A patent/CN116541006B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426609A (zh) * | 2011-12-28 | 2012-04-25 | 厦门市美亚柏科信息股份有限公司 | 一种基于MapReduce编程架构的索引生成方法和装置 |
CN104036039A (zh) * | 2014-06-30 | 2014-09-10 | 浪潮(北京)电子信息产业有限公司 | 一种数据的并行处理方法和系统 |
CN107658010A (zh) * | 2017-10-19 | 2018-02-02 | 大连大学 | 基于倒排泰森多边形索引的移动医疗查询方法及应用 |
CN108966330A (zh) * | 2018-09-21 | 2018-12-07 | 西北大学 | 一种基于Q-learning的移动端音乐播放器动态调节能耗优化方法 |
CN116112278A (zh) * | 2023-02-17 | 2023-05-12 | 西安电子科技大学 | 基于Q-learning的网络最优攻击路径预测方法及系统 |
CN116244161A (zh) * | 2023-05-12 | 2023-06-09 | 山东齐鲁壹点传媒有限公司 | 一种基于深度模拟操作的数据采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116541006A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A study of graph-based system for multi-view clustering | |
Khan et al. | Multi-view data clustering via non-negative matrix factorization with manifold regularization | |
CN108230058B (zh) | 产品推荐方法及系统 | |
JP5477297B2 (ja) | 能動計量学習装置、能動計量学習方法および能動計量学習プログラム | |
Jaszkiewicz | Improved quick hypervolume algorithm | |
Li et al. | An efficient manifold regularized sparse non-negative matrix factorization model for large-scale recommender systems on GPUs | |
CN116541006B (zh) | 一种计算机人机交互界面的图形处理方法和装置 | |
Niu et al. | One-step multi-view subspace clustering with incomplete views | |
JP2018092615A (ja) | 畳み込みニューラルネットワークモデルの決定装置及び決定方法 | |
CN111461757B (zh) | 信息处理方法及装置、计算机存储介质、电子设备 | |
Bücher et al. | Single-index quantile regression models for censored data | |
Eftekhari et al. | Block-enhanced precision matrix estimation for large-scale datasets | |
Gattone et al. | Clustering curves on a reduced subspace | |
Zhou et al. | Robust semi-supervised clustering via data transductive warping | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
Chen et al. | A novel projection twin support vector machine for binary classification | |
Wang et al. | Unsupervised feature selection by learning exponential weights | |
JP2012093976A (ja) | クラスタリング・システム、方法及びプログラム | |
Frølich et al. | Rigorous optimisation of multilinear discriminant analysis with Tucker and PARAFAC structures | |
Li et al. | Robust feature selection via l2, 1-norm in finite mixture of regression | |
Liang et al. | A parallel probabilistic latent semantic analysis method on MapReduce platform | |
Guo et al. | The rise of nonnegative matrix factorization: algorithms and applications | |
Barboza et al. | Blockly-DS: Blocks Programming for Data Science with visual, statistical, descriptive and predictive analysis | |
CN114297385A (zh) | 模型训练方法、文本分类方法、系统、设备及介质 | |
Yang et al. | Multivariate sparse Laplacian shrinkage for joint estimation of two graphical structures |
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 |