CN117033876A - 一种基于多级耦合算法的数字矩阵处理方法 - Google Patents
一种基于多级耦合算法的数字矩阵处理方法 Download PDFInfo
- Publication number
- CN117033876A CN117033876A CN202310924294.6A CN202310924294A CN117033876A CN 117033876 A CN117033876 A CN 117033876A CN 202310924294 A CN202310924294 A CN 202310924294A CN 117033876 A CN117033876 A CN 117033876A
- Authority
- CN
- China
- Prior art keywords
- digital matrix
- data
- clustering
- nodes
- aircraft
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 82
- 238000010168 coupling process Methods 0.000 title claims abstract description 40
- 230000008878 coupling Effects 0.000 title claims abstract description 39
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于数字矩阵分析处理技术领域，具体公开了一种基于多级耦合算法的数字矩阵处理方法，包括：获取图片数据集中的数字矩阵，根据数字矩阵的维度生成多层拓扑结构；获取所有分布结果的分布概率，根据分布概率获取分布结果对应节点在拓扑结构中的分类概率；通过所有分类概率对拓扑结构上每个节点标注，以获得多级耦合模型；具有如下优点：较现有的方法，能够更有效、更具可解释性地处理数字矩阵，对每一条数据生成标注，方便从业者对巨量数据进行直观的分析；基于多种机器学习算法，每个算法都满足简单易用的条件，使本发明具有高可用性，并且也使性能有了显著的提高。
Description
技术领域
本发明涉及数字矩阵分析处理技术领域，具体而言，涉及一种基于多级耦合算法的数字矩阵处理方法。
背景技术
基于多级耦合算法的数字矩阵处理方法在促进科技创新方面发挥着重要的作用，目前在数字矩阵处理领域不论是机器学习还是深度学习，大多数单一算法都不能够很好地适应例如arXiv论文库的使用情景，并且由于缺乏目标导向和过程数据的可视化，导致数字矩阵不能被适当地处理，使结果不尽如人意。
为此提出一种基于多级耦合算法的数字矩阵处理方法，以解决上述提出的问题。
发明内容
本发明旨在提供一种基于多级耦合算法的数字矩阵处理方法，以解决或改善上述在海量数字矩阵下如何通过机器学习算法对数据进行标注，并能够高度可解释性地可视化标注数据的分类依据的技术问题。
有鉴于此，本发明的第一方面在于提供一种基于多级耦合算法的数字矩阵处理方法。
本发明的第二方面在于提供数字矩阵处理系统。
本发明的第三方面在于提供一种电子设备。
本发明的第一方面提供了一种基于多级耦合算法的数字矩阵处理方法，通过多级耦合模型处理所述数字矩阵，所述多级耦合模型通过下述步骤获取：获取图片数据集中的数字矩阵，根据所述数字矩阵的维度生成多层拓扑结构；其中，所述拓扑结构的节点用于表征所述维度的分布结果，所述节点之间的关联关系用于表征所述分布结果之间的连接关系；获取所述分布结果在相邻所述维度上的分类概率；将所述分类概率设置在所述拓扑结构中用于表征对应所述分布结果的节点上，以获得所述多级耦合模型。
进一步地，所述的根据所述数字矩阵的维度生成多层拓扑结构的步骤，包括：根据所述数字矩阵的数据点分布，选择聚类方法对所述数字矩阵聚类；根据所述数字矩阵的维度确定所述拓扑结构的层，将每个所述维度内分布结果确定为对应所述层上对节点；根据聚类的结果将所述节点划分为子节点和叶子节点。
进一步地，所述根据所述数字矩阵的数据点分布，选择聚类方法对所述数字矩阵聚类的步骤，包括：降维处理所述数字矩阵，以获得二维数据；分析所述二维数据中数据的分布形状，根据所述分布形状选择所述聚类方法；根据选择的所述聚类方法，获取包含所述二维数据的聚类中心的聚类结果。
进一步地，所述的获取包含所述二维数据的聚类中心的聚类结果的步骤，包括：计算所述二维数据在二维平面对应点的局部密度，以及每个所述点与其他点的相对距离；根据所述局部密度计算平均密度，以及根据所述相对距离计算平均相对距离；获取局部密度大于平均密度，并相对距离大于平均相对距离的点，将该点作为所述聚类中心。
进一步地，所述的根据所述数字矩阵的维度生成多层拓扑结构的步骤，还包括：通过聚类的结果对所述数字矩阵上标签，以获得带有标签的验证数据；将所述验证数据输入所述拓扑结构，通过所述叶子节点获得对照数据；根据所述对照数据和验证数据，修改所有所述节点的分类概率，直至所述对照数据和验证数据相同。
进一步地，所述的根据所述数字矩阵的维度确定所述拓扑结构的层的步骤，包括：设置一个根节点，并作为所述拓扑结构的第一层；根据所述维度的个数及顺序，在所述第一层之后依次设置所述拓扑结构的其他层。
进一步地，所述的根据聚类的结果将所述节点划分为子节点和叶子节点的步骤，包括：获取聚类的结果中聚类中心的个数；根据所述聚类中心的个数设定所述叶子节点；将未设定为叶子节点的节点设定为子节点。
进一步地，所述的通过多级耦合模型处理所述数字矩阵的步骤，包括：获取飞行器的图片数据集，提取所述图片数据集的图片中飞行器参数；通过所述节点表征所述飞行器参数，通过相邻层之间节点的连接关系表征所述飞行器参数所在飞行器类型；获取每个飞行器参数所在飞行器类型，将所述飞行器类型标注用于表征对应所述飞行器参数的节点；其中，根据节点及节点的连接关系生成拓扑图，以表征所述飞行器参数和飞行器类型。
本发明的第二方面提供了一种数字矩阵处理系统，包括：数数据收集模块，用于获取所述数据库中数字矩阵的数据；计算处理模块，根据所述多级耦合模型计算所述数据的特征信息；结果输出模块，将获得的特征信息向外输出。
本发明的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本发明与现有技术相比所具有的有益效果：
较现有的方法，有效指准确率高，可解释性指可观测可视化，能够更有效、更具可解释性地处理数字矩阵，对每一条数据生成标注，方便从业者对巨量数据进行直观地分析。
基于多种机器学习算法，每个算法都满足简单易用的条件，使本发明具有高可用性，并且也使性能有了显著的提高。
在数字矩阵处理、数据挖掘和细粒度知识服务等领域具有广阔的应用前景。
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显，或通过根据本发明的实施例的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明的方法逻辑框图；
图2为本发明的步骤流程图；
图3为本发明的聚类算法的效果图；
图4为本发明的一种电子设备的结构示意图。
具体实施方式
为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
请参阅图1-4，下面描述本发明一些实施例的一种基于多级耦合算法的数字矩阵处理方法。
本发明第一方面的实施例提出了一种基于多级耦合算法的数字矩阵处理方法。在本发明的一些实施例中，如图1-3所示，该方法通过多级耦合模型处理数字矩阵，多级耦合模型通过下述步骤获取：
以公开图数据集MNIST为例，MNIST数据集来自美国国家标准与技术研究所，是NIST(National Institute of Standards and Technology)的缩小版，训练集(trainingset)由来自250个不同人手写的数字构成，其中50％是高中学生，50％来自人口普查局(theCensus Bureau)的工作人员，测试集(test set)也是同样比例的手写数字数据。它包含60,000个训练图像和10,000个测试图像。全程使用python实验。
S1，获取图片数据集中的数字矩阵，根据数字矩阵的维度生成多层拓扑结构；其中，拓扑结构的节点用于表征维度的分布结果，节点之间的关联关系用于表征分布结果之间的连接关系。
拓扑结构为决策树，调用sklearn包中tree.DecisionTreeClassifier方法，创建决策树模型。将叶子节点设置为1-10的聚类标签。并通过训练集训练样本。
S2，获取所有分布结果的分布概率，根据分布概率获取分布结果对应节点在拓扑结构中的分类概率。
具体而言，根据朴素贝叶斯在决策树每一个节点处显示选择概率，使整个决策树选择概率可视化。
朴素贝叶斯算法的核心思想是通过考虑特征概率来预测分类，即对于给出的待分类样本，求解在此样本出现的条件下各个类别出现的概率。因此我们可以在每个节点上给出它选择左节点和右节点个概率，在辅助决策树的同时使决策书过程可视化。
朴素贝叶斯最核心的部分是贝叶斯法则，而贝叶斯法则的基石是条件概率。为下述公式：
式中，ci表示类别，输入待判断数据，x和y是互相独立的特征，即节点上的特征。分别带入每个节点特征，即可得到当前数据选择左节点c1和右节点c2分别的概率。P表示概率，i为节点标号。
S3，通过所有分类概率对拓扑结构上每个节点标注，以获得多级耦合模型。
获取每个节点的特征值，并根据朴素贝叶斯公式计算对应的概率。使用测试集进行结果预测。使用grapviz绘制决策树，并附上朴素贝叶斯计算的概率结果。获得训练好的模型，我们带入数据集：输入手写图片数字1的784维图片向量。经过聚类和决策树将聚类问题转换为分类问题。图片手写数字1被分类为1。路径中显示每一个决策的概率。其中每个数字代表一种类别，他们分别是：
[0：0，1：1，2：2，3：3，4：4，5：5，6：6，7：7，8：8，9：9]。
至此通过图聚类的多级耦合模型，得到了潜藏在大型数据集中的数字知识表示，具体为上述图片中的数字信息，为下游任务提供了良好的先验条件。
本发明提供的一种基于多级耦合算法的数字矩阵处理方法，解决在海量数字矩阵下如何通过机器学习算法对数据进行标注，并能够高度可解释性地可视化标注数据的分类依据的技术问题，创造性的结合了聚类方法以及决策树等机器学习方法，可以准确地自动处理数字矩阵并生成可供用户可视化认知的结果，从而生成基准决策模型，辅助从业者对标注数据进行有效分析，能够有效地解决上文中提到的技术缺陷。
进一步地，本实验是在同等条件下，以相同的数据集，分别采用两种类别的方法进行比较。第一种类别的方法是基于普通决策树的方法，第二种方法是本发明的多级耦合方法。对于MNIST数据集，采用精度(ACC)来验证各种模型的性能。现有的单个模型的最好性能均不超过70％。而我们的模型性能为72.79％。达到了目前最好的结果。通过实验表明了本发明提出的基于多级耦合算法的基于多级耦合算法的数字矩阵处理方法的有效性。
上述任一实施例中，根据数字矩阵的维度生成多层拓扑结构的步骤，包括：
根据数字矩阵的数据点分布，选择聚类方法对数字矩阵聚类。
根据数字矩阵的维度确定拓扑结构的层，将每个维度内分布结果确定为对应层上对节点。
根据聚类的结果将节点划分为子节点和叶子节点。
在该实施例中，假设处理的数字矩阵有五维，则生成六层决策树，每个维度生成一层决策树，即将所有的特征看成一个一个的节点。其中叶子节点为步骤一中的聚类结果。例如一种聚类为10类，则一种有10个叶子节点。
上述任一实施例中，根据数字矩阵的数据点分布，选择聚类方法对数字矩阵聚类的步骤，包括：
降维处理数字矩阵，以获得二维数据。
分析二维数据中数据的分布形状，根据分布形状选择聚类方法。
根据选择的聚类方法，获取包含二维数据的聚类中心的聚类结果。
具体而言，调用sklearn库中的MNIST数据集，其中包括训练集和测试集。了解并读取数据。它是由28*28的数字矩阵构成每一张图片。通用t-sne降维后，输入二维节点数据。如某节点的输入维度为784的向量，经过t-sne降维后为2维，如下[0.87058824,0.99607843]。将得到的训练集的60000*2的数字矩阵带入到CFSFDP算法中，得到聚类结果和聚类标签。聚类标签如下[0，1，2，1，5，7，3，8，9，……]。
在该实施例中，以二位数据点为例数据为例，基于距离的聚类方法只适用于凸型数据尤其是球状分布的数据，而难以处理非凸数据，密度聚类法可以很好地解决这个问题。假设数据矩阵经过处理降维后的二维数据是非凸数据，我们选择CFSFDP算法对数据进行聚类。
上述任一实施例中，获取包含二维数据的聚类中心的聚类结果的步骤，包括：
计算二维数据在二维平面对应点的局部密度，以及每个点与其他点的相对距离。
根据局部密度计算平均密度，以及根据相对距离计算平均相对距离。
获取局部密度大于平均密度，并相对距离大于平均相对距离的点，将该点作为聚类中心。
在该实施例中，首先根据计算点的局部密度ρi，其中，dc表示截断距离，由用户根据需求设定具体值。其中X表示计算函数，属于集合{0，1}，dij表示点i和j的截断距离、IS数据点集合。
计算各个点之间的相对距离，对每个点，计算当前点与其他点之间的所有相对距离，然后根据所有相对距离计算当前点的自身的相对距离。结合这两个指标，局部密度大于平均密度并且相对距离大于平均相对距离的点，就可以看成是一个聚类中心。根据上述方法计算出的聚类中心，得到聚类结果。
上述任一实施例中，根据数字矩阵的维度生成多层拓扑结构的步骤，还包括：
通过聚类的结果对数字矩阵上标签，以获得带有标签的验证数据。
将验证数据输入拓扑结构，通过叶子节点获得对照数据。
根据对照数据和验证数据，修改所有节点的分类概率，直至对照数据和验证数据相同。
在该实施例中，因决策树模型是根据聚类过程与结果生成的，因此决策树模型是固定的，已经历过第一步中聚类的带标签数据从根节点中进入决策树，对整个决策树进行遍历和二次验证，得到最终的决策树模型。
上述任一实施例中，根据数字矩阵的维度确定拓扑结构的层的步骤，包括：
设置一个根节点，并作为拓扑结构的第一层。
根据维度的个数及顺序，在第一层之后依次设置拓扑结构的其他层。
在该实施例中，根节点是作为数据输入的必要节点。
上述任一实施例中，根据聚类的结果将节点划分为子节点和叶子节点的步骤，包括：
获取聚类的结果中聚类中心的个数。
根据聚类中心的个数设定叶子节点。
将未设定为叶子节点的节点设定为子节点。
在该实施例中，如图2所示，该图片为示例数据集聚类结果示意图，图中每一个点表示一条样本，每一种颜色表示一种类别，可以看到同一种类别的样本点分布较为集中，不同类别的样本点距离较远。在示意场景下，经过聚类算法，样本被分出了3个类别。接下来，我们将对于聚类算法分类标准进行可解释性分析。
上述任一实施例中，通过多级耦合模型处理数字矩阵的步骤，包括：
获取飞行器的图片数据集，提取图片数据集的图片中飞行器参数。
通过节点表征飞行器参数，通过相邻层之间节点的连接关系表征飞行器参数所在飞行器类型。
获取每个飞行器参数所在飞行器类型，将飞行器类型标注用于表征对应飞行器参数的节点。
其中，根据节点及节点的连接关系生成拓扑图，以表征飞行器参数和飞行器类型。
本发明第二方面的实施例提出了一种数字矩阵处理系统。在本发明的一些实施例中，该系统包括：
数据收集模块，用于获取数据库中数字矩阵的数据。
计算处理模块，根据多级耦合模型计算数据的特征信息。
结果输出模块，将获得的特征信息向外输出并发送。
本发明第三方面的实施例提出了电子设备。在本发明的一些实施例中，如图4所示，提供了电子设备，该电子设备包括：可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解，图4仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signa l Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器302可以是电子设备3的内部存储单元，例如，电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备，例如，电子设备3上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。
本发明第三方面的实施例还提出了计算机可读存储介质。在本发明的一些实施例中，如图4所示，提供了计算机可读存储介质，该计算机可读存储介质被处理器301执行时实现上述方法的步骤，因此本发明第三方面提供的计算机可读存储介质具有上述步骤的全部技术效果，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机
程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于多级耦合算法的数字矩阵处理方法，其特征在于，通过多级耦合模型处理所述数字矩阵，所述多级耦合模型通过下述步骤获取：
获取图片数据集中的数字矩阵，根据所述数字矩阵的维度生成多层拓扑结构；其中，所述拓扑结构的节点用于表征所述维度的分布结果，所述节点之间的关联关系用于表征所述分布结果之间的连接关系；
获取所述分布结果在相邻所述维度上的分类概率；
将所述分类概率设置在所述拓扑结构中用于表征对应所述分布结果的节点上，以获得所述多级耦合模型。
2.根据权利要求1所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的根据所述数字矩阵的维度生成多层拓扑结构的步骤，包括：
根据所述数字矩阵的数据点分布，选择聚类方法对所述数字矩阵聚类；
根据所述数字矩阵的维度确定所述拓扑结构的层，将每个所述维度内分布结果确定为对应所述层上对节点；
根据聚类的结果将所述节点划分为子节点和叶子节点。
3.根据权利要求2所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述根据所述数字矩阵的数据点分布，选择聚类方法对所述数字矩阵聚类的步骤，包括：
降维处理所述数字矩阵，以获得二维数据；
分析所述二维数据中数据的分布形状，根据所述分布形状选择所述聚类方法；
根据选择的所述聚类方法，获取包含所述二维数据的聚类中心的聚类结果。
4.根据权利要求3所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的获取包含所述二维数据的聚类中心的聚类结果的步骤，包括：
计算所述二维数据在二维平面对应点的局部密度，以及每个所述点与其他点的相对距离；
根据所述局部密度计算平均密度，以及根据所述相对距离计算平均相对距离；
获取局部密度大于平均密度，并相对距离大于平均相对距离的点，将该点作为所述聚类中心。
5.根据权利要求2所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的根据所述数字矩阵的维度生成多层拓扑结构的步骤，还包括：
通过聚类的结果对所述数字矩阵上标签，以获得带有标签的验证数据；
将所述验证数据输入所述拓扑结构，通过所述叶子节点获得对照数据；
根据所述对照数据和验证数据，修改所有所述节点的分类概率，直至所述对照数据和验证数据相同。
6.根据权利要求2所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的根据所述数字矩阵的维度确定所述拓扑结构的层的步骤，包括：
设置一个根节点，并作为所述拓扑结构的第一层；
根据所述维度的个数及顺序，在所述第一层之后依次设置所述拓扑结构的其他层。
7.根据权利要求4所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的根据聚类的结果将所述节点划分为子节点和叶子节点的步骤，包括：
获取聚类的结果中聚类中心的个数；
根据所述聚类中心的个数设定所述叶子节点；
将未设定为叶子节点的节点设定为子节点。
8.根据权利要求1所述的基于多级耦合算法的数字矩阵处理方法，其特征在于，所述的通过多级耦合模型处理所述数字矩阵的步骤，包括：
获取飞行器的图片数据集，提取所述图片数据集的图片中飞行器参数；
通过所述节点表征所述飞行器参数，通过相邻层之间节点的连接关系表征所述飞行器参数所在飞行器类型；
获取每个飞行器参数所在飞行器类型，将所述飞行器类型标注用于表征对应所述飞行器参数的节点；
其中，根据节点及节点的连接关系生成拓扑图，以表征所述飞行器参数和飞行器类型。
9.用于实施如权利要求1-8中任一项所述方法的数字矩阵处理系统，其特征在于，包括：
数据收集模块，用于获取所述数据库中数字矩阵的数据；
计算处理模块，根据所述多级耦合模型计算所述数据的特征信息；
结果输出模块，将获得的特征信息向外输出。
10.一种电子设备，包括存储器、处理器以及储存在所述储存器中并且能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310924294.6A CN117033876A (zh) | 2023-07-26 | 2023-07-26 | 一种基于多级耦合算法的数字矩阵处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310924294.6A CN117033876A (zh) | 2023-07-26 | 2023-07-26 | 一种基于多级耦合算法的数字矩阵处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117033876A true CN117033876A (zh) | 2023-11-10 |
Family
ID=88632716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310924294.6A Pending CN117033876A (zh) | 2023-07-26 | 2023-07-26 | 一种基于多级耦合算法的数字矩阵处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033876A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| CN110365507A (zh) * | 2018-04-10 | 2019-10-22 | 中国电信股份有限公司 | 用于实现链路权重自动赋值的方法和装置 |
| CN111970156A (zh) * | 2020-08-27 | 2020-11-20 | 广州华多网络科技有限公司 | 网络故障根因分析方法、装置、计算机设备及存储介质 |
| CN114494637A (zh) * | 2022-01-11 | 2022-05-13 | 武汉大学 | 一种基于结构体矩阵的砂岩三维真实模型重构方法 |
-
2023
- 2023-07-26 CN CN202310924294.6A patent/CN117033876A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| CN110365507A (zh) * | 2018-04-10 | 2019-10-22 | 中国电信股份有限公司 | 用于实现链路权重自动赋值的方法和装置 |
| CN111970156A (zh) * | 2020-08-27 | 2020-11-20 | 广州华多网络科技有限公司 | 网络故障根因分析方法、装置、计算机设备及存储介质 |
| CN114494637A (zh) * | 2022-01-11 | 2022-05-13 | 武汉大学 | 一种基于结构体矩阵的砂岩三维真实模型重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张潘;卢光跃;吕少卿;赵雪莉;: "基于矩阵分解的属性网络表示学习", 计算机工程, no. 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
| CN108280477B (zh) | 用于聚类图像的方法和装置 | |
| CN112528025A (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
| CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
| US11354292B2 (en) | Method and apparatus for analyzing coverage, bias, and model explanations in large dimensional modeling data | |
| CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
| Jerzak et al. | An improved method of automated nonparametric content analysis for social science | |
| US11216512B2 (en) | Accessible machine learning backends | |
| CN111369003A (zh) | 一种量子比特读取信号保真度的确定方法、装置 | |
| CN113554175B (zh) | 一种知识图谱构建方法、装置、可读存储介质及终端设备 | |
| CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
| CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN106203508A (zh) | 一种基于Hadoop平台的图像分类方法 | |
| Wang et al. | End-to-end trainable network for superpixel and image segmentation | |
| CN110020638B (zh) | 人脸表情识别方法、装置、设备和介质 | |
| Gorokhovatskyi et al. | Transforming image descriptions as a set of descriptors to construct classification features | |
| CN116881430B (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
| CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
| CN113343920A (zh) | 人脸识别照片的分类方法、装置、电子设备和存储介质 | |
| CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN111382760B (zh) | 图片类别的识别方法、装置及计算机可读存储介质 | |
| CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
| Gong et al. | A superpixel segmentation algorithm based on differential evolution | |
| CN116049644A (zh) | 特征筛选和聚类分箱方法、装置、电子设备及存储介质 |
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 |