CN117708613A - 一种面向产业链协同运作的数字资源匹配方法 - Google Patents
一种面向产业链协同运作的数字资源匹配方法 Download PDFInfo
- Publication number
- CN117708613A CN117708613A CN202311791284.6A CN202311791284A CN117708613A CN 117708613 A CN117708613 A CN 117708613A CN 202311791284 A CN202311791284 A CN 202311791284A CN 117708613 A CN117708613 A CN 117708613A
- Authority
- CN
- China
- Prior art keywords
- split
- cluster
- digital resource
- data
- resource 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000002955 isolation Methods 0.000 claims abstract description 32
- 238000004220 aggregation Methods 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Abstract
本发明涉及云边协同技术领域,具体涉及一种面向产业链协同运作的数字资源匹配方法,包括:采集数字资源数据;将每个数字资源数据的各项数据映射到多维坐标系中,对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇;获取每个分裂簇的孤立程度以及聚集程度;根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度;根据每个分裂簇的可保留度对预设最小样本数据进行调整,获取每个分裂簇的修正最小样本数;根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,得到若干最终聚类簇。本发明旨在对数字资源数据进行分类存储,在后续资源匹配过程中降低匹配计算量。
Description
技术领域
本发明涉及云边协同技术领域,具体涉及一种面向产业链协同运作的数字资源匹配方法。
背景技术
在当今数字化和信息化程度不断提升的产业环境中,产业链协同运作成为了企业间合作的重要方式。产业链上的各个环节需要通过信息共享、资源匹配和协同合作,以实现供应链的高效运作、生产过程的协同优化和市场需求的快速响应。在这样的背景下,数字资源匹配方法成为了产业链协同运作的重要支撑。
数字资源匹配的过程中,需要根据数字资源的需求、数据类型进行资源匹配,常规的资源匹配方法需要将每个数字资源数据与其他全部数字资源数据一一进行匹配,需要极大的计算量,对数字资源数据进行分类存储可解决该问题,因此使用迭代自组织聚类算法对面向产业链协同运作的数字资源匹配方法进行分类存储,以在对其进行资源匹配算法过程中能够大大减少计算量,而常规的迭代自组织聚类通过预设最少样本数在每次聚类簇分裂后判断分裂簇是否可抛,然而在数字资源数据中,存在一些数字资源数据数量较少且独自能够成为一类,这样的类别由于样本数较少容易被算法视为可抛而不被分为一个聚类簇,造成对数字资源数据的分类不够充分,难以最大化降低数字资源数据匹配计算量。
发明内容
为了解决上述问题,本发明提供一种面向产业链协同运作的数字资源匹配方法。
本发明的一种面向产业链协同运作的数字资源匹配方法采用如下技术方案:
本发明一个实施例提供了一种面向产业链协同运作的数字资源匹配方法,该方法包括以下步骤:
采集数字资源数据;
将每个数字资源数据的各项数据映射到多维坐标系中,对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇;根据每个分裂簇与其他分裂簇之间的欧式距离,获取每个分裂簇的孤立程度;根据每个分裂簇中数字资源数据的各项数据的极差,获取每个分裂簇的聚集程度;根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度;
根据每个分裂簇的可保留度对预设最小样本数据进行调整,获取每个分裂簇的修正最小样本数;
根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,得到若干最终聚类簇;根据最终聚类簇对新的数字资源数据进行匹配,获取新的数字资源数据的匹配数据点。
优选的,所述将每个数字资源数据的各项数据映射到多维坐标系中,对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇,包括的具体步骤如下:
将每个数字资源数据的各项数据映射到多维坐标系中,每个数字资源数据对应多维坐标系中一个坐标点,每项数据均为多维坐标系中的一个维度,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行初始聚类,距离度量采用多维坐标系中数字资源数据对应坐标点之间的距离,得到若干分裂簇。
优选的,所述根据每个分裂簇与其他分裂簇之间的欧式距离,获取每个分裂簇的孤立程度,包括的具体步骤如下:
式中,代表第/>个分裂簇的孤立程度;/>代表分裂簇的个数;/>代表第/>个分裂簇的聚类中心与除第/>个分裂簇之外的第/>个分裂簇的聚类中心之间的欧式距离;获取每个两两组合的分裂簇的聚类中心之间的欧式距离,将所有两两组合的分裂簇的聚类中心之间的欧式距离的均值记为/>。
优选的,所述每个分裂簇中数字资源数据的各项数据的极差,具体的获取步骤如下:
将第个分裂簇中所有数字资源数据的第/>项数据的最大值与最小值的差值作为第/>个分裂簇中所有数字资源数据的第/>项数据的极差。
优选的,所述根据每个分裂簇中数字资源数据的各项数据的极差,获取每个分裂簇的聚集程度,包括的具体步骤如下:
式中,代表第/>个分裂簇的聚集程度;/>代表每个数字资源数据含有的数据项个数;/>代表第/>个分裂簇中所有数字资源数据的第/>项数据的极差;/>代表所有数字资源数据的第/>项数据的极差。
优选的,所述根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度,包括的具体步骤如下:
式中,代表第/>个分裂簇的可保留度;/>代表第/>个分裂簇的聚集程度;/>代表第/>个分裂簇的孤立程度。
优选的,所述根据每个分裂簇的可保留度对预设最小样本数据进行调整,获取每个分裂簇的修正最小样本数,包括的具体步骤如下:
预设最小样本数;
式中,代表第/>个分裂簇的修正最少样本数,/>代表第/>个分裂簇的可保留度;代表预设最少样本数;/>为避免分母为0的超参数。
优选的,所述根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,得到若干最终聚类簇,包括的具体步骤如下:
预设迭代次数,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行聚类,若任一分裂簇中数字资源数据小于该分裂簇的修正最小样本数,将该分裂簇删除,重复该操作,直至达到迭代次数时停止聚类,得到若干最终聚类簇。
优选的,所述根据最终聚类簇对新的数字资源数据进行匹配,获取新的数字资源数据的匹配数据点,包括的具体步骤如下:
将后续获取的新的数字资源数据映射到多维坐标系中,获取该数字资源数据与每个最终聚类簇的聚类中心之间的欧式距离,将欧式距离最小值对应的最终聚类簇,作为待匹配聚类簇,获取该数字资源数据与待匹配聚类簇中的每个数字资源数据之间的欧式距离,将欧式距离最小值对应的待匹配距离簇中的数字资源数据作为该数字资源数据的匹配数据点。
优选的,所述采集数字资源数据,包括的具体步骤如下:
对于任意一批产品,采集计划生产量数据、产品采购量数据、采购价格数据、存储成本数据、物流运输成本数据以及售后服务成本数据,构成数字资源数据。
本发明的技术方案的有益效果是:本发明将每个数字资源数据映射到多维坐标系中,对多维坐标系中数字资源数据进行初始聚类,得到若干分裂簇,便于后续对每个分裂簇的可保留度进行分析,结合分裂簇与其他分裂簇之间的距离得到每个分裂簇的孤立程度,对于孤立程度较大的分裂簇,其保留度越高;根据每个分裂簇中数字资源数据之间的关联性得到每个分裂簇的聚集程度,对于聚集程度较大的分裂簇,其保留度越高;根据每个分裂簇的孤立程度以及聚集程度得到每个分裂簇的可保留度,并将预设最小样本数据进行调小,获取每个分裂簇的修正最小样本数,根据修正最小样本数对每个分裂簇进行可抛判断更加准确,使得数字资源数据较少但是不应该被抛弃的分裂簇保留,对数字资源数据的分类更加充分,在后续资源匹配过程中降低匹配计算量。
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为本发明的一种面向产业链协同运作的数字资源匹配方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种面向产业链协同运作的数字资源匹配方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种面向产业链协同运作的数字资源匹配方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种面向产业链协同运作的数字资源匹配方法的步骤流程图,该方法包括以下步骤:
S001.采集数字资源数据。
需要说明的是,对于面向产业链协同运作的数据资源数据进行资源匹配,有利于资源的利用效率,保证产业链上各个参与者之间的协同合作和信息共享,有利于优化产业链的运作效率,提升整体产业发展水平,而数字资源数据包括生产制造相关数据(计划生产量)以及供应链管理相关数据(产品采购量、采购价格、存储成本、售后服务成本以及物流运输成本)等。
在本发明实施例中,对于每批产品,采集计划生产量数据、产品采购量数据、采购价格数据、存储成本数据、物流运输成本数据以及售后服务成本数据,构成数字资源数据,将产品批次数记为,则采集的数字资源数据的个数为/>,每个数字资源数据包括的数据项个数为/>。
至此,获得数字资源数据。
S002.将每个数字资源数据的各项数据映射到多维坐标系中,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇,获取每个分裂簇的孤立程度以及聚集程度,根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度。
需要说明的是,使用迭代自组织聚类算法对采集的数字资源数据进行分类,后续在对数字资源数据进行资源匹配的过程中能够大大的减少工作量,而使用迭代自组织聚类算法对数字资源数据进行聚类的操作是首先对数字资源数据进行合并形成合并簇,后将合并簇进行分裂形成分裂簇,迭代此过程对数字资源数据进行聚类,并且需要预设全局最小样本数,在完成一次聚类分裂后,需要根据预设的全局最小样本数对各个分裂簇进行进行可抛判断,即当任一分裂簇中的数字资源数据的个数小于预设的全局最小样本数时,判断该分裂簇可抛,而当该分裂簇中的数字资源数据本身就属于一类,将该分裂簇抛弃后会造成误判,因此在本实施中,需要对每次迭代聚类后的分裂簇进行分析,获取每个分裂簇的可保留度,为可保留度较高的分裂簇设置较低的最小样本数,使得每个分裂簇的可抛判断的更加准确。
需要进一步说明的是,已知数字资源数据为多维数据,因此对数字资源数据进行聚类时,需要将每个数字资源数据映射到一个多维坐标系中进行初始聚类,对于任意一个分裂簇,当该分裂簇与其他分裂簇之间的距离较远时,说明该分裂簇与其他分裂簇之间的差异较大,该分裂簇与其他分裂簇中的数字资源数据不可能属于同一类别,因此该分裂簇中的数字资源数据很可能属于同一类,越应该保留该分裂簇,因此本实施例根据分裂簇之间的距离,获取每个分裂簇的孤立程度,当每个分裂簇的孤立程度较大时,该分裂簇的可保留程度越高。
在本发明实施例中,将每个数字资源数据的各项数据映射到一个多维坐标系中,则每个数字资源数据对应多维坐标系中一个坐标点,而每项数据均为多维坐标系中的一个维度,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行初始聚类,距离度量采用多维坐标系中,数字资源数据之间的距离,得到若干分裂簇。
获取每个分裂簇的孤立程度:
式中,代表第/>个分裂簇的孤立程度;/>代表分裂簇的个数;/>代表第/>个分裂簇的聚类中心与除第/>个分裂簇之外的第/>个分裂簇的聚类中心之间的欧式距离;获取每个两两组合的分裂簇的聚类中心之间的欧式距离,并将欧式距离的均值记为/>;代表第/>个分裂簇与除过第/>个分裂簇之外的其他分裂簇的聚类中心之间的距离平均值,其值越大,说明第/>个分裂簇与其他分裂簇之间的距离较远,说明第/>个分裂簇的孤立程度较高;当/>与/>的比值较大时,说明第/>个分裂簇的孤立程度较大。
需要说明的是,已知孤立程度较大的分裂簇的可保留程度高,但是由于数字资源数据包含的各项数据广度极大,对于孤立程度较高的分裂簇来说,其中各个数字资源数据之间的联系并不大,因此仅根据孤立程度来判断各个分裂簇是否可抛不准确,因此需要结合每个分裂簇中数字资源数据之间的联系,即分裂簇中数字资源数据之间的联系较大时,即分裂簇的聚集程度较大时,认为分裂簇中的数据资源数据为同一类数据,而当分裂簇中所有数字资源数据的每项数据的极差较小时,认为分裂簇中数字资源数据之间的联系较大。
在本发明实施例中,将第个分裂簇中所有数字资源数据的第/>项数据的最大值与最小值的差值作为第/>个分裂簇中所有数字资源数据的第/>项数据的极差。
获取每个分裂簇的聚集程度:
式中,代表第/>个分裂簇的聚集程度;/>代表每个数字资源数据含有的数据项个数;/>代表第/>个分裂簇中所有数字资源数据的第/>项数据的极差;/>代表所有数字资源数据的第/>项数据的极差;/>代表第/>个分裂簇中所有数字资源数据的第/>项数据的极差占所有数字资源数据的第/>项数据的极差的比值,其值较小时,说明第/>个分裂簇中数字资源数据之间的联系较大,综合考虑分裂簇中所有数字资源数据的每项数据的极差占所有数字资源数据的每项数据的极差的比值,当/>的值越大时,说明第/>个分裂簇的聚集程度越大。
需要说明的是,已知当每个分裂簇的孤立程度较大并且聚集程度较大时,该分裂簇的可保留度越大,因此在本发明实施例中,根据每个分裂簇的孤立程度以及每个分裂簇的聚集程度,获取每个分裂簇的可保留度。
在本发明实施例中,获取每个分裂簇的可保留度:
其中,代表第/>个分裂簇的可保留度;/>代表第/>个分裂簇的聚集程度;/>代表第/>个分裂簇的孤立程度。
至此,将每个数字资源数据的各项数据映射到一个多维坐标系中,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇,获取每个分裂簇的孤立程度以及聚集程度,根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度。
S003.根据每个分裂簇的可保留度以及预设最小样本数,获取每个分裂簇的修正最小样本数。
需要说明的是,当任一分裂簇的可保留度越大时,说明该分裂簇越不应该被抛弃,因此需要将预设最小样本数调小,使得可保留度较大的分裂簇不被抛弃。
在本发明实施例中,预设最小样本数,在其他实施例中,实施人员可根据具体实施情况预设/>的值。
获取每个分裂簇的修正最小样本数:
式中,代表第/>个分裂簇的修正最少样本数,/>代表第/>个分裂簇的可保留度;代表预设最少样本数;/>为避免分母为0的超参数,本实施例采用/>进行叙述。
至此,根据每个分裂簇的可保留度以及预设最小样本数,获取每个聚类簇的修正最小样本数。
S004.根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,获取最终聚类簇;根据最终聚类簇对新的数字资源数据进行匹配,获取新的数字资源数据的匹配数据点。
在本发明实施例中,预设迭代次数,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行聚类,并结合每个分裂簇的修正最小样本数,若任一分裂簇中数字资源数据小于该分裂簇的修正最小样本数,将该分裂簇删除,重复该操作,直至达到迭代次数时停止聚类,得到若干最终聚类簇,在本发明实施例中,预设迭代次数/>,在其他实施例中,实施人员可根据具体实施情况预设迭代次数/>的值。
将后续获取的新的数字资源数据映射到多维坐标系中,获取该数字资源数据与每个最终聚类簇的聚类中心之间的欧式距离,将欧式距离最小值对应的最终聚类簇,作为待匹配聚类簇,获取该数字资源数据与待匹配聚类簇中的每个数字资源数据之间的欧式距离,将欧式距离最小值对应的待匹配距离簇中的数字资源数据作为该数字资源数据的匹配数据点。
至此,根据每个分裂簇的修正最小样本数对数字资源数据进行聚类,获取最终聚类簇,根据新的数字资源数据与每个最终聚类簇的聚类中心之间的距离获取待匹配聚类簇,仅将新的数字资源数据与待匹配聚类簇中的数字资源数据进行匹配,减少了匹配的计算量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向产业链协同运作的数字资源匹配方法,其特征在于,该方法包括以下步骤:
采集数字资源数据;
将每个数字资源数据的各项数据映射到多维坐标系中,对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇;根据每个分裂簇与其他分裂簇之间的欧式距离,获取每个分裂簇的孤立程度;根据每个分裂簇中数字资源数据的各项数据的极差,获取每个分裂簇的聚集程度;根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度;
根据每个分裂簇的可保留度对预设最小样本数据进行调整,获取每个分裂簇的修正最小样本数;
根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,得到若干最终聚类簇;根据最终聚类簇对新的数字资源数据进行匹配,获取新的数字资源数据的匹配数据点。
2.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述将每个数字资源数据的各项数据映射到多维坐标系中,对多维坐标系中的数字资源数据进行初始聚类,得到若干分裂簇,包括的具体步骤如下:
将每个数字资源数据的各项数据映射到多维坐标系中,每个数字资源数据对应多维坐标系中一个坐标点,每项数据均为多维坐标系中的一个维度,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行初始聚类,距离度量采用多维坐标系中数字资源数据对应坐标点之间的距离,得到若干分裂簇。
3.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据每个分裂簇与其他分裂簇之间的欧式距离,获取每个分裂簇的孤立程度,包括的具体步骤如下:
式中,代表第/>个分裂簇的孤立程度;/>代表分裂簇的个数;/>代表第/>个分裂簇的聚类中心与除第/>个分裂簇之外的第/>个分裂簇的聚类中心之间的欧式距离;获取每个两两组合的分裂簇的聚类中心之间的欧式距离,将所有两两组合的分裂簇的聚类中心之间的欧式距离的均值记为/>。
4.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述每个分裂簇中数字资源数据的各项数据的极差,具体的获取步骤如下:
将第个分裂簇中所有数字资源数据的第/>项数据的最大值与最小值的差值作为第/>个分裂簇中所有数字资源数据的第/>项数据的极差。
5.根据权利要求4所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据每个分裂簇中数字资源数据的各项数据的极差,获取每个分裂簇的聚集程度,包括的具体步骤如下:
式中,代表第/>个分裂簇的聚集程度;/>代表每个数字资源数据含有的数据项个数;/>代表第/>个分裂簇中所有数字资源数据的第/>项数据的极差;/>代表所有数字资源数据的第项数据的极差。
6.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据每个分裂簇的孤立程度以及聚集程度,获取每个分裂簇的可保留度,包括的具体步骤如下:
式中,代表第/>个分裂簇的可保留度;/>代表第/>个分裂簇的聚集程度;/>代表第/>个分裂簇的孤立程度。
7.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据每个分裂簇的可保留度对预设最小样本数据进行调整,获取每个分裂簇的修正最小样本数,包括的具体步骤如下:
预设最小样本数;
式中,代表第/>个分裂簇的修正最少样本数,/>代表第/>个分裂簇的可保留度;/>代表预设最少样本数;/>为避免分母为0的超参数。
8.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据每个分裂簇的修正最小样本数对多维坐标系中的数字资源数据进行聚类,得到若干最终聚类簇,包括的具体步骤如下:
预设迭代次数,使用迭代自组织聚类算法对多维坐标系中的数字资源数据进行聚类,若任一分裂簇中数字资源数据小于该分裂簇的修正最小样本数,将该分裂簇删除,重复该操作,直至达到迭代次数时停止聚类,得到若干最终聚类簇。
9.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述根据最终聚类簇对新的数字资源数据进行匹配,获取新的数字资源数据的匹配数据点,包括的具体步骤如下:
将后续获取的新的数字资源数据映射到多维坐标系中,获取该数字资源数据与每个最终聚类簇的聚类中心之间的欧式距离,将欧式距离最小值对应的最终聚类簇,作为待匹配聚类簇,获取该数字资源数据与待匹配聚类簇中的每个数字资源数据之间的欧式距离,将欧式距离最小值对应的待匹配距离簇中的数字资源数据作为该数字资源数据的匹配数据点。
10.根据权利要求1所述的一种面向产业链协同运作的数字资源匹配方法,其特征在于,所述采集数字资源数据,包括的具体步骤如下:
对于任意一批产品,采集计划生产量数据、产品采购量数据、采购价格数据、存储成本数据、物流运输成本数据以及售后服务成本数据,构成数字资源数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311791284.6A CN117708613A (zh) | 2023-12-25 | 2023-12-25 | 一种面向产业链协同运作的数字资源匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311791284.6A CN117708613A (zh) | 2023-12-25 | 2023-12-25 | 一种面向产业链协同运作的数字资源匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708613A true CN117708613A (zh) | 2024-03-15 |
Family
ID=90162176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311791284.6A Pending CN117708613A (zh) | 2023-12-25 | 2023-12-25 | 一种面向产业链协同运作的数字资源匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708613A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215598A1 (en) * | 2002-07-10 | 2004-10-28 | Jerzy Bala | Distributed data mining and compression method and system |
US20100110103A1 (en) * | 2008-11-04 | 2010-05-06 | Beckman Coulter, Inc. | Multidimensional Particle Analysis Data Cluster Reconstruction |
CN103455534A (zh) * | 2013-04-28 | 2013-12-18 | 北界创想(北京)软件有限公司 | 对文档进行聚类的方法和装置 |
CN105956318A (zh) * | 2016-05-19 | 2016-09-21 | 上海电机学院 | 基于改进分裂 h-k 聚类方法的风电场机群划分方法 |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
WO2019234039A1 (en) * | 2018-06-05 | 2019-12-12 | Swarm64 As | Data processing |
WO2020119053A1 (zh) * | 2018-12-11 | 2020-06-18 | 平安科技(深圳)有限公司 | 一种图片聚类方法、装置、存储介质及终端设备 |
CN115858780A (zh) * | 2022-11-29 | 2023-03-28 | 海信电子科技(武汉)有限公司 | 一种文本聚类方法、装置、设备及介质 |
CN116720090A (zh) * | 2023-07-06 | 2023-09-08 | 哈尔滨理工大学 | 一种基于层次的自适应聚类方法 |
CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
-
2023
- 2023-12-25 CN CN202311791284.6A patent/CN117708613A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215598A1 (en) * | 2002-07-10 | 2004-10-28 | Jerzy Bala | Distributed data mining and compression method and system |
US20100110103A1 (en) * | 2008-11-04 | 2010-05-06 | Beckman Coulter, Inc. | Multidimensional Particle Analysis Data Cluster Reconstruction |
CN103455534A (zh) * | 2013-04-28 | 2013-12-18 | 北界创想(北京)软件有限公司 | 对文档进行聚类的方法和装置 |
CN105956318A (zh) * | 2016-05-19 | 2016-09-21 | 上海电机学院 | 基于改进分裂 h-k 聚类方法的风电场机群划分方法 |
WO2019234039A1 (en) * | 2018-06-05 | 2019-12-12 | Swarm64 As | Data processing |
WO2020119053A1 (zh) * | 2018-12-11 | 2020-06-18 | 平安科技(深圳)有限公司 | 一种图片聚类方法、装置、存储介质及终端设备 |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
WO2020155755A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
CN115858780A (zh) * | 2022-11-29 | 2023-03-28 | 海信电子科技(武汉)有限公司 | 一种文本聚类方法、装置、设备及介质 |
CN116720090A (zh) * | 2023-07-06 | 2023-09-08 | 哈尔滨理工大学 | 一种基于层次的自适应聚类方法 |
CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
Non-Patent Citations (4)
Title |
---|
XIANG GAO 等: "SplitTester : software to identify domains responsible for functional divergence in protein family", 《BMC BIOINFORMATICS》, 1 June 2005 (2005-06-01), pages 1 - 10 * |
曾依灵;许洪波;吴高巍;白硕;: "一种基于语料特性的聚类算法", 软件学报, no. 11, 15 November 2010 (2010-11-15), pages 106 - 117 * |
李郁林;: "高维数据挖掘中的聚类算法研究", 电脑与电信, no. 11, 10 November 2012 (2012-11-10), pages 51 - 53 * |
甄彤;: "基于层次与划分方法的聚类算法研究", 计算机工程与应用, no. 08, 11 March 2006 (2006-03-11), pages 182 - 184 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022137166A (ja) | 生体粒子の分類のシステム及び方法 | |
Kumar et al. | Feature selection and classification of microarray data using MapReduce based ANOVA and K-nearest neighbor | |
TW201737058A (zh) | 一種基於隨機森林的模型訓練方法和裝置 | |
Rosa da Silva et al. | Automated classification of wood transverse cross-section micro-imagery from 77 commercial Central-African timber species | |
WO2015180622A1 (zh) | 一种确定搜索查询词类别属性的方法和装置 | |
US20140229482A1 (en) | Grouping interdependent fields | |
WO2017181665A1 (zh) | 一种基因表达数据分类方法及分类系统 | |
CN103744935A (zh) | 一种计算机快速海量数据聚类处理方法 | |
CN106453546B (zh) | 分布式存储调度的方法 | |
CN108596227B (zh) | 一种用户用电行为主导影响因素挖掘方法 | |
CN117113235A (zh) | 一种云计算数据中心能耗优化方法及系统 | |
CN107203772A (zh) | 一种用户类型识别方法及装置 | |
Kaushik et al. | CyAnno: a semi-automated approach for cell type annotation of mass cytometry datasets | |
CN113342799B (zh) | 一种数据修正方法及系统 | |
CN117708613A (zh) | 一种面向产业链协同运作的数字资源匹配方法 | |
Prince et al. | An Imbalanced Dataset and Class Overlapping Classification Model for Big Data. | |
CN116701979A (zh) | 基于受限k-均值的社交网络数据分析方法及系统 | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
AU2020103440A4 (en) | A method for optimizing the convergence performance of data learning with minimal computational steps | |
CN115587231A (zh) | 基于云计算平台的数据组合处理及快速存储调取方法 | |
CN116157537A (zh) | 用于从单细胞基因组学数据集中对细胞进行子采样的方法和系统 | |
Trisovic | Cluster analysis of open research data and a case for replication metadata | |
CN114238045A (zh) | 一种电网多源量测数据完整性判断及自动修复系统和方法 | |
KR20140064471A (ko) | 대용량 데이터를 위한 군집화 방법 | |
CN110532384A (zh) | 一种多任务字典单分类方法、系统、装置及存储介质 |
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 |