CN118245903A - 基于人工智能的资产信息分类以及展示方法、设备及介质 - Google Patents

基于人工智能的资产信息分类以及展示方法、设备及介质 Download PDF

Info

Publication number
CN118245903A
CN118245903A CN202410660182.9A CN202410660182A CN118245903A CN 118245903 A CN118245903 A CN 118245903A CN 202410660182 A CN202410660182 A CN 202410660182A CN 118245903 A CN118245903 A CN 118245903A
Authority
CN
China
Prior art keywords
asset information
classification
artificial intelligence
support vector
vector machine
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.)
Granted
Application number
CN202410660182.9A
Other languages
English (en)
Other versions
CN118245903B (zh
Inventor
黄梦琦
顾显俊
邢骏
覃思航
付忠祥
魏朝
陈俊龙
杨凯
丰金浩
叶嘉诚
程岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority to CN202410660182.9A priority Critical patent/CN118245903B/zh
Publication of CN118245903A publication Critical patent/CN118245903A/zh
Application granted granted Critical
Publication of CN118245903B publication Critical patent/CN118245903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/30—Post-processing
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种基于人工智能的资产信息分类以及展示方法、设备及介质，方法包括：采集电力系统中的不同维度的资产信息；对不同维度的资产信息进行预处理，得到结构化资产信息；基于NM‑PSO联合算法，构建基于NM‑PSO联合算法的支持向量机分类模型，利用该分类模型对结构化资产信息执行分类；根据用户输入的需要展示的资产信息，快速在存储结果中找到匹配的资产信息类型，并赋予该资产信息类型以第一权重值，根据不同的权重值得到不同资产信息类型的重要程度，并按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示。本发明能够处理复杂多变的资产信息；改善处理资产信息分类的收敛速度；提高对资产信息分类的准确度。

Description

基于人工智能的资产信息分类以及展示方法、设备及介质
技术领域
本申请涉及资产信息分类以及展示技术领域，更具体的，涉及一种基于人工智能的资产信息分类以及展示方法、设备及介质。
背景技术
在电力系统中，资产信息种类、结构复杂，包含多种类型的资产，这些资产的属性信息采集之后，经过一定的处理，一部分数据以结构化的形式存储，另一部分数据以非结构化形式存储。
由于资产信息复杂，包含各种形式的存储形式，如果依赖分类人员进行分类，容易受到人工主观偏差影响，从而影响资产分类的可信度，也不方便后续新采集的资产信息的再分类以及管理。
目前，随着人工智能技术的快速发展，在对资产信息进行分类时，一般常使用的分类方法是人工智能技术中的决策树、最近邻分类法、贝式网络以及类神经网络等分类方法。但是上述分类方法准确率低、收敛速度慢。另外，在获得资产信息分类结果之后，不能根据用户查询需求对资产信息分类结果进行直观展示。因此，现在急需一种新的资产信息的分类方法，能够改善处理资产信息分类的收敛速度并能达到对资产信息的准确分类以及直观展示。
发明内容
本申请实施例的目的在于提供一种基于人工智能的资产信息分类以及展示方法、设备及介质，能够改善处理资产信息分类的收敛速度并能达到对资产信息的准确分类以及分类结果的直观展示。
为实现上述目的，本申请提供如下技术方案：
第一方面，本申请实施例提供一种基于人工智能的资产信息分类以及展示方法，具体包括如下步骤：
S1、采集电力系统中的不同维度的资产信息；
S2、对不同维度的资产信息进行预处理，得到结构化资产信息；
S3、联合Nelder-Mead算法和PSO算法，得到NM-PSO联合算法；
S4：基于NM-PSO联合算法，构建基于NM-PSO联合算法的支持向量机分类模型，利用该分类模型对结构化资产信息执行分类；
S5：在得到分类结果之后，将分类结果进行存储；
S6：根据用户输入的需要展示的资产信息，快速在存储结果中找到匹配的资产信息类型，并赋予该资产信息类型以第一权重值，其他资产信息类型赋予预先设定的其他权重值，其他权重值均低于第一权重值，从而根据不同的权重值得到不同资产信息类型的重要程度，并按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示。
步骤S2包括：
S21.文本清理：去除不必要的字符；
S22.资产信息标准化：将资产信息中的单词统一转换为小写；
S23.噪音清除：将资产信息中的乱码清除；
S24.NLP处理：利用人工智能中的NLP技术对经过步骤S21-S23处理后的资产信息进行处理，转化为结构化数据。
步骤S4包括：
S41.选择支持向量机的RBF核心函数来建立分类模型；
S42.设定支持向量机的初始值；其中，C为成本参数；/>为核心参数；
S43.利用支持向量机分类模型执行资产信息初步分类；
S44.计算支持向量机分类模型对资产信息分类的准确率；
S45.判断是否满足结束条件，如果不满足，则以NM算法更新前三最优，然后再以PSO算法更新其余/>，然后以更新后的/>再次执行支持向量机分类模型的分类，直到满足结束条件；如果满足结束条件，则终止执行分类。
支持向量机的分类函数公式为：
，
其中，为拉格朗日系数，/>；C为成本参数；/>是一个向量，用来描述N维资产信息的属性信息；/>是标签，用/>表示，/>表示训练资产信息的资产信息类型；b是超平面的偏移量；/>；m为大于1的自然数；
支持向量机的放射型函数核心函数的公式为：
，
其中，为核心参数/>。
设定分类准确率达98%以上为结束条件，如果未能达到分类准确率达98%的要求，则以迭代更新30次为上限作为结束条件。
其他资产信息类型赋予预先设定的常规权重，包括，预先设定不同资产信息类型的权重，按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示分类结果，包括，权重高的资产信息类型在层级结构中以较高的级别进行展示。
第二方面，本申请实施例提供一种计算机设备，包括：
处理器；
存储器；
其中，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于人工智能的资产信息分类以及展示方法。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的基于人工智能的资产信息分类以及展示方法。
与现有技术相比，本发明的有益效果是：
本发明所提供的一种人工智能的资产信息分类以及展示方法，使用支持向量机的RBF核心函数来建立分类模型，因为RBF核心函数可以处理多种类型和多维度资产信息，以及只需要简单地设定支持向量机的参数C和，使用不同成本参数C和核心参数/>将会产生不同的结果准确率。为了寻找最佳的C和/>，本发明使用NM-PSO联合算法来寻找支持向量机的最佳化的参数/>，从而得到最优的资产信息分类结果，并利用层级结构的形式展示分类结果。
本发明通过上述方法能够达到以下效果：1、能够处理复杂多变的资产信息；2、改善处理资产信息分类的收敛速度；3、提高对资产信息分类的准确度；4、在有需要调用资产信息分类的结果时，通过层级结构的形式展现分类结果，提升分类结果的直观性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例的基于NM-PSO联合算法进行支持向量机分类的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来，而不能理解为指示或暗示相对重要性，也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
本发明提出一种基于人工智能的资产信息分类以及展示方法。其中，人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统，其中，计算机视觉、机器学习、深度学习、语言识别等技术常用于信息分类领域。
电力系统中，资产信息众多，如果依靠人工分类，容易出现判别、整理分类不当，并且耗时耗力，也容易受人工主观偏差，从而影响资产分类的可信度，也不方便后续资产的处理。另外，资产信息也不能根据用户输入的查询需求进行直观展示。因此，本发明主要是在资产信息分类以及展示的方面做出改进。
本发明提出的一种基于人工智能的资产信息分类以及展示方法，以服务器为执行主体，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content DeliveryNetwork，CDN），以及大数据和人工智能平台等基础云计算服务的云服务器。
实施例1、基于人工智能的资产信息分类以及展示方法的执行过程如下：
S1、采集电力系统中的不同维度的资产信息；
S2、对不同维度的资产信息进行预处理，得到结构化资产信息；
S3、联合Nelder-Mead（NM）算法和PSO算法，得到NM-PSO联合算法；
S4：基于NM-PSO联合算法，构建基于NM-PSO联合算法的支持向量机分类模型，利用该分类模型对结构化资产信息执行分类；
S5：在得到分类结果之后，将分类结果进行存储；
S6：根据用户输入的需要展示的资产信息，快速在存储结果中找到匹配的资产信息类型，并赋予该资产信息类型以第一权重值，其他资产信息类型赋予预先设定的其他权重值，其他权重值均低于第一权重值，从而根据不同的权重值得到不同资产信息类型的重要程度，并按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示。
进一步地，如上述S1所述，电力系统中包含多种类型的资产信息，利用人工记录或者机器记录的方式，采集各种类型的资产信息。
进一步的，如上述S2所述，采集到复杂类型的资产信息之后，为了便于后续的数据处理和分类，首先需要对采集的资产信息进行预处理。预处理执行过程如下：
S21.文本清理：去除不必要的字符等。这有助于消除噪音，从而得到更加稳定的资产信息。
S22.资产信息标准化：将资产信息中的单词统一转换为小写。从而将资产信息中的不同形式标准化。
S23.噪音清除：将资产信息中的乱码清除。
S24.NLP处理：利用人工智能中的NLP技术对经过步骤S21-S23处理后的资产信息进行处理，转化为结构化数据。
进一步地，如上述S3所述，Nelder-Mead（NM）算法的原理是运用各点之间进行比较，通过运算式各点会朝向最佳解移动，而渐渐地包围住最佳解。Nelder-Mead算法首先是将各点代入到评估函数G内，排出各点的优劣顺序，得出最佳的点Q_best、次佳的点Q_nbest和最差的点Q_lastbest，以及找出各点间的中心点Q_center，再经由反射、扩张、收缩、逼近四个主要运算式作一连串的重复运算，最后会逐渐地靠近最佳解将之包围，当各点十分逼近最佳解时，就可以达到收敛目的结束演算过程。
Nelder-Mead算法的特点是能够很快速地包围住最佳解，使搜索到目标解出来，当起始资产信息点产生时，如果资产信息点离最佳解很近时，便以非常快速的方式直接将最佳解包围住。不过Nelder-Mead算法是采用包围式的方法运算，当目标函数是复杂的情况时，可能会陷入区域最佳解，而忽略全域最佳解，所以一开始产生的资产信息点，对于决定是否能求得全域最佳解，是一个绝对影响的重要关键。
另外，粒子群最佳化演算法PSO中的每一个群体都代表最佳化问题可能的解答，每一只鸟和一条鱼就代表一个粒子，每个粒子都有可能成为最佳的解，而所有的粒子都会有一个对最佳化问题的目标函数值，称作适应值。粒子的移动是由一个速度公式来决定移动的方向位置与距离，最后粒子群会参考粒子本身的最佳解和整个群体的最佳解不断地更新，使粒子群最后会得到最佳解。
PSO演算法主要的目的在于让每个粒子都有成为最佳解的可能，并记录个体的最佳解，因此每个粒子都会有个别最佳解，粒子按照这些个别最佳解而去修正下一次搜寻的粒子速度与位置，这就是认知模式。如果每个粒子只依照群体最佳解来修正下一次的粒子速度与位置，这就是社会模式。而在综合上述两种模式中所用的数学模型，便是合并了社会模式和认知模式的综合模式，也就是粒子会同时参考群体以及个体的最佳解来修正下次的搜寻方向及速度。
因此，粒子的在下次的移动速度除了会被自我认知影响外，也将会受到群体社会认知而做修正，并且可以经由简单的参数设定，改变两种模式的重要程度。所以一开始虽然粒子群平均分布在参数空间中，并且各自寻找个体最佳解，然后经由数次迭代运算后，大多数粒子将会逐渐移动到全域最佳解附近，而形成一个粒子群，并往全域最佳解的逼近，如此的社会模式则能避免粒子群陷入区域最佳解，而有些粒子群较远的粒子，则是认知模式的原因，假定有一个粒子群外的粒子在另一位置中，找到更佳的全域最佳解，则社会模式将会使所有的粒子向其逼近。若干次迭代运算后，粒子群将会再度的逼近于新的全域最佳解附近，因此PSO演算法最后可以通过社会模式和认知模式，找到全域最佳解。粒子群体最佳化演算法具有参数定义方便，粒子不容易陷入区域最佳解的优点，而且在连续性的范围内搜寻最佳解。在求解效率方面表现优良，近年来在不同领域均获得不错的成效。
因为Nelder-Mead算法在搜寻时，速度虽然快，但容易陷入区域最佳解。而PSO算法虽然较不容易陷入区域最佳解，但需要较大的群体数目，因此，降低了运算速度。其中，Nelder-Mead算法和PSO算法与现有技术中的相应算法计算方式相同，属于本领域技术人员公知的技术，这里就不做重复介绍其具体运算过程。
本发明对现有技术做出了进一步改进，将联合NM算法和PSO算法，设定NM-PSO算法，NM-PSO算法不仅计算速度快，也能正确地找到最佳解。因为，支持向量机分类的准确率和参数设定有很大的关系。本发明利用NM-PSO算法更新支持向量机使用的参数。
NM-PSO联合算法在对不同维度的数据进行联合处理时，执行过程如下：
步骤S31：定义相关参数，选定评估函数，设定算法停止条件。
步骤S32：如果目标数据维度为Q，则产生3Q+1维群体候选解。
步骤S33：将各个群体带入评估函数中，并以优劣加以排序，分别是Q个、第Q +1个以及2 Q个。
步骤S34：经过评估函数的计算之后，将结果较佳的Q个予以保留至已更新的群体，等待与其他较差的解进行更新。
步骤S35：使用NM算法，将已保留的Q个与第Q +1个进行更新，其结果将取代第Q +1，并予以储存保留至更新的群体。
步骤S36：使用PSO算法进行更新，将已防止更新群体的尚未更新且排名较差的2 Q以PSO算法进行更新，但已经更新过的Q个和第Q +1个群体，不会被更新，只有尚未更新的2Q个会受更新改变，并将更新后的2 Q也存储到更新群体。
步骤S37：如此便完成了一次NM-PSO算法，并检验是否达到算法停止条件，如果满足条件，则停止执行过程，否则返回到步骤S33继续运行，一般而言，算法停止条件是以迭代次数或者评估函数值不再改变或收敛为依据。
从而，NM-PSO联合算法在处理不同维度的数据时，能够提高算法的计算速度，并且也能正确地找到最佳解。
另外，本发明将支持向量机应用于资产分类中，通过建立一个具有最大边界的超平面，将资产分类成两个或者多个类别。如果分割两类或者多类资产信息的超平面边界越大的话，可明确地分辨资产信息的类别，以便得到较小的分类误差率。
在基本的分类问题中，通常会定义以下的表示方法：
是一个向量，用来描述N维资产信息的属性；
是标签，通常用/>表示， />表示不同的训练资产信息的类型；
支持向量机的分类函数公式为：
，
其中，为拉格朗日系数，/>；C为成本参数；/>是一个向量，用来描述N维资产信息的属性信息；/>是标签，通常用/>表示，/>表示训练资产信息的资产信息类型；b是超平面的偏移量；/>；m为大于1的自然数。
本发明选择使用支持向量机（SVM）的RBF核心函数来建立分类模型，因为RBF核心函数可以处理多种类型和多维度资产信息。
支持向量机的放射型函数核心函数的公式为：
，
其中，为核心参数/>。
如上述S4所述，本发明选择使用支持向量机（SVM）的RBF核心函数来建立分类模型，只需要简单的参数设定C和，使用不同成本参数C和核心参数/>将会产生不同的准确率。为了寻找最佳的C和/>，本发明使用NM-PSO来寻找支持向量机的最佳的参数/>。
作为本发明的进一步改进，本发明基于NM-PSO的支持向量机的资产信息分类模型的执行过程如图1所示：
S41.选择支持向量机的RBF核心函数来建立分类模型，并对采集的资产信息进行预处理，得到结构化的数据；
S42.设定支持向量机的初始值；其中，C为成本参数；/>为核心参数；
S43.利用支持向量机分类模型执行资产信息初步分类；
S44.计算支持向量机对资产信息分类的准确率；
S45.判断是否满足结束条件，如果不满足，则以NM算法更新前三最优，然后再以PSO算法更新其余/>，然后以更新后的/>再次执行支持向量机分类，直到满足结束条件；如果满足结束条件，则终止执行分类。
优选地，设定分类准确率达98%以上为结束条件，如果未能达到分类准确率达98%的要求，则以迭代更新30次为上限作为结束条件。
优选地，步骤S6中，根据常规经验预先设定不同资产信息类型的权重。
优选地，步骤S6中，权重高的资产信息类型在层级结构中以较高的级别进行展示。
本发明实施例中还提供一种计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计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计算机可读存储介质、内存储器。该计算机可读存储介质存储有操作系统、计算机程序和数据库。该内存器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资产信息的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的资产信息分类以及展示方法。
本发明一实施例还提供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一种基于人工智能的资产信息分类以及展示方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率DRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路（Synchlink）DRAM(SLDRAM)、存储器总线（Rambus）直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)，以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明的最大有益效果在于：其所提供的一种人工智能的资产信息分类以及展示方法，使用支持向量机的RBF核心函数来建立分类模型，因为RBF核心函数可以处理多种类型和多维度资产信息，以及只需要简单的参数设定C和，使用不同成本参数C和核心参数/>将会产生不同的准确率。为了寻找最佳的C和/>，本发明使用NM-PSO来寻找支持向量机的最佳化的参数/>，从而得到最优的资产信息分类结果，并利用层级结构的形式展示分类结果。本发明通过上述方法能够达到以下效果：1、能够处理复杂多变的资产信息；2、改善处理资产信息分类的收敛速度；3、提高对资产信息分类的准确度；4、在有需要调用资产信息分类的结果时，通过层级结构的形式展现分类结果，提升分类结果的直观性。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于人工智能的资产信息分类以及展示方法，其特征在于，具体包括如下步骤：
S1、采集电力系统中的不同维度的资产信息；
S2、对不同维度的资产信息进行预处理，得到结构化资产信息；
S3、联合Nelder-Mead算法和PSO算法，得到NM-PSO联合算法；
S4：基于NM-PSO联合算法，构建基于NM-PSO联合算法的支持向量机分类模型，利用该分类模型对结构化资产信息执行分类；
S5：在得到分类结果之后，将分类结果进行存储；
S6：根据用户输入的需要展示的资产信息，快速在存储结果中找到匹配的资产信息类型，并赋予该资产信息类型以第一权重值，其他资产信息类型赋予预先设定的其他权重值，其他权重值均低于第一权重值，从而根据不同的权重值得到不同资产信息类型的重要程度，并按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示。
2.根据权利要求1所述的一种基于人工智能的资产信息分类以及展示方法，其特征在于，步骤S2包括：
S21.文本清理：去除不必要的字符；
S22.资产信息标准化：将资产信息中的单词统一转换为小写；
S23.噪音清除：将资产信息中的乱码清除；
S24.NLP处理：利用人工智能中的NLP技术对经过步骤S21-S23处理后的资产信息进行处理，转化为结构化数据。
3.根据权利要求1所述的一种基于人工智能的资产信息分类以及展示方法，其特征在于，步骤S4包括：
S41.选择支持向量机的RBF核心函数来建立分类模型；
S42.设定支持向量机的初始值；其中，C为成本参数；/>为核心参数；
S43.利用支持向量机分类模型执行资产信息初步分类；
S44.计算支持向量机分类模型对资产信息分类的准确率；
S45.判断是否满足结束条件，如果不满足，则以NM算法更新前三最优，然后再以PSO算法更新其余/>，然后以更新后的/>再次执行支持向量机分类模型的分类，直到满足结束条件；如果满足结束条件，则终止执行分类。
4.根据权利要求3所述的一种基于人工智能的资产信息分类以及展示方法，其特征在于，支持向量机的分类函数公式为：
，
其中，为拉格朗日系数，/>；C为成本参数；/>是一个向量，用来描述N维资产信息的属性信息；/>是标签，用/>表示，/>表示训练资产信息的资产信息类型；b是超平面的偏移量；/>；m为大于1的自然数；
支持向量机的放射型函数核心函数的公式为：
，
其中，为核心参数/>。
5.根据权利要求3所述的一种基于人工智能的资产信息分类以及展示方法，其特征在于，设定分类准确率达98%以上为结束条件，如果未能达到分类准确率达98%的要求，则以迭代更新30次为上限作为结束条件。
6.根据权利要求1所述的一种基于人工智能的资产信息分类以及展示方法，其特征在于，其他资产信息类型赋予预先设定的常规权重，包括，预先设定不同资产信息类型的权重，按照不同资产信息类型的重要程度对应的结果以层级结构的形式进行展示分类结果，包括，权重高的资产信息类型在层级结构中以较高的级别进行展示。
7.一种计算机设备，其特征在于，包括：
处理器；
存储器；
其中，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的基于人工智能的资产信息分类以及展示方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至6任一项所述的基于人工智能的资产信息分类以及展示方法。
CN202410660182.9A 2024-05-27 2024-05-27 基于人工智能的资产信息分类以及展示方法、设备及介质 Active CN118245903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410660182.9A CN118245903B (zh) 2024-05-27 2024-05-27 基于人工智能的资产信息分类以及展示方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410660182.9A CN118245903B (zh) 2024-05-27 2024-05-27 基于人工智能的资产信息分类以及展示方法、设备及介质

Publications (2)

Publication Number Publication Date
CN118245903A true CN118245903A (zh) 2024-06-25
CN118245903B CN118245903B (zh) 2024-09-20

Family

ID=91553658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410660182.9A Active CN118245903B (zh) 2024-05-27 2024-05-27 基于人工智能的资产信息分类以及展示方法、设备及介质

Country Status (1)

Country Link
CN (1) CN118245903B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080077512A1 (en) * 2006-09-27 2008-03-27 Rockwell Automation Technologies, Inc. Graphical interface for display of assets in an asset management system
CN107992965A (zh) * 2017-11-27 2018-05-04 河北省水利工程局 基于粒子群算法的小流域水土资源协调优化方法
CN110991509A (zh) * 2019-11-25 2020-04-10 杭州安恒信息技术股份有限公司 基于人工智能技术的资产识别与信息分类方法
US20200134083A1 (en) * 2018-10-30 2020-04-30 Optum, Inc. Machine learning for machine-assisted data classification
CN111937266A (zh) * 2018-01-22 2020-11-13 Abb电网瑞士股份公司 用于电力网络资产的状态分类的方法和设备
CN114091079A (zh) * 2021-11-29 2022-02-25 襄阳艳阳软件开发有限公司 一种资产信息展示管理系统
CN115114836A (zh) * 2022-07-14 2022-09-27 济南大学 一种基于pso-ga的数据分类预测方法及设备
CN116388160A (zh) * 2023-03-21 2023-07-04 河海大学 一种基于改进粒子群算法的虚拟电厂优化调度方法
CN117332095A (zh) * 2023-09-27 2024-01-02 国网新疆电力有限公司电力科学研究院 一种基于资产探测的网络空间知识图谱构建方法
CN117874633A (zh) * 2024-03-13 2024-04-12 金祺创（北京）技术有限公司 基于深度学习算法的网络数据资产画像生成方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080077512A1 (en) * 2006-09-27 2008-03-27 Rockwell Automation Technologies, Inc. Graphical interface for display of assets in an asset management system
CN107992965A (zh) * 2017-11-27 2018-05-04 河北省水利工程局 基于粒子群算法的小流域水土资源协调优化方法
CN111937266A (zh) * 2018-01-22 2020-11-13 Abb电网瑞士股份公司 用于电力网络资产的状态分类的方法和设备
US20200134083A1 (en) * 2018-10-30 2020-04-30 Optum, Inc. Machine learning for machine-assisted data classification
CN110991509A (zh) * 2019-11-25 2020-04-10 杭州安恒信息技术股份有限公司 基于人工智能技术的资产识别与信息分类方法
CN114091079A (zh) * 2021-11-29 2022-02-25 襄阳艳阳软件开发有限公司 一种资产信息展示管理系统
CN115114836A (zh) * 2022-07-14 2022-09-27 济南大学 一种基于pso-ga的数据分类预测方法及设备
CN116388160A (zh) * 2023-03-21 2023-07-04 河海大学 一种基于改进粒子群算法的虚拟电厂优化调度方法
CN117332095A (zh) * 2023-09-27 2024-01-02 国网新疆电力有限公司电力科学研究院 一种基于资产探测的网络空间知识图谱构建方法
CN117874633A (zh) * 2024-03-13 2024-04-12 金祺创（北京）技术有限公司 基于深度学习算法的网络数据资产画像生成方法及装置

Also Published As

Publication number Publication date
CN118245903B (zh) 2024-09-20

Similar Documents

Publication Publication Date Title
JP2021518024A (ja) 機械学習アルゴリズムのためのデータを生成する方法、システム
CN113590698B (zh) 基于人工智能技术的数据资产分类建模与分级保护方法
JP5953960B2 (ja) マルチインスタンス学習による検索方法及びシステム
CN107729290B (zh) 一种利用局部敏感哈希优化的超大规模图的表示学习方法
CN112749281A (zh) 一种融合服务协作关系的Restful类型Web服务聚类方法
JP3762840B2 (ja) 類似事例に基づく予測を行う予測装置および方法
CN114492423B (zh) 基于特征融合及筛选的虚假评论检测方法、系统及介质
CN112632984A (zh) 基于描述文本词频的图模型移动应用分类方法
JP2018173909A (ja) 学習プログラム、学習方法および学習装置
Zhang et al. Gaussian metric learning for few-shot uncertain knowledge graph completion
CN113326432A (zh) 一种基于决策树与推荐方法的模型优选方法
CN113869609A (zh) 一种根因分析频繁子图置信度预测方法及系统
CN118245903B (zh) 基于人工智能的资产信息分类以及展示方法、设备及介质
Irfan et al. Optimization of information retrieval using evolutionary computation: A survey
CN117408736A (zh) 基于改进的Stacking融合算法的企业资金需求挖掘方法和介质
CN115481844A (zh) 基于特征提取和改进的svr模型的配网物资需求预测系统
CN117435685A (zh) 文档检索方法、装置、计算机设备、存储介质和产品
CN112905895B (zh) 相似项目推荐方法、装置、设备及介质
CN109710812A (zh) 一种网络表征算法稳定性度量方法
CN115660695A (zh) 客服人员标签画像构建方法、装置、电子设备及存储介质
CN115856694A (zh) 电池寿命预测方法、装置、计算机设备和存储介质
CN114385876A (zh) 一种模型搜索空间生成方法、装置及系统
Hamada et al. A fuzzy-based approach and adaptive genetic algorithm in multi-criteria recommender systems
Rossi et al. Relational similarity machines
CN113571198A (zh) 转化率预测方法、装置、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
GR01 Patent grant
GR01 Patent grant