一种智能数学模型储存系统及方法技术方案

本发明专利技术属于数字信息的传输技术领域，公开一种智能数学模型储存系统及方法，所述智能数学模型储存系统包括输入模块用于利用包括但不限于摄像机拍照、扫描、文件导入、直接输入多种形式将各类数学模型及基本信息输入系统中；模型管理模块用于利用单片机控制各模块正常工作；参数获取模块用于自动获取已输入数学模型中的输入参数；存储模块用于利用存储器存储模型管理模块传送的数学模型及模型基本信息、输入参数信息；应用模块用于数学模型的实际应用；显示模块用于利用显示屏显示模型管理模块的管理界面以及应用模块的应用界面，并显示应用输出结果。本发明专利技术提供的智能数学模型存储系统能够存储多种数学模型，且无其他文件，能够快速调用数学模型。

【技术实现步骤摘要】
一种智能数学模型储存系统及方法
本专利技术属于数字信息的传输
，尤其涉及一种智能数学模型储存系统及方法。
技术介绍
数学模型是针对参照莫种事物系统的特征或数量依存关系，建立各种各样的数学模型可以解决许多实际的问题，因此面对实际诸多的问题，需要建立多个数学模型，传统的存储系统将数学模型与其它文件共同存储，在计算机读取时，由于存储文件过多，导致读取的速度过慢，且无法直接调用数学模型并自动输出结果。综上所述，现有技术存在的问题是：(1)传统的储存系统会导致计算机读取速率变慢、无法直接调用数学模型，无法根据数学模型及相关参数自动计算并输出结果。(2)现有技术中采用传统的算法对数据进行处理，不能有效的对系统的参数进行优化，提降低了运行的速度。(3)现有技术中在数学模型的实际应用中，采用传统的算法对相关的数据进行挖掘，不能有效提高数据挖掘的峰值聚焦性能和查准率，改善数据库的优化访问和数据调度能力。(4)现有技术中储存器对各种数据进行存储的过程中，采用传统的算法对数据进行压缩，导致在压缩过程中，出现错码，不能有效减少对初始码本的依赖性，易陷入局部极小。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种智能数学模型储存系统及方法。本专利技术是这样实现的，一种智能数学模型储存方法，所述智能数学模型储存方法包括：第一步，利用摄像机拍照、扫描、文件导入、直接输入多种形式输入数学模型的名称、具体公式，计算步骤或计算流程、解决的问题或功能、解决问题所述领域信息；第二步，自动获取已输入数学模型中的输入参数；第三步，通过新增、删除、修改、查看操作对数学模型进行管理；第四步，选取所需数学模型、输入该数学模型所需输入的参数、自动计算结果；第五步，利用存储器存储各数学模型及其基本信息及相应输入参数；利用显示器显示管理界面、应用界面、输出计算结果。进一步，所述智能数学模型储存方法利用单片机控制各模块工作采用粒子群算法，具体包括以下步骤：步骤一，粒子的初始化；步骤二，粒子适应度计算；粒子状态更新，更新粒子的位置和速度；支持向量机建模评价模块，对每个粒子操作如下：按照粒子的位置作为SVM参数，并将2/3的数据作为训练集训练出一个SVM模型；对于已获得的SVM模型，选取剩下的1/3数据并结合weka.classifiers.Evaluation类中间的评价方法进行模型评价，将评价结果作为该SVM模型对应粒子的适应度，更新粒子的适应值；选择出最佳的适应值的粒子；c)若达到停止标准则转步骤三，否则，转到步骤二，算法结束。进一步，所述智能数学模型储存方法的参数获取在数学模型的实际应用中，采用数据库数据挖掘算法，具体过程如下：根据二进制向量描述法获取海量数据信息流自相关函数C(τ)；式中，τ为自相关时延系数，Ui引入属性相关度估计法提取海量数据信息流自相关函数中的数据库海量信息流序列{xi}；式中，N＞1；将上述的海量数据特征聚类结果带入，对数据库海量信息流序列{xi}进行属性相关度估计；通过式：Xi+jτ(τ)＝{xi}×hi(τ)+ni(τ)×C(jτ)；式中，h(τ)为X(τ)在云计算数据库海量数据库索引函数，n(τ)为云计算数据库中海量数据的原函数，h(τ)和n(τ)为海量数据的信息增益；利用公式Xi+jτ(τ)＝{xi}×hi(τ)+ni(τ)×C(jτ)的聚类离散度对海量数据信息离散属性进行分析，并融合属性相关度法建立海量数据库信息高效数据挖掘模型，实现云计算数据库的数据挖掘：r′i(t)＝Sri(t)*Xri(-t)＝S(t)*X(-t)*h′i(t)*hi(-t)+n1i(t)；其中，属性相关度估计结果为进一步，所述智能数学模型储存方法利用存储器存储模型管理模块传送的数学模型及模型基本信息、输入参数信息采用一种数据压缩算法，具体包括以下步骤：步骤一，计算所有训练矢量的质心步骤二，用分裂因子A，根据经验，可取0＜A＜1，乘以码字形成第二个码字步骤三，以和为初始码字，用LBG迭代算法设计仅含有2个码字的码书步骤四，将码书中的两个码字和分别乘以分裂因子B，根据经验，可取0＜B＜1；步骤五，以这4个码字为初始码书，用LBG算法设计仅含有4个码字的码书，再对设计的4个码字乘以适当系数进一步扩大码字数目；如此反复，经过次设计，就可得到所要求的含有N个码字的初始码书。本专利技术的另一目的在于提供一种执行所述智能数学模型储存方法的智能数学模型储存系统，所述智能数学模型储存系统包括：输入模块：与模型管理模块连接，用于利用包括但不限于摄像机拍照、扫描、文件导入、直接输入多种形式将各类数学模型及基本信息输入系统中，并将输入的数学模型及基本信息传送至模型管理模块；模型管理模块：与输入模块、参数获取模块、存储模块、应用模块、显示模块连接，用于利用单片机控制各模块正常工作；参数获取模块：与模型管理模块连接，用于接收自动获取已输入数学模型中的输入参数，并将获取的输入参数、各数学模型及其基本信息传送至模型管理模块；存储模块：与模型管理模块连接，用于利用存储器存储模型管理模块传送的数学模型及模型基本信息、输入参数信息；应用模块：与模型管理模块连接，用于数学模型的实际应用；显示模块：与模型管理模块连接，用于利用显示屏显示模型管理模块的管理界面以及应用模块的应用界面，并显示应用输出结果。本专利技术的另一目的在于提供一种应用所述智能数学模型储存方法的数字信息传输平台。本专利技术的优点及积极效果为：本专利技术提供的智能数学模型存储系统能够存储多种数学模型，且无其他文件，能够快速调用数学模型。本专利技术可直接获取数学模型的输入参数，同时实现对数学模型的直接调用，并自动输出数学模型计算结果，方便、快捷、支持各类计算。本专利技术中管理模块与输入模块、参数获取模块、存储模块、应用模块、显示模块连接，利用单片机控制各模块正常工作的过程中，采用采用粒子群算法，能有效的对系统的参数进行优化，提高运行的速度。本专利技术中参数获取模块在数学模型的实际应用中，采用数据库数据挖掘算法，能有效提高数据挖掘的峰值聚焦性能和查准率，改善数据库的优化访问和数据调度能力。本专利技术中存储模块利用存储器存储模型管理模块2传送的数学模型及模型基本信息、输入参数信息的过程中，采用一种数据压缩算法，能避免过程中出现错码，脱离初始码本的依赖性，防止陷入局部极小，同时提高数据压缩的速度。附图说明图1是本专利技术实施例提供的智能数学模型储存系统的结构示意图；图2是本专利技术实施例提供的智能数学模型储存方法流程图；图中：1、输入模块；2、模型管理模块；3、参数获取模块；4、存储模块；5、应用模块；6、显示模块。具体实施方式为能进一步了解本专利技术的
技术实现思路
、特点及功效，兹例举以下实施例，并配合附图详细说明如下。下面结合附图对本专利技术的应用原理作详细的描述。如图1所示，本专利技术实施例提供的智能数学模型存储系统包括：输入模块1、模型管理模块2、参数获取模块3、存储模块4、应用模块5、显示模块6。输入模块1：与模型管理模块2连接，用于利用包括但不限于摄像机拍照、扫描、文件导入、直接输入多种形式将各类数学模型及基本信息输入系统中，并将输入的数学模型及基本信息传送至模型管理模块2；模型管理模块2：与输入模块1、参数获取模块3、存储模块4、应用模块5、显示模块6连接，用本文档来自技高网...

【技术保护点】
1.一种智能数学模型储存方法，其特征在于，所述智能数学模型储存方法包括：第一步，利用摄像机拍照、扫描、文件导入、直接输入多种形式输入数学模型的名称、具体公式，计算步骤或计算流程、解决的问题或功能、解决问题所述领域信息；第二步，自动获取已输入数学模型中的输入参数；第三步，通过新增、删除、修改、查看操作对数学模型进行管理；第四步，选取所需数学模型、输入该数学模型所需输入的参数、自动计算结果；第五步，利用存储器存储各数学模型及其基本信息及相应输入参数；利用显示器显示管理界面、应用界面、输出计算结果。

【技术特征摘要】
1.一种智能数学模型储存方法，其特征在于，所述智能数学模型储存方法包括：第一步，利用摄像机拍照、扫描、文件导入、直接输入多种形式输入数学模型的名称、具体公式，计算步骤或计算流程、解决的问题或功能、解决问题所述领域信息；第二步，自动获取已输入数学模型中的输入参数；第三步，通过新增、删除、修改、查看操作对数学模型进行管理；第四步，选取所需数学模型、输入该数学模型所需输入的参数、自动计算结果；第五步，利用存储器存储各数学模型及其基本信息及相应输入参数；利用显示器显示管理界面、应用界面、输出计算结果。2.如权利要求1所述的智能数学模型储存方法，其特征在于，所述智能数学模型储存方法利用单片机控制各模块工作采用粒子群算法，具体包括以下步骤：步骤一，粒子的初始化；步骤二，粒子适应度计算；a)粒子状态更新，更新粒子的位置和速度；b)支持向量机建模评价模块，对每个粒子操作如下：按照粒子的位置作为SVM参数，并将2/3的数据作为训练集训练出一个SVM模型；对于已获得的SVM模型，选取剩下的1/3数据并结合weka.classifiers.Evaluation类中间的评价方法进行模型评价，将评价结果作为该SVM模型对应粒子的适应度，更新粒子的适应值；选择出最佳的适应值的粒子；c)若达到停止标准则转步骤三，否则，转到步骤二，算法结束。3.如权利要求1所述的智能数学模型储存方法，其特征在于，所述智能数学模型储存方法的参数获取在数学模型的实际应用中，采用数据库数据挖掘算法，具体过程如下：根据二进制向量描述法获取海量数据信息流自相关函数C(τ)；式中，τ为自相关时延系数，Ui引入属性相关度估计法提取海量数据信息流自相关函数中的数据库海量信息流序列{xi}；式中，N＞1；将上述的海量数据特征聚类结果带入，对数据库海量信息流序列{xi}进行属性相关度估计；通过式：Xi+jτ(τ)＝{xi}×hi(τ)+ni(τ)×C(jτ)；式中，h(τ)为X(τ)在云计算数据库海量数据库索引函数，n(τ)为云计算数据库中海量数据的原函数，h(τ)和n(τ)为海量数据的信息增益；利用公式Xi+jτ(τ)＝{xi...

【专利技术属性】
技术研发人员：王洪珂，王晓峰，王昌酉，袁玉兴，付靖，何勇，丁昌华，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50