一种数据模型优化方法技术

本发明专利技术公开的属于数据模型技术领域，具体为一种数据模型优化方法，该数据模型的优化方法如下：步骤一：获取初始模型数据，并对模型数据进行整合；步骤二：将整合好的数据按照区域分类，然后基于区域进行数据增强；步骤三：将增强后的数据进行改进；步骤四：将交叉区域内的数据进行记录；步骤五：将聚类数据与交叉区域连接，获取整体的数据模型，该模型即为优化后的模型，本申请文件中，通过对数据进行整合分类，然后后对其进行整体的数据增强及改进，提高数据的优化效率，同时采用交叉区域聚类的方法对其进行进行数据聚类，并使聚类数据与交叉区域连接，即可获取到优化后的模型，此种方法有效的减少数据偏差及数据遗漏等情况的发生。有效的减少数据偏差及数据遗漏等情况的发生。有效的减少数据偏差及数据遗漏等情况的发生。

【技术实现步骤摘要】
一种数据模型优化方法


[0001]本专利技术涉及数据模型
，具体为一种数据模型优化方法。

技术介绍

[0002]数据模型是数据特征的抽象，它从抽象层次上描述了系统的静态特征、动态行为和约束条件，为数据库系统的信息表示与操作提供一个抽象的框架。数据模型所描述的内容有三部分，分别是数据结构、数据操作和数据约束。
[0003]为了保证数据模型在进行框架建立时产生较高的清晰数据，需要对数据模型进行优化，减少模糊状态下的数据，从而可以更好的减少数据模型建立时产生模糊数据造成数据模型建立失败或产生盲区的问题发生。
[0004]现有的技术中，数据模型优化的方法主要采用以下方法：
[0005]步骤一：先进行训练，得到一个初始的结果；
[0006]步骤二：进行数据增强；
[0007]步骤三：使用改进方法对模型进行改进；
[0008]步骤四：根据学习率提升模型性能；
[0009]步骤五：加深网络层数；
[0010]步骤六：利用参差网络，减少误差反传过程中的衰减，从而获取到优化后的数据模型。
[0011]此种方法目前来说的优化效果并不是很突出，首先不能够将获取到数据模型进行整合，导致在进行数据训练后产生的数据模型会在层次上产生偏差，即产生的数据模型由于偏差造成模型变形的情况发生，同时进行数据增强时会产生遗漏的情况发生，不利于数据模型的优化。

技术实现思路

[0012]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0013]鉴于上述和/或现有数据模型优化方法中存在的问题，提出了本专利技术。
[0014]因此，本专利技术的目的是提供一种数据模型优化方法，能够对优化前的数据进行整合，提高优化效率，同时减少优化造成的层次偏差，提高数据模型的优化准确性。
[0015]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0016]一种数据模型优化方法，该数据模型的优化方法如下：
[0017]步骤一：获取初始模型数据，并对模型数据进行整合；
[0018]步骤二：将整合好的数据按照区域分类，然后基于区域进行数据增强；
[0019]步骤三：将增强后的数据进行改进，然后根据区域分类进行竖向分类，获取间隔数
据，并根据间隔数据得到两次分类产生的交叉区域；
[0020]步骤四：将交叉区域内的数据进行记录，并以该数据为基点，对其他区域内的数据进行聚类；
[0021]步骤五：将聚类数据与交叉区域连接，获取整体的数据模型，该模型即为优化后的模型。
[0022]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤一中的模型数据整合基于卡尔曼滤波算法运行。
[0023]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤二中的数据区域分类基于贝叶斯分类算法运行，所述步骤二中的数据增强具体为将数据进行归一操作，即将数据转换成Gaussian(0,1)分布。
[0024]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤三中对数据进行改进基于权重衰减方法操作，即对目标函数加入正则化项，限制权重参数的个数。
[0025]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤三中数据进行竖向分类的具体步骤为按照步骤一中的整合方法，对步骤三中改进后的数据进行分层操作，然后将分层后的数据模型化，按照坐标体系对数据进行分类，即为竖向分类。
[0026]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤三中的间隔数据具体为除竖向分类数据的其他区域数据。
[0027]作为本专利技术所述的一种数据模型优化方法的一种优选方案，其中：所述步骤四中基点值为交叉区内的中心数据，所述步骤四中的数据聚类方法基于均值漂移聚类算法运行。
[0028]与现有技术相比：现有的技术中对数据模型的优化效果并不是很突出，首先不能够将获取到数据模型进行整合，导致在进行数据训练后产生的数据模型会在层次上产生偏差，即产生的数据模型由于偏差造成模型变形的情况发生，同时进行数据增强时会产生遗漏的情况发生，不利于数据模型的优化，本申请文件中，通过对数据进行整合分类，然后后对其进行整体的数据增强及改进，提高数据的优化效率，同时采用交叉区域聚类的方法对其进行进行数据聚类，并使聚类数据与交叉区域连接，即可获取到优化后的模型，此种方法有效的减少数据偏差及数据遗漏等情况的发生。
附图说明
[0029]为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，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：
[0030]图1为本专利技术一种数据模型优化方法的系统流程示意图。
具体实施方式
[0031]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。
[0032]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术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专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。
[0033]其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0034]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。
[0035]本专利技术提供一种数据模型优化方法，请参阅图1，该数据模型的优化方法如下：
[0036]步骤一：获取初始模型数据，并对模型数据进行整合；
[0037]步骤二：将整合好的数据按照区域分类，然后基于区域进行数据增强；
[0038]步骤三：将增强后的数据进行改进，然后根据区域分类进行竖向分类，获取间隔数据，并根据间隔数据得到两次分类产生的交叉区域；
[0039]步骤四：将交叉区域内的数据进行记录，并以该数据为基点，对其他区域内的数据进行聚类；
[0040]步骤五：将聚类数据与交叉区域连接，获取整体的数据模型，该模型即为优化后的模型。
[0041]请再次参阅图1，所述步骤一中的模型数据整合基于卡尔曼滤波算法运行，具体的，卡尔曼滤波算法是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据模型优化方法，其特征在于：该数据模型的优化方法如下：步骤一：获取初始模型数据，并对模型数据进行整合；步骤二：将整合好的数据按照区域分类，然后基于区域进行数据增强；步骤三：将增强后的数据进行改进，然后根据区域分类进行竖向分类，获取间隔数据，并根据间隔数据得到两次分类产生的交叉区域；步骤四：将交叉区域内的数据进行记录，并以该数据为基点，对其他区域内的数据进行聚类；步骤五：将聚类数据与交叉区域连接，获取整体的数据模型，该模型即为优化后的模型。2.根据权利要求1所述的一种数据模型优化方法，其特征在于：所述步骤一中的模型数据整合基于卡尔曼滤波算法运行。3.根据权利要求1所述的一种数据模型优化方法，其特征在于：所述步骤二中的数据区域分类基于贝叶斯分类算法运行，所述步骤二中的数据增强具体为将数据进行归一...

【专利技术属性】
技术研发人员：任军，
申请(专利权)人：南京言晁智能科技有限公司，
类型：发明
国别省市：