信创环境下基于机器学习实现数据资产价值评估处理的方法、装置、处理器及其存储介质制造方法及图纸

本发明专利技术涉及一种信创环境下基于机器学习实现数据资产价值评估处理的方法，包括以下步骤：进行数据预处理；构建机器学习特征提取模型，采用机器学习模型为改进的深度置信网络进行模型的训练；采用改进的网格搜索算法对随机森林分类器进行优化；得到预测的数据资产价值。本发明专利技术还涉及一种在信创环境下基于机器学习实现数据资产价值评估的、装置、处理器及存储介质。采用了本发明专利技术的信创环境下基于机器学习实现数据资产价值评估处理的方法、装置、处理器及其计算机可读存储介质，采用多目标优化的DBN实现特征的深度提取，具有较好的特征提取效果，能为后续预测分类提供较高质量的特征，进提高评估精度，具有较高的分类精度，同时整体模型具有较高的鲁棒性和泛化能力。整体模型具有较高的鲁棒性和泛化能力。整体模型具有较高的鲁棒性和泛化能力。

【技术实现步骤摘要】
信创环境下基于机器学习实现数据资产价值评估处理的方法、装置、处理器及其存储介质


[0001]本专利技术涉及人工智能领域，尤其涉及数据资产领域，具体是指一种信创环境下基于机器学习实现数据资产价值评估处理的方法、装置、处理器及其计算机可读存储介质。

技术介绍

[0002]随着物联网、云计算、5G、人工智能等新一代技术与各应用领域的深度融合，数据类型和数据量快速累积，催生出新的经济业态和商业模式，数据的经济价值凸显，成为数字经济发展的源泉。基于数据资源驱动的创新模式已经成为数字经济发展的重要路径之一，数据资源是互联网发展进程中强有力的经济资产。在数字经济时代，数据作为企业重要的资产影响着企业的经营决策和战略规划，在提高运营效率、赋予产品服务新功能、激发创新性的商业模式等方面具有重要作用。毋庸置疑，数据资产价值评估将对投资、贸易和经济增长产生重要影响。然而，作为新的资产类别，数据资产的价值评估却给学术界和实务界带来了挑战：一方面，数据资产不是有形资产，不存在磨损折旧问题；另一方面，数据资产不同于常规的无形资产，数据资产的聚合重组可以创造新的价值，同一数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信创环境下基于机器学习实现数据资产价值评估处理的方法，其特征在于，所述的方法包括以下步骤：(1)进行数据预处理，将原始数据转换成适合机器学习模型的输入数据；(2)构建机器学习特征提取模型，采用机器学习模型为改进的深度置信网络进行模型的训练；(3)采用改进的网格搜索算法对随机森林分类器进行优化，并利用训练样本训练模型；(4)输入需要评估预测的数据资产影响因素数据，得到预测的数据资产价值。2.根据权利要求1所述的信创环境下基于机器学习实现数据资产价值评估处理的方法，其特征在于，所述的步骤(1)中进行数据预处理，具体包括以下步骤：(1.1)处理缺失值；(1.2)处理异常数据，对异常数据进行删除操作；(1.3)采用极差标准化方法对数据进行归一化操作。3.根据权利要求2所述的信创环境下基于机器学习实现数据资产价值评估处理的方法，其特征在于，所述的步骤(1.3)中采用极差标准化方法对数据进行归一化操作，具体为：根据以下公式进行归一化操作：其中，x
min
、x
max
分别表示同一组数据样本中的最小值和最大值，x
in
表示输入的数据，x
out
表示归一化后的数据。4.根据权利要求1所述的信创环境下基于机器学习实现数据资产价值评估处理的方法，其特征在于，所述的步骤(2)具体包括以下步骤：(2.1)计算梯度误差；(2.2)更新权重；(2.3)更新从训练样本中得到的每一个权值，并根据更新权重的方法进行计算输出误差的方差，重复步骤(2.3)，直至输出误差的方差最小；(2.4)设置4个目标函数，对4个目标函数进行多目标优化，并根据Pareto解集得到最优解；(2.5)求取Pareto最优解集对应目标值的集合。5.根据权利要求4所述的信创环境下基于机器学习实现数据资产价值评估处理的方法，其特征在于，所述的步骤(2.1)中计算梯度误差，具体为：根据以下公式计算梯度误差：δ
k
＝v
′
i
(1
‑
v
′
i
)(v
i
‑
v
′
i
)；其中，δ
k
为实际输出v
′
i
与理想输出v
i
的梯度误差，δ
a
为隐层元素a与隐层元素b的梯度误差，θ
ab
为节点a和节点b的连接权值，v
′
a
为隐层节...

【专利技术属性】
技术研发人员：魏明，李卜，
申请(专利权)人：普元信息技术股份有限公司，
类型：发明
国别省市：