一种面向异类非实时数据间的信息处理模型设计系统技术方案

本发明专利技术公开了一种面向异类非实时数据间的信息处理模型设计系统，该系统包括：数据库模块，用于存储和接收非实时数据和算法模型；异类非实时数据处理模块，包括数据预处理子模块、特征融合子模块、关联分析子模块以及复杂检索子模块；算法管理模块，包括算法设计子模块、算法模拟子模块和方案输出模块；所述算法模拟子模块，用于对生成的多种信息处理模型完成训练和调参后，进行仿真测试和对比验证评估模型的性能，获得性能测试通过的信息处理模型，并将测试通过的信息处理模型存储为新的基础算法模型。本发明专利技术可以处理不同类型的非实时数据并协调异构数据之间的不一致，进行更准确和有效的数据处理和特征处理，减少错误并提高数据质量。数据质量。数据质量。

【技术实现步骤摘要】
一种面向异类非实时数据间的信息处理模型设计系统


[0001]本专利技术涉及数据融合技术，尤其涉及一种面向异类非实时数据间的信息处理模型设计系统。

技术介绍

[0002]针对现有数据处理功能要求中，非实时数据类别繁多、数据量大、异类数据间存在不一致性等问题，当前信息处理模型通常只能针对同一类信息进行设计。但在处理异类非实时数据信息时，由于特征空间不一致，以及图像数据、地理数据等数据类型存在不同的数据处理算法，因此会出现调参困难的情况。不过，这些数据类型之间存在着一定的关联性，因此需要开发出针对异类非实时数据间信息处理模型设计工具，以有效记录和处理这些异类数据信息。

技术实现思路

[0003]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种面向异类非实时数据间的信息处理模型设计系统。
[0004]本专利技术解决其技术问题所采用的技术方案是：一种面向异类非实时数据间的信息处理模型设计系统，包括：
[0005]数据库模块，用于存储和接收非实时数据和算法模型；
[0006]所述非实时数据包括文本、图像数据和地理数据；
[0007]所述算法模型包括用于数据预处理的目标检测算法和目标识别算法，以及聚类算法、分类算法、数据清洗算法；
[0008]以及用于模型生成的基础算法模型；所述基础算法模型包括聚类分析模型、神经网络模型和知识推理模型；
[0009]异类非实时数据处理模块，包括数据预处理子模块、特征融合子模块、关联分析子模块以及复杂检索子模块；
[0010]所述数据预处理子模块，用于采用基础算法或基础算法的组合对图像数据进行清洗、分类、聚类和目标检测处理，对地理数据进行清洗、分类、聚类和目标识别处理；
[0011]所述特征提取子模块，用于分别对经过预处理的图像数据和地理数据进行特征提取；
[0012]关联分析子模块，用于基于Apriori算法对多源数据进行关联分析；通过对获得的多目标特征进行特征关联，对特征进行属性判决获得多源数据的多个局部识别结论进行判定结论关联，获得源于同类目标的特征集合；
[0013]即根据多源数据的两两特征组合的相关性进行计算，若相关性均值符合设定阈值，则认为源于同类目标；两两特征组合的相关性通过向量距离来描述；
[0014]所述特征融合子模块，用于分别对集合中的特征进行融合，获得同类目标的融合特征；
[0015]复杂检索子模块，用于提供跨数据表的多字段联合复杂检索功能；
[0016]算法管理模块，包括算法设计子模块、算法模拟子模块和方案输出模块；
[0017]所述算法设计子模块，用于根据数据类型和要执行的具体任务选择础算法模型中的算法进行组合生成多种信息处理模型；
[0018]所述算法模拟子模块，用于对生成的多种信息处理模型完成训练和调参后，进行仿真测试和对比验证评估模型的性能，获得性能测试通过的信息处理模型，并将测试通过的信息处理模型存储为新的基础算法模型；
[0019]方案输出模块，用于输出测试通过的信息处理模型，并对算法方案的输出结果进行可视化展示。
[0020]按上述方案，所述数据预处理子模块中，目标检测处理为检测出多目标属性数据中同类型目标的数据；目标识别处理为检测各个目标之间的相似度，对目标进行分类。
[0021]按上述方案，所述数据预处理子模块中，对地理数据进行清洗包含时间对准和空间对准，即进行时间同步，对坐标系进行统一。
[0022]按上述方案，所述特征提取子模块中，所述图像数据的特征包括：几何特征、结构特征、统计特征及频域特征；所述地理数据的特征包括：包括时域特征、频域特征和时域频域复合特征。
[0023]按上述方案，所述特征融合子模块中，特征融合方式包括：对提取的特征通过主成分分析法、核PCA、线性判别式分析、独立成分分析方法实现多源数据特征融合。
[0024]本专利技术产生的有益效果是：
[0025]1)提高准确性和有效性：本专利技术可以处理不同类型的非实时数据并协调异构数据之间的不一致，进行更准确和有效的数据处理，减少错误并提高数据质量。
[0026]2)改进的特征提取：该系统可以有效地从不同类型的数据中提取特征，包括图像数据和地理数据。在此基础上可以进行更全面和有意义的数据分析和处理。
附图说明
[0027]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0028]图1是本专利技术实施例的结构示意图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0030]如图1所示，一种面向异类非实时数据间的信息处理模型设计系统，包括：
[0031]数据库模块，用于存储和接收非实时数据和基础算法模型；
[0032]所述非实时数据包括文本、图像数据和地理数据；
[0033]所述基础算法模型包括用于数据预处理的目标检测基础算法和目标识别基础算法，以及聚类基础算法、分类基础算法、数据清洗基础算法；
[0034]以及用于模型生成的基础算法模型；所述基础算法模型包括聚类分析模型、神经网络模型和知识推理模型；
[0035]异类非实时数据处理模块，包括数据预处理子模块、特征融合子模块、关联分析子模块以及复杂检索子模块；
[0036]所述数据预处理子模块，用于采用基础算法或基础算法的组合对图像数据进行清洗、分类、聚类和目标检测处理，对地理数据进行清洗、分类、聚类和目标识别处理；
[0037]目标检测处理为检测出多目标属性数据中同类型目标的数据；
[0038]目标识别处理为检测各个目标之间的相似度，对目标进行分类；
[0039]对地理数据进行清洗包含时间对准和空间对准，即进行时间同步，对坐标系进行统一；
[0040]对数据的去噪采用优化的卡尔曼滤波算法；
[0041]对目标的观测是在有测量噪声的情况下进行的，因此观测有时也称为量测。观测值通常包括传感器所测得的距离、方位角、俯仰角，信号频率、信号强度等。观测模型方程通常表示为
[0042]Z(k)＝H(k)X(k)+V(k)
[0043]式中：H(k)为观测矩阵；X(k)为状态向量；V(k)为观测噪声，一般假定其为零均值的高斯白噪声。
[0044]当噪声分布为高斯分布，且状态方程与量测方程为线性时，卡尔曼滤波算法可以得到最优估计值。但在实际情况中，在大地坐标系下建立的目标运动模型和观测模型都具有很强的非线性，再考虑到复杂的电磁环境、目标散射特性以及海杂波等因素，系统往往面临着非线性、非高斯的情况，此时标准卡尔曼滤波往往难以适用。
[0045]本专利技术拟采用改进的集合卡尔曼滤波算法作为处理非线性系统的方法，基本思想是，在预测步骤中，生成一组样本参数，以基于样本参数的先验信息来预测模式的未来变化。在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向异类非实时数据间的信息处理模型设计系统，其特征在于，包括：数据库模块，用于存储和接收非实时数据和算法模型；所述非实时数据包括文本、图像数据和地理数据；所述算法模型包括用于数据预处理的目标检测算法和目标识别算法，以及聚类算法、分类算法、数据清洗算法；以及用于模型生成的基础算法模型；所述基础算法模型包括聚类分析模型、神经网络模型和知识推理模型；异类非实时数据处理模块，包括数据预处理子模块、特征融合子模块、关联分析子模块以及复杂检索子模块；所述数据预处理子模块，用于采用基础算法或基础算法的组合对图像数据进行清洗、分类、聚类和目标检测处理，对地理数据进行清洗、分类、聚类和目标识别处理；所述特征提取子模块，用于分别对经过预处理的图像数据和地理数据进行特征提取；关联分析子模块，用于基于Apriori算法对多源数据进行关联分析；通过对获得的多目标特征进行特征关联，对特征进行属性判决获得多源数据的多个局部识别结论进行判定结论关联，获得源于同类目标的特征集合；所述特征融合子模块，用于分别对集合中的特征进行融合，获得同类目标的融合特征；复杂检索子模块，用于提供跨数据表的多字段联合复杂检索功能；算法管理模块，包括算法设计子模块、算法模拟子模块和方案输出模块；所述算法设计子模块，用于根据数据类型和要执行的具体任务选择础算法模型中的算法进行组...

【专利技术属性】
技术研发人员：周涛，罗亮，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：