一种融合专家模型决策的数据识别方法及系统技术方案

本发明专利技术涉及数据处理技术领域，尤其涉及一种融合专家模型决策的数据识别方法及系统，该方法包括以下步骤：利用大数据挖掘法获取用户业务活动数据及业务风险历史数据；利用智能传感器获取用户实时业务数据；对第一业务特征风险数据进行风险识别，生成业务特征风险矩阵；利用大数据风险识别分析法对业务风险历史数据进行风险概率预测，生成历史风险概率数据；对第二业务特征风险数据进行交互式可视化处理，生成业务特征风险数据可交互视图；对业务特征风险数据可交互视图进行多层采样，生成历史风险决策模型；利用组合分类器权重算法对业务风险专家决策模型进行模型融合，生成业务风险专家决策融合模型，本发明专利技术实现了对数据识别的高效，准确的优点。准确的优点。准确的优点。

【技术实现步骤摘要】
一种融合专家模型决策的数据识别方法及系统


[0001]本专利技术涉及数据处理
，尤其涉及一种融合专家模型决策的数据识别方法及系统。

技术介绍

[0002]传统的数据处理方法往往需要人工进行数据的分类和处理，在数据量大的情况下效率低、准确性差，为此，近年来，越来越多的专家系统和机器学习算法被引入到数据处理领域，以提高数据识别和处理的准确性和效率，其中，融合专家模型决策的数据识别方法和系统，成为了研究热点之一，利用机器学习算法和卷积算法对用户业务数据进行识别与处理，可以大大简化业务数据的信息管理及数据分析流程，结合数据挖掘、智能识别、风险预测等专业技术，建立融合专家决策模型，融合专家模型决策的数据识别方法极大地提高了数据处理和决策的效率，对提高企业竞争力和核心能力具有重要意义。

技术实现思路

[0003]本专利技术为解决上述技术问题，提出了一种融合专家模型决策的数据识别方法及系统，以解决至少一个上述技术问题。
[0004]为实现上述目的，本专利技术提供一种融合专家模型决策的数据识别方法，包括以下步骤：
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合专家模型的数据识别方法，其特征在于，包括以下步骤：步骤S1：利用大数据挖掘法获取用户业务活动数据及业务风险历史数据；利用智能传感器获取用户实时业务数据；利用数据仓库集成法对用户业务活动数据及用户实时业务数据进行数据集成，构建专家数据库；步骤S2：利用特征工程法对专家数据库进行特征提取，生成用户业务特征数据；利用关联规则分析法对用户业务特征数据进行业务风险分析，生成第一业务特征风险数据；步骤S3：利用事件树分析法对第一业务特征风险数据进行风险识别，生成业务特征风险矩阵；利用大数据风险识别分析法对业务风险历史数据进行风险概率预测，生成历史风险概率数据；对业务特征风险矩阵及历史风险概率数据进行数据融合，生成第二业务特征风险数据；步骤S4：利用深度学习算法对第二业务特征风险数据进行交互式可视化处理，生成业务特征风险数据可交互视图；步骤S5：利用决策树算法对业务特征风险数据可交互视图进行膨胀卷积，生成业务风险专家决策模型；利用神经网络算法对业务特征风险数据可交互视图进行历史风险数据多层采样，生成历史风险决策模型；步骤S6：利用组合分类器权重算法对业务风险专家决策模型及历史风险决策模型进行模型融合，生成业务风险专家决策融合模型。2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：步骤S11：利用大数据挖掘法获取用户业务活动数据及业务风险历史数据；用户业务活动数据包括用户交易记录数据、用户账户信息数据、用户行为轨迹数据及用户异常数据；步骤S12：利用智能传感器获取用户实时业务数据；用户实时业务数据包括用户实时业务活动数据及用户实时位置数据；步骤S13：利用数据仓库集成法对用户业务活动数据及用户实时业务数据进行数据集成，生成用户业务仓库数据；步骤S14：利用关系型数据库法对用户业务仓库数据进行数据存储，构建专家数据库。3.根据权利要求2所述的方法，其特征在于，步骤S2的具体步骤为：步骤S21：利用特征点检测算法对专家数据库进行特征检测，生成用户业务特征编码；步骤S22：利用特征工程法对用户业务特征编码进行特征提取，生成用户业务特征数据；步骤S23：利用关联规则分析法对用户业务特征数据进行业务风险分析，生成业务风险数据；步骤S24：利用聚类分析法对用户业务特征数据及业务风险数据进行数据聚类分析，生成第一业务特征风险数据。4.根据权利要求3所述的方法，其特征在于，步骤S21的具体步骤为：步骤S211：利用特征点检测算法对专家数据库进行特征检测，生成专家数据库特征数据；步骤S212：对专家数据库特征数据进行特征数据二值化，生成专家数据库特征二值化数据；步骤S213：对专家数据库特征二值化数据进行特征编码，生成用户业务特征编码。
5.根据权利要求4所述的方法，其特征在于，步骤S3的具体步骤为：步骤S31：利用事件树分析法对第一业务特征风险数据进行风险识别，生成业务特征风险数据；步骤S32：利用业务特征风险预测计算公式对业务特征风险数据进行风险预测计算，生成业务特征风险矩阵；步骤S33：利用大数据风险识别分析法对业务风险历史数据进行风险评估，生成历史风险评估数据；步骤S34：利用历史业务风险概率计算公式对历史风险评估数据进行风险概率计算，生成历史风险概率数据；步骤S35：利用元学习融合算法对业务特征风险矩阵及历史风险概率数据进行数据融合，生成第二业务特征风险数据；其中，步骤S32中的业务特征风险预测计算公式具体为：其中，R为预测的业务特征风险系数值，i为第i个业务特征因素，n为n个业务特征因素的总和，w
i
为第i个业务特征因素的权重，f
i
为第i个业务特征的市场份额保有量，x
i
为第i个业务特征的预测结果的概率值，max
g
为市场业务量的最大值，min
g
为市场业务量的最小值。为第i个业务特...

【专利技术属性】
技术研发人员：余婷娟，郑明启，章一承，
申请(专利权)人：四川三闲人网络科技有限公司，
类型：发明
国别省市：