[发明专利]一种基于不确定性支持向量机的数据模型比较方法

权利要求书

1.一种基于不确定性支持向量机的数据模型比较方法，其特征在于，通过构建高维度数据模型，将不确定性参数引入支持向量机分类模型的训练，从而提升对本体数据模型的辨识和比较效率及准确率，最终实现高效数据集成；所述数据模型比较方法包括以下步骤：

S1. 收集流程数据，通过构建数据流图，以业务处理过程为中心，描述完整的业务和数据流程；所述数据流图能够根据需要进行分层绘制；

S2. 提取所述数据流图信息，获得包括数据来源、数据消费者、模型负责人、所属部门和/或考核绩效在内的业务信息；

S3. 构建包括多个特征值的高维度数据模型，所有特征值均伴随一个不确定性参数，用以表达可能存在的无法准确获取该特征值的情况；将特征值与其对应的不确定性参数组合，形成n维本体数据模型特征集；

S4. 进行本体数据模型识别，形成训练数据集标签；

S5. 基于本体数据模型识别结果，运用支持向量机分类模型进行训练和验证；

S6. 运用训练完成的支持向量机分类模型进行本体数据模型分类，将划分为同类的结果进行确认，确认后对本体数据模型中的不同项目进行统一修改，为系统集成和逻辑模型关联提供支撑；

步骤S5中：

针对输入特征集的不确定性参数，采用如下几何间隔定义：

其中，γ_i为样本点到超平面的举例，w为法向量，||w||为w的二级范数，b为超平面距离常量，为该样本点的不确定性参数向量；

对于线性分类，将标准分类函数替换为：

其中，为样本的拉格朗日乘子，为样本的分类结果，为样本的不确定性参数向量，e为待分类样本的不确定性参数向量，为待分类样本的特征值向量，为样本的特征值向量，b为常数参数；

对于非线性分类，将基于核函数的分类函数替换为：

其中，为样本的拉格朗日乘子，为样本的分类结果，k[ ]为核函数，为样本的不确定性参数向量，e为待分类样本的不确定性参数向量，为待分类样本的特征值向量，为样本的特征值向量，b为常数参数。

2.根据权利要求1所述的一种基于不确定性支持向量机的数据模型比较方法，其特征在于，步骤S1中，业务和数据流程的核心组成部分为业务活动和数据流向，包括：

数据输入，即为当前业务活动所需的、来源于上游业务活动的信息；

数据输出，即为当前业务活动产生的或改变的信息，供下游业务活动使用；

当前业务活动的所有者、责任人或部门信息；

当前业务活动的管理控制信息，包括当前业务活动所对应的绩效KPI。

3.根据权利要求1所述的一种基于不确定性支持向量机的数据模型比较方法，其特征在于，步骤S2中，所涉及的流程和相关部门设定有唯一的流程ID和部门ID，以确保沿所有数据流方向上，尽可能多的ID都是递增的；同时，参考数据定义、数据管理部门的相关数据信息，将流程与数据信息结合，协同构建高维度数据模型。

4.根据权利要求1所述的一种基于不确定性支持向量机的数据模型比较方法，其特征在于，步骤S3中，所述特征值包括数据存量、数据增量、更新频率、数据来源、数据流向、数据所有者、所属部门、绩效指标、命名、编码和/或数据类型。