[发明专利]一种New-CLH信息处理技术

说明书

本发明公开了一种New‑CLH信息处理技术，本发明涉及模糊数据处理技术领域。该New‑CLH信息处理技术的S₁、大量搜集相关信息数据资料，构建全面较完善的监测指标体系，获取每个具体监测任务要求的信息，特别是具有模糊性的监测变量及各模组信息和任务模糊处理的现状数据；S₂、根据观测数据所涉及的因素、项目(集)、模糊权重进行方案与相互关系分析。

技术领域

本发明涉模糊数据处理技术领域，具体为一种New-CLH信息处理技术。

背景技术

模糊综合评价法，是一种基于模糊数学的综合评价方法；它根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。具体步骤是：先构建一个监测变量体系，自下而上进行分类设定解释性类别指标，再向上汇集成三至四层，指标间的权重系数用层次分析法(AHP)或权熵来确定，先测评各个监测变量(监测指标)的隶属度，从里向外第二层、称领域层所对应的监测变量构成表征它的判断矩阵，通过权重系数与其相乘，算出该项领域层的判断向量，此判断向量再乘以由各等级的中值组成评判集，就是监领域层目标值；但这个测度值离散性高，所映射的评判集太简单粗糙，所表征的信息丢失太多，与客观事物本体属性存在较大差异，随着社会科技的进步，我们认识事物本体的新结构新属性迫切需要在技术方法上突破。

现有的模糊K近邻算法(Fuzzy k-nearest neighbor,Fk-NN)把存在一个样本数据集合作为训练样本集，将其中每个数据都存在标签(即已知道样本集中每一个数据与所属分类的对应关系)。输入没有标签的新数据后，将其每个特征与样本几种数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。这种技术方法在进行属性分类有效，但实现复杂目标处理时比较迟缓。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种New-CLH信息处理技术，有效处理模糊类监测变量技术的主要目的是通过对节点对象建立索引作为存储数据信息的标签，对第一位数据进行排序，找到所要将这一监测变量需要“对号入座”的隶属度监测取值区间，这个过程要通过“核心-引领”，牵引被监测对象的监督测变量先“对号入座”找到较为准确的区间。然后将它放入该区间作为大规模监测评判以获取第一层级模糊挖掘处理的隶属度及单一监测变量的判断向量，用以乘以对应等级映射值，就可获得单一模糊监测变量的表征值，再以此值反向对照判断标准，以验证它的准确性。以此为基础按本 New-CLH信息处理技术，按照它内在规序进行运算处理；以最快方式处理因对象数量和维度相差很大的数据集，从中提取任务所需的客观信息，以提高监测系统对客观区域全面发展目标完成状态的表征本体的代表性；从而也大大提高了模糊监测变量集的隶属度及表征值的精确度。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

S₁、大量搜集相关信息数据资料，构建全面较完善的监测指标体系，获取每个具体监测任务要求的信息，特别是具有模糊性的监测变量及各模组信息和任务模糊处理的现状数据；

S₂、根据观测数据所涉及的因素、项目(集)、模糊权重进行方案与相互关系分析；

S₃、建立犹豫模糊集的处理以便更加准确的表达数据所涵盖的信息；

S₄、增加不完备数据的缺失性分析以便提高大规模数据集的模糊有效表达；

S₅、通过使用犹豫模糊粗糙集的上下近似来判定决策事务项的所属类别，以提高大规模监测变量数据集的决策精度。

优选的，监测变量及模组可添加刷新，监测变量隶属度及映射评判集，增加