[發明專利]模糊數據處理方法、系統及終端設備在審
| 申請號： | 202010460291.8 | 申請日： | 2020-05-27 |
| 公開（公告）號： | CN111625526A | 公開（公告）日： | 2020-09-04 |
| 發明（設計）人： | 趙士欣 | 申請（專利權）人： | 石家莊鐵道大學 |
| 主分類號： | G06F16/215 | 分類號： | G06F16/215;G06K9/62 |
| 代理公司： | 河北國維致遠知識產權代理有限公司 13137 | 代理人： | 墨偉 |
| 地址： | 050043 河*** | 國省代碼： | 河北;13 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 模糊 數據處理 方法 系統 終端設備 | ||
1.一種模糊數據處理方法，其特征在于，包括：
獲取待處理模糊數據的類型和所述待處理模糊數據的決定值個數，并根據所述待處理模糊數據的類型和所述待處理模糊數據的決定值個數，確定與所述決定值個數相匹配的輸入簡約值；
將各個輸入簡約值分別輸入到各自對應的已訓練完成的預設模型中，得到各個輸入簡約值分別對應的輸出簡約值；
將各個輸出簡約值分別按照各自對應的簡約值計算的逆過程計算得到所述待處理模糊數據的預測數據。
2.根據權利要求1所述的模糊數據處理方法，其特征在于，在所述將各個輸入簡約值分別輸入到各自對應的已訓練完成的預設模型中，得到各個輸入簡約值分別對應的輸出簡約值之前，還包括：
獲取各個類型的模糊數據分別對應的訓練樣本數據，所述訓練樣本數據包括多個訓練模糊數據和各個訓練模糊數據對應的訓練清晰數據；
根據各個訓練樣本數據對應的模糊數據的類型，計算各個訓練樣本數據中的各個訓練模糊數據的輸入訓練簡約值和對應的各個訓練清晰數據的輸出訓練簡約值；
根據各個訓練樣本數據中的各個訓練模糊數據的各個輸入訓練簡約值及其對應的輸出訓練簡約值，分別對各個類型的模糊數據的各個簡約值分別對應的預設模型進行訓練，得到各個類型的模糊數據的各個簡約值對應的已訓練完成的預設模型。
3.根據權利要求2所述的模糊數據處理方法，其特征在于，在所述得到各個類型的模糊數據的各個簡約值對應的已訓練完成的預設模型之后，還包括：
獲取各個類型的模糊數據分別對應的測試數據，所述測試數據包括測試模糊數據和所述測試模糊數據對應的測試清晰數據；
根據第一測試數據對應的模糊數據的類型，計算所述第一測試數據中的測試模糊數據的輸入測試簡約值；所述第一測試數據為任意一個類型的模糊數據對應的測試數據；
將所述第一測試數據中的測試模糊數據對應的各個輸入測試簡約值分別輸入到各自對應的已訓練完成的預設模型中，得到各個輸入測試簡約值分別對應的輸出測試簡約值；
計算所述第一測試數據對應的輸出測試簡約值和所述第一測試數據中的測試清晰數據的誤差值；
若所述誤差值大于預設誤差，則重新選取所述第一測試數據對應的類型的模糊數據的訓練樣本數據，根據該訓練樣本數據重新對所述第一測試數據對應的類型的模糊數據的各個預設模型進行訓練，直至測試得到的誤差值小于或等于所述預設誤差。
4.根據權利要求1所述的模糊數據處理方法，其特征在于，所述根據所述待處理模糊數據的類型和所述待處理模糊數據的決定值個數，確定與所述決定值個數相匹配的輸入簡約值，包括：
若所述待處理模糊數據的類型為指數模糊數據，則所述待處理模糊數據的決定值為一個，所述待處理模糊數據的輸入簡約值為所述待處理模糊數據的期望值；
若所述待處理模糊數據的類型為正態模糊數據，則所述待處理模糊數據的決定值為兩個，所述待處理模糊數據的輸入簡約值分別為所述待處理模糊數據的期望值和方差；
若所述待處理模糊數據的類型為三角型模糊數據，則所述待處理模糊數據的決定值為三個，所述待處理模糊數據的輸入簡約值分別為所述待處理模糊數據的期望值、樂觀關鍵值和悲觀關鍵值；
若所述待處理模糊數據的類型為梯形模糊數據，則所述待處理模糊數據的決定值為四個，所述待處理模糊數據的輸入簡約值分別為所述待處理模糊數據的樂觀均值、悲觀均值、樂觀關鍵值和悲觀關鍵值。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于石家莊鐵道大學，未經石家莊鐵道大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202010460291.8/1.html，轉載請聲明來源鉆瓜專利網。
