面向大数据分析的综合态势定量处理方法

摘要

本发明涉及面向大数据分析的综合态势定量处理方法，包括：第一步、系统初始化；第二步、构建矩阵；第三步、修正矩阵；第四步、转换矩阵；第五步、迭代处理；第六步、归一化处理。本发明能克服现有综合态势定量处理方法存在的不足，利于提升评估准确性。

主权项

一种面向大数据分析的综合态势定量处理方法，其特征是，包括以下步骤：第一步、系统初始化：以目标场景中实体的所有实体属性组成实体属性集e，并以所有实体属性值组成实体属性值向量w(e)_n×1＝(w(e₁),w(e₂),...,w(e_n))^T，n为实体属性的数量；同时设置迭代阈值ξ；转至第二步；第二步、构建矩阵：根据各实体属性之间的关联关系设置可传递实体属性关联矩阵R；转至第三步；第三步、修正矩阵：设置实体属性值为w(e)_n+1的外围环境实体，在各实体与外围环境实体之间分别设置双向可传递关联属性；以外围环境实体指向各实体的可传递关联属性值组成外围环境实体的权重下行向量w(ie)_n×1＝(w(ie₁),w(ie₂),...,w(ie_n))^T，并以各实体指向外围环境实体的可传递关联属性值组成外围环境实体的权重上行向量w(oe)_n×1＝(w(oe₁),w(oe₂),...,w(oe_n))^T；将可传递实体属性关联矩阵R修正为$R^{\left(1\right)}={\left(\begin{array}{cc}R& w{\left(\mathrm{ie}\right)}_{n\times 1}\\ w{\left(\mathrm{oe}\right)}_{n\times 1}^T& 0\end{array}\right)}_{(n+1)\times (n+1)};$转至第四步；第四步、转换矩阵：根据修正矩阵R⁽¹⁾以及各实体属性的可传递属性下行关联度，运算得出可传递实体属性转换矩阵Q；将实体属性值向量w(e)_n×1扩展为$w^{\prime }{\left(e\right)}_{(n+1)\times 1}=[w{\left(e\right)}_{n\times 1}^T,w\left(e_{n+1}\right){]}^T;$转至第五步；第五步、迭代处理：按公式对实体属性值向量w'(e)_(n+1)×1进行迭代处理，其中，为第k次迭代后实体属性值向量，且令$w^{\prime }{\left(e\right)}_{(n+1)\times 1}^{\left(0\right)}=w^{\prime }{\left(e\right)}_{(n+1)\times 1};$当$|w^{\prime }{\left(e\right)}_{(n+1)\times 1}^{(k+1)}-w^{\prime }{\left(e\right)}_{(n+1)\times 1}^{\left(k\right)}|<\xi$时，迭代处理结束，并得到迭代处理后实体属性值向量$w^{\prime }{\left(e\right)}_{(n+1)\times 1}^{(k+1)}={(w^{\prime }\left(e_1\right),w^{\prime }\left(e_2\right),...,w^{\prime }\left(e_n\right),w^{\prime }\left(e_{n+1}\right))}^T;$转至第六步；第六步、归一化处理：设W(e)_n×1＝(W(e₁),W(e₂),...,W(e_n))^T为归一化实体属性值向量，其中i∈{1,2,...,n}，j∈{1,2,...,n}；所述W(e)_n×1即为最终所得实体属性值向量；处理结束。