[发明专利]一种基于大数据的仿真数学模型参数对的估量方法

权利要求书

1.一种基于大数据的仿真数学模型参数对的估量方法，其特征在于，所述基于大数据的仿真数学模型参数对的估量方法包括：

步骤一，利用数据采集接口采集工业大数据信息；

步骤二，通过参数设置模块利用仿真软件设置仿真数学模型参数对；

步骤三，利用基于优化粒子群算法的大数据优化算法对采集的大数据进行优化处理；利用仿真软件对仿真数学模型参数对的估算操作；

步骤四，利用存储器存储采集的工业大数据；

步骤五，利用基于全局自适应分数阶积分图像去噪算法进行图像去噪的显示器显示采集的工业大数据及估算结果。

2.如权利要求1所述的基于大数据的仿真数学模型参数对的估量方法，其特征在于，所述步骤五中基于优化粒子群算法的大数据优化算法，如下：

在D维大数据云存储聚类特征空间中，有m个粒子组成一个种群，把数据聚类问题转化为一个多目标优化问题，云存储中大数据聚类：

min F(x)＝[f₁(x)，f₂(x)，…，f_n(x)]

s.t.g_i(x)≤0或g_i(x)≥0 i＝1，2，…n

h_j(x)＝0 j＝1，2，…，m；

其中，f_i(x)(i＝1，2，...，n)为目标函数，g_i(x)系统有两个不稳定的1周期点x＝0和x＝1-1/μ，h_j(x)为等式约束；引入混沌粒子群扰动概念，得到决策变量x*支配的聚类中心的特征解为：

对于每个大数据信息特征矢量X_i进行存档：

l_i(k)＝(1-ρ)l_i(k-1)+γf(x_i(k))；

其中，f_i是Pareto最优解，P_ij(k)表示k时刻第i个决策变量，不等式f_i(X*)≤f_i(X)成立，其中i＝1，2，...，n，设置聚类的阈值N_th，当N_eff＜N_th时，搜索区域的O_α和O_β两个区间的聚类正确的概率为：

采用粒子群跳数改进机制进行存储库中的粒子更新；

更新粒子群中每个粒子的空间位置：

其中，x_k为搜索该区域内的惯性权重，a为聚类中心的非劣解，d_e为极值点到非劣解的距离，在评估解集分布的均匀程度时，计算按最优聚类中心矢量函数q(xⁱ_k/xⁱ_k-1)，根据模因组中的更新迭代顺序，得到：

∑_i＝diag(max(σ_i-τ，0)；

由此得到云存储中大数据聚类的粒子适应度函数为：

其中，{α，β}为分集聚敛目标函数。

3.如权利要求1所述的基于大数据的仿真数学模型参数对的估量方法，其特征在于，所述步骤五中基于全局自适应分数阶积分图像去噪算法包括：

设图像f(i，j)中每一个像素点8个方向上的梯度幅值的平均值为M(i，j)，并进行归一化，求出与该像素点对应的积分阶次；取M(i，j)的最大值为Y，最小值为X，将像素点的梯度幅值进行归一化后，求出动态的分数阶积分阶次：