(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210900120.1 (22)申请日 2022.07.28 (71)申请人 中国电子科技 集团公司电子科 学研 究院 地址 100041 北京市石景山区双园路1 1号 (72)发明人 徐广治　魏曦　林晖　陈工　王进　 吕慧超　 (74)专利代理 机构 工业和信息化部电子专利中 心 11010 专利代理师 焉明涛 (51)Int.Cl. G06F 30/20(2020.01) (54)发明名称 一种大规模数据模型优化方法 (57)摘要 本申请的实施例揭示了一种大规模数据模 型优化方法包括： 通过主成分分析对 大规模数据 模型中的变量维度进行分析， 得到每个变量维度 的总贡献度； 根据变量维度的贡献度进行分组， 得到多个子成分组； 对多个子分组进行优化， 得 到大规模数据模 型优化的最终解， 所述最终解用 于对大规模 数据模型进行优化； 通过采用主成分 分析的策略对大规模数据模型中的变量维度进 行分析， 把携带主要信息的维度提取出来， 实现 提高大规模数据模型的优化效果。 权利要求书2页 说明书7页 附图1页 CN 115270464 A 2022.11.01 CN 115270464 A 1.一种大规模数据模型优化方法， 其特 征在于， 所述大规模数据模型优化包括： 通过主成分分析对大规模数据模型中的变量维度进行分析， 得到每个变量维度的总贡 献度； 根据变量维度的总贡献度进行分组， 得到多个子成分组； 对多个子分组进行优化， 得到大规模数据模型优化的最终解， 所述最终解用于对大规 模数据模型进行优化。 2.根据权利要求1所述的大规模数据模型优化方法， 其特征在于， 所述通过主成分分析 对大规模数据模型中的变量维度进行分析， 得到所有变量维度的贡献度， 包括： 确定待分析的粒子群， 根据待分析的粒子群得到数据矩阵， 其中， 每个粒子群中具有S 个粒子， 每 个粒子中具有N个 变量维度； 通过主成分 分析方法对数据矩阵进行线性变换， 以得到由主成分构成的新样本； 确定粒子群中每 个粒子的每一维在新样本中各主成分信息中的贡献度； 根据每个粒子的每一维在各主成分信息中的贡献度确定每 个变量维度的总贡献度。 3.根据权利要求1所述的大规模数据模型优化方法， 其特征在于， 通过主成分分析方法 对数据矩阵进行线性变换， 以得到由主成分构成的新样本， 包括： 通过主成分分析方法将数据矩阵的信息带入第一预设公式， 进行线性变换， 以得到由 主成分构成的新样本， 所述第一预设公式为： 其中， Y1为第一主成分。 4.根据权利要求3所述的大规模数据模型优化方法， 其特征在于， 通过主成分分析方法 将数据矩阵的信息带入第一预设公式， 进行线性变换， 以得到由主成分构成的新样本， 包 括： 判断第一主成分是否包 含足够信息； 当第一主成分未包含足够信息时， 确定其他主成分Yi和Yj， 结合其他主成分Yi和Yj构成 新样本。 5.根据权利要求4所述的大规模数据模型优化方法， 其特征在于， 结合其他主成分Yi和 Yj构成新样本之前， 所述方法还 包括： 使用预设约束条件， 以使得其 他主成分Yi和Yj相互独立； 其中预设约束条件为 Cov(Yi,Yj)＝0； Cov(Yi,Yj)＝a′i∑ai,i,j＝1,2 …,n。 6.根据权利要求5所述的大规模数据模型优化方法， 其特征在于， 判断第 一主成分是否 包含足够信息， 包括： 通过预设获取公式获取第一主成分的信息量； 根据获取的信息量判断第一主成分是否包 含足够信息； 其中， 预设获取公式为：权　利　要　求　书 1/2 页 2 CN 115270464 A 2Var(Yi)＝a′i∑ai,i＝1,2…,n； 其中， 所述ai是系数向量。 7.根据权利要求6所述的大规模数据模型优化方法， 其特征在于， 通过主成分分析方法 将数据矩阵的信息带入第一预设公式， 进行线性变换之前， 所述方法还 包括： 对ai进行正交约束， 以使得aia′i＝1。 8.根据权利要求7所述的大规模数据模型优化方法， 其特征在于， 确定粒子群中每个粒 子的每一 维在新样本中各主成分信息中的贡献度； 每个粒子的每一 维在各主成分信息中的 贡献度确定每 个变量维度的总贡献度， 包括： 根据预设贡献度公式确定粒子群中每个粒子的第一维在新样本中各主成分信息中的 贡献度， 所述预设 贡献度公式为： w11a11+w12a21+…w1nas1＝c1 其中， a11,a21…as1表示粒子群中每个粒子的第一维在 各主成分信息中的贡献度， w为权 重系数。 依次迭代， 并通过总贡献度计算公式计算出每 个变量维度的总贡献度； 权　利　要　求　书 2/2 页 3 CN 115270464 A 3