融合高维随机矩阵数据分析模型的 #br# 企业级业务系统间数据交互

doi:10.3969/j.issn.1006-2475.2019.04.015

计算机与现代化

融合高维随机矩阵数据分析模型的 #br# 企业级业务系统间数据交互

（贵州电网有限责任公司信息中心，贵州贵阳550002）

收稿日期:2018-08-16 出版日期:2019-04-26 发布日期:2019-04-30
作者简介:严彬元(1989-)，男（苗族），贵州贵阳人，工程师，本科，研究方向：信息安全，信息安全防护体系，E-mail: huolinjun9@163.com; 魏力鹏（1990-），男，重庆人，工程师，本科，研究方向：信息安全攻防技术，信息安全防护体系。
基金资助:
南方电网有限责任公司科技项目(066700KK52170035)

Data Interaction Between Enterprise Level Business Systems Integrating #br# High Dimensional Random Matrix Data Analysis Model

（Information Center, Guizhou Power Grid Corporation, Guiyang 550002, China）

Received:2018-08-16 Online:2019-04-26 Published:2019-04-30

摘要/Abstract

摘要： 通过分析企业级业务系统的发展现状，结合现阶段部分企业在系统建设方面缺乏规范化和标准化的数据共享机制，提出一种融合高维随机矩阵大数据分析模型(Large Data Analysis Model of High Dimensional Random Matrix， LDAMMHDRM)的企业级业务系统间数据交互方法。该方法利用高维随机矩阵解调隐藏信息求取隐藏频次序列，构造大数据分析模型，降低了企业级业务系统间数据交互应用所需运行存储量。通过仿真实验结果显示，本文方法能够有效提高企业级业务系统间数据交互应用能力，模型的容错性非常好。

关键词: 高维随机矩阵, 分析模型, 企业级业务系统, 数据交互应用

Abstract: Based on the analysis of the development status of enterprise-level business systems and the lack of normalized and standardized data sharing mechanism in system construction, an inter-system data interaction method for enterprise-level business system integrating large data analysis model and high-dimensional random matrix (LDAMMHDRM) is proposed. This method uses high-dimensional random matrix to demodulate hidden information to obtain hidden frequency sequence and constructs a large data analysis model to reduce the amount of running memory needed for data interaction between enterprise-level business systems. The simulation results show that this method can effectively improve the data interactive application ability between enterprise-level business systems. The fault tolerance of the model is very good.

Key words: high dimensional random matrix, analysis model, enterprise-level business system, data interaction application

中图分类号:

TP311

严彬元，魏力鹏，周琳妍. 融合高维随机矩阵数据分析模型的 #br# 企业级业务系统间数据交互[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.04.015.

YAN Bin-yuan， WEI Li-peng， ZHOU Lin-yan . Data Interaction Between Enterprise Level Business Systems Integrating #br# High Dimensional Random Matrix Data Analysis Model[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.04.015.

参考文献［23］

［1］	DUAN L, XU L D. Business intelligence for enterprise systems: A survey［J］. IEEE Transactions on Industrial Informatics, 2012,8(3):679-687.
［2］	KROGSTIE J. Capturing enterprise data integration challenges using a semiotic data quality framework［J］. Business & Information Systems Engineering, 2012,57(1):27-36.
［3］	LECH P. Information gathering during enterprise system selection: Insight from practice［J］. Industrial Management & Data Systems, 2012,112(6):964-981.
［4］	KADIRI S E, GRABOT B, THOBEN K D, et al. Current trends on ICT technologies for enterprise information systems［J］. Computers in Industry, 2012,79(C):14-33.
［5］	HUANG P, CECCAGNOLI M, FORMAN C, et al. Appropriability mechanisms and the platform partnership decision: Evidence from enterprise software［J］. Management Science, 2012,59(1):102-121.
［6］	RAMSEY P. Mashing up the enterprise: The practice of “mashing” information from two or more Web sites to provide a new level of spatial context is taking both geography hobbyists and the corporate world by storm(net results)［J］. Biochemistry, 2013,52(13):2245-2261.
［7］	CAI T, JIANG T. Phase transition in limiting distributions of coherence of high-dimensional random matrices［J］. Journal of Multivariate Analysis, 2012,107(3):24-39.
［8］	HE X, AI Q, QIU R C, et al. A big data architecture design for smart grids based on random matrix theory［J］. IEEE Transactions on Smart Grid, 2017,8(2):674-686.
［9］	BHATTACHARJEE M, BOSE A. Large sample behavior of high dimensional autocovariance matrices［J］. Annals of Statistics, 2016,44(2):598-628.
［10］	SHAO Q M, ZHOU W X. Necessary and sufficient conditions for the asymptotic distributions of coherence of ultra-high dimensional random matrices［J］. Annals of Probability, 2014,42(2):623-648.
［11］	LI W. Local expectations of the population spectral distribution of a high-dimensional covariance matrix［J］. Statistical Papers, 2014,55(2):563-573.
［12］	YIN Y, BAI Z, HU J. On the semicircular law of large-dimensional random quaternion matrices［J］. Journal of Theoretical Probability, 2016,29(3):1100-1120.
［13］	NOEL A, CHEUNG K C, SCHOBER R. A unifying model for external noise sources and ISI in diffusive molecular communication［J］. IEEE Journal on Selected Areas in Communications, 2014,32(12):2330-2343.
［14］	EI KAROUI N. On the realized risk of high-dimensional Markowitz portfolios［J］. SIAM Journal on Financial Mathematics, 2013,4(1):737-783.
［15］	AMBAINIS A, HARROW A W, HASTINGS M B. Random tensor theory: Extending random matrix theory to mixtures of random product states［J］. Communications in Mathematical Physics, 2012,310(1):25-74.
［16］	BORDENAVE C. On Euclidean random matrices in high dimension［J］. Electronic Communications in Probability, 2012,18(8):1-8.
［17］	李真,汤进,何鸣,等. 基于高维多目标优化的国网运维指标建模研究［J］. 计算机与现代化, 2013(6):23-26.
［18］	王春义,牟宏,顾洁,等. 基于大数据高维分析理论的用户用电模式分析［J］. 水电能源科学, 2017(10):209-212.
［19］	王颖琛,顾洁,金之俭. 基于高维随机矩阵分析的窃电识别方法［J］. 现代电力, 2017(6):71-78.
［20］	刘威,张东霞,王新迎,等. 基于随机矩阵理论的电力系统暂态稳定性分析［J］. 中国电机工程学报, 2016,36(18):4854-4863.
［21］	贺兴,邱才明,艾芊,等. 基于随机矩阵理论的配电网时空大数据研究［J］. 供用电, 2017,34(6):14-19.
［22］	张力,张子仲,顾建炜. 基于随机矩阵理论的电网状态分析与扰动定位方法［J］. 电力系统自动化, 2018,42(12):99-105.
［23］	郝然,艾芊,肖斐. 基于多元大数据平台的用电行为分析构架研究［J］. 电力自动化设备, 2017,37(8):20-27.

[1]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[2]	柴荔, 王萧, 龚嘉豪, 汪洋, 吉顺慧, 张鹏程. 面向供应链的共识算法研究综述[J]. 计算机与现代化, 2023, 0(11): 22-27.
[3]	王重阳, 庄毅. 基于SDN和改进CSA算法的多作业集群的负载均衡算法[J]. 计算机与现代化, 2023, 0(11): 28-35.
[4]	王光辉, 程功旭, 李青. 基于区块链技术的电力物资共享云仓设计[J]. 计算机与现代化, 2023, 0(10): 99-106.
[5]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[6]	顾成伟, 丁勇, 李登华. 基于计算机视觉的工业厂区人员安全警戒系统[J]. 计算机与现代化, 2023, 0(09): 20-26.
[7]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[8]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[9]	陈嘉敏, 张伯泉, 麦海鹏. 基于特征融合的海马体分割[J]. 计算机与现代化, 2023, 0(08): 1-6.
[10]	申诗凡, 王立松, 王鑫梦, 秦小麟. 面向多机器人系统的元组空间协同模型[J]. 计算机与现代化, 2023, 0(08): 98-106.
[11]	钟松影. 基于关联规则Apriori算法的纺织原料成本预警[J]. 计算机与现代化, 2023, 0(07): 43-43.
[12]	钟林峰, 李彦锋, 张桂鹏, 刘文印. 基于区块链的去中心化网络购物数据共享方案[J]. 计算机与现代化, 2023, 0(07): 61-68.
[13]	陆伟强. 基于微服务的民机工业软件架构设计[J]. 计算机与现代化, 2023, 0(07): 73-78.
[14]	张军, 苏文浩. 基于LZO的Hadoop文件归档优化方法[J]. 计算机与现代化, 0, (): 1-6.
[15]	刘佩. 基于数据挖掘的医保控费系统[J]. 计算机与现代化, 2023, 0(06): 89-94.

融合高维随机矩阵数据分析模型的 #br# 企业级业务系统间数据交互

Data Interaction Between Enterprise Level Business Systems Integrating #br# High Dimensional Random Matrix Data Analysis Model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献［23］

相关文章 15

编辑推荐

Metrics

本文评价

融合高维随机矩阵数据分析模型的 #br# 企业级业务系统间数据交互

Data Interaction Between Enterprise Level Business Systems Integrating #br# High Dimensional Random Matrix Data Analysis Model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［23］

相关文章 15

编辑推荐

Metrics

本文评价

参考文献［23］