一种数据处理方法、装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，特别是涉及一种数据处理方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.在互联网服务中，为用户提供个性化的服务能极大提升用户的使用体验，同时也能为企业带来极大的收益。在个性化服务中，用户的特征数据至关重要，可以根据用户的特征数据对每个用户制定相匹配的服务，提高用户对服务的接收度。例如，传统的保险定价问题都是建立在概率统计与随机过程的理论基础之上，首先会根据市场中调研数据以及保险历史数据调研并结合专家的经验，不能够针对用户个体进行标准化设计及个性化服务，导致保费的不准确。


技术实现要素：

3.本发明的目的在于提供一种数据处理方法、装置、电子设备及计算机可读存储介质，以解决现有技术中无法准确地确定用户的数据特征类型的技术问题。
4.本发明的技术方案如下，提供一种数据处理方法，包括如下步骤：
5.获取用户的多个特征数据，计算所述多个特征数据各自对应的数据特征类型隶属度；
6.根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；
7.根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值；
8.根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量；
9.根据所述决策向量确定用户的数据特征类型。
10.可选地，计算所述多个特征数据各自对应的数据特征类型隶属度，具体包括：
11.获取所述多个特征数据各自对应评价值，根据所述多个特征数据各自对应评价值计算所述多个特征数据各自对应的数据特征类型隶属度。
12.可选地，根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述个特征数据各自的模糊熵值，具体包括：
13.利用所述多个特征数据各自对应的数据特征类型，形成数据特征类型矩阵，根据所述数据特征类型矩阵及模糊熵值计算公式，确定所述多个特征数据各自的模糊熵值；所述模糊熵值计算公式为其中，其中，u
ij
为数据特征类型矩阵u中的i行j列的值，c为数据特征类型矩阵u的总列数，k为归一化常数，fi为第i个特征数据的模糊熵值，j为数据特征类型的序号。
14.可选地，根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值，具体包括：
15.根据所述多个特征数据各自的模糊熵值及权重值计算公式，确定特征数据的权重
值，所述权重值计算公式为wi为第i个特征数据的权重值。
16.可选地，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量，具体包括：
17.将所述数据特征类型隶属度与所述特征数据的权重值加权平均集结，得到决策向量。
18.可选地，根据所述决策向量确定用户的数据特征类型，具体包括：
19.对所述决策向量进行标准化，根据标准化后的决策向量获取非对称贴近度，根据所述非对称贴近度确定用户的数据特征类型。
20.可选地，根据标准化后的决策向量获取非对称贴近度，根据所述非对称贴近度确定用户的数据特征类型，具体包括：
21.根据标准化后的决策向量及非对称贴近度公式获取非对称贴近度，根据非对称贴近度取最大值时对应的模糊论域的特征模糊子集，确定用户的数据特征类型；所述非对称贴近度公式为n(g(i),di)为非对称贴近度，g(i)为第i个标准化后的决策向量，di为模糊论域中的第i个特征模糊子集，p为常数，为di标准化后的第r个值，为g(i)中的第r个值。
22.本发明的另一技术方案如下，一种数据处理装置，包括隶属度计算模块、模糊熵值确定模块、权重值确定模块、决策向量确定模块及数据特征类型确定模块；
23.所述隶属度计算模块，用于获取用户的多个特征数据，计算所述多个特征数据各自对应的数据特征类型隶属度；
24.所述模糊熵值确定模块，用于根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；
25.所述权重值确定模块，用于根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值；
26.所述决策向量确定模块，用于根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量；
27.所述数据特征类型确定模块，用于根据所述决策向量确定用户的数据特征类型。
28.本发明的另一技术方案如下，一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一技术方案所述的数据处理方法。
29.本发明的另一技术方案如下，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一技术方案所述的数据处理方法。
30.本发明的有益效果在于：获取用户的多个特征数据，计算多个特征数据各自对应的数据特征类型隶属度；根据多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；根据多个特征数据各自的模糊熵值，确定特征数据的权重值，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量，根据所述决策向量
确定用户的数据特征类型；通过上述方式，可以准确地确定用户的数据特征类型，从而可以得到准确的用户个性化的特征参数，为实现对用户的个性化服务确立了数据基础。
附图说明
31.图1为本发明第一实施例的数据处理方法的流程示意图；
32.图2为本发明第二实施例的数据处理装置的结构示意图；
33.图3为本发明第三实施例的电子设备的结构示意图；
34.图4为本发明第四实施例的存储介质的结构示意图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
37.图1是本发明第一实施例的数据处理方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该数据处理方法主要包括以下步骤s101～s105：
38.s101，获取用户的多个特征数据，计算所述多个特征数据各自对应的数据特征类型隶属度；
39.在一个可选的实施方式中，所述多个特征数据包括重大疾病家族史数据、吸烟史数据、饮酒史数据、工作情况数据及健身情况数据。
40.其中，所述多个特征数据还包括身高、体重等；需要说明的是，重大疾病家族史数据、吸烟史数据、饮酒史数据、工作情况数据及健身情况数据可以称之为人体健康指标。
41.一些实施例中，为了获取用户的多个特征数据，需要对用户进行调查，得到特征数据及其维度，其中，重大疾病家族史特征数据对应维度只有一个，也是就是重大疾病家族史本身，吸烟史特征数据对应的特征数据维度包括吸烟时长与吸烟频率，饮酒史特征数据对应的特征数据维度包括饮酒时长与饮酒频率，工作情况特征数据对应的特征数据维度包括工作环境、工作年限与工作时长，健身情况特征数据对应的特征数据维度也只有一个，即为健身频率；具体实施时，特征数据及其维度表，如表1所示。
42.表1特征数据及其维度表
[0043][0044][0045]
表1中有些特征数据包括多种描述选项，而重大疾病家族史包括一种描述选项，该种描述选项包括1、上一代与同代直系亲属均有病史，2、同代亲属中与父母之一有病史，3、同代亲属中均有此病，4、无上述现象；吸烟史、饮酒史、工作情况包括两种或者三种描述选项。
[0046]
在一个可选的实施方式中，计算所述多个特征数据各自对应的数据特征类型隶属度，具体包括：获取所述多个特征数据各自对应评价值，根据所述多个特征数据各自对应评价值计算所述多个特征数据各自对应的数据特征类型隶属度。
[0047]
其中，根据表1中描述选项中的序号确定评价值，例如，若用户的描述选项为上一代与同代直系亲属均有病史，则影响因子重大疾病家族史的评价值为1，以此类推，若用户的描述选项为同代亲属中均有此病，则影响因子重大疾病家族史的评价值为3，对抽烟史、
喝酒史及工作情况等影响因子，其对应的评分需要两种或者多种描述选项中的序号相乘，例如，对于抽烟史影响因子，吸烟时长和频率对应的序号分别为5和3，则抽烟史影响因子的的评价值为15。
[0048]
具体实施时，每个特征数据所有的选项的乘积之后的值，即为特征数据对应的评价值。对于一个用户，当其特征数据的描述选项的序号为1(上一代与同代直系亲属均有病史)，5(不抽烟)和3(抽烟小于10支/天)，4(不饮酒)和4(饮酒50g/日以内)，1(久坐型工作)、3(3年内)和1(每周加班4天及以上)，3(每周2-5次)，则重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值的分别为1、15、16、3、3。
[0049]
其中，根据重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值，确定多个特征数据的总评价值s，总评价值s为重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值的乘积。
[0050]
根据特征数据对应的评价值获取数据特征类型的隶属度，所述数据特征类型包括第一数据特征类型、第二数据特征类型、第三数据特征类型及第四数据特征类型，数据特征类型的隶属度表，如表2所示。
[0051]
表2数据特征类型的隶属度表
[0052][0053]
表2中各个计算公式为各个特征数据隶属度的计算公式，根据所述多个特征数据各自对应评价值计算所述多个特征数据各自对应的数据特征类型隶属度，具体为，将所述多个特征数据各自对应评价值的乘积，代入所述多个特征数据各自对应的数据特征类型隶属度的计算公式中，得到所述多个特征数据各自对应的数据特征类型隶属度。将重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值的乘积s，代
入表2中，可以得到5
×
4的矩阵，即为数据特征类型矩阵。
[0054]
一个具体实施例中，数据特征类型可以为不同健康等级，第一数据特征类型、第二数据特征类型、第三数据特征类型及第四数据特征类型分别对应健康等级中的非常健康、健康、亚健康及非健康。
[0055]
s102，根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；
[0056]
需要说明的是，赋权法有主观、客观和主客观三种，但含主观的赋权法包括主观带来了人为因素的影响，并不利于数据处理的客观性。客观赋权法根据数据之间的关系通过一定的数学方法来确定权重，其判断结果不依赖于人的主观判断，有较强的数学理论依据。所以本发明实施例利用熵权法进行赋权，该熵权法属于客观赋权法。信息是系统有序程度的一个度量，熵是系统无序；程度的一个度量；根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大，该指标对综合评价的影响就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用，因此，可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。熵权法是根据各指标所代表的信息量的大小决定其权重值，为了满足模糊熵的明晰、极大、分辨和对称的特性，根据模糊熵定义，计算各特征数据的模糊熵。
[0057]
在一个可选的实施方式中，根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述个特征数据各自的模糊熵值，具体包括：
[0058]
利用所述多个特征数据各自对应的数据特征类型，形成数据特征类型矩阵，根据数据特征类型矩阵及模糊熵值计算公式，确定所述多个特征数据各自的模糊熵值，所述模糊熵值计算公式为其中，其中，u
ij
为数据特征类型矩阵u中的i行j列的值，c为数据特征类型矩阵u的总列数，k为归一化常数，fi为第i个特征数据的模糊熵值，j为数据特征类型的序号。
[0059]
其中，归一化常数k的取值为数据特征类型矩阵u的总行数m和总列数c分别为特征数据的个数和数据特征类型的个数。一个具体实施例中，根据表2中的数值，即可形成数据特征类型矩阵，该数据特征类型矩阵中总行数和总列数分别为5和4。
[0060]
s103，根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值；
[0061]
在一个可选的实施方式中，根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值，具体包括：
[0062]
根据所述多个特征数据各自的模糊熵值及权重值计算公式，确定特征数据的权重值，所述权重值计算公式为wi为第i个特征数据的权重值。
[0063]
s104，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量；
[0064]
在一个可选的实施方式中，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量，具体包括：
[0065]
将所述数据特征类型隶属度与所述特征数据的权重值加权平均集结，得到决策向量。
[0066]
在一个具体实施例中，若用户的多个特征数据为用户的人体健康指标，相应的用户的数据特征类型为用户的不同的人体健康等级，决策向量为健康指标决策向量。
[0067]
其中，特征数据的权重值集合为w，w＝{w1,w2,
…
,wm}。为了确定决策向量，将权重值与隶属度加权平均集结，g＝w
·
u＝(gj),j＝1,2,
…
,c，,c，g为决策向量。
[0068]
s105，根据所述决策向量确定用户的数据特征类型。
[0069]
在一个可选的实施方式中，根据所述决策向量确定用户的数据特征类型，具体包括：对所述决策向量进行标准化，根据标准化后的决策向量获取非对称贴近度，根据所述非对称贴近度确定用户的数据特征类型。
[0070]
在一个具体实施例中，若用户的多个特征数据为用户的人体健康指标，相应的用户的数据特征类型为用户的不同的人体健康等级，决策向量为健康指标决策向量，根据所述决策向量确定用户的数据特征类型，即为根据所述健康指标决策向量确定人体健康等级；根据所述健康指标决策向量确定人体健康等级，具体包括：对所述健康指标决策向量进行标准化，根据标准化后的健康指标决策向量获取非对称贴近度，根据所述非对称贴近度确定人体健康等级。
[0071]
其中，得到决策向量后，需要对决策向量的非对称贴近度集化，在决策向量g中，若则称di＝(d1，
…
,d
i-1
，1,d
i 1
…
,dc)＝(0,
…
,0,1,0,
…
,0)是模糊论域v＝{v1,v2,
…
,vc}中vi的特征模糊子集；v1,v2,v3,v4为第一数据特征类型、第二数据特征类型、第三数据特征类型、第四数据特征类型，具体实施时，v1，v2，v3，v4可以为非常健康、健康、亚健康、非健康。
[0072]
在一个可选的实施方式中，根据标准化后的决策向量获取非对称贴近度，根据所述非对称贴近度确定用户的数据特征类型，具体包括：
[0073]
根据标准化后的决策向量及非对称贴近度公式获取非对称贴近度，根据非对称贴近度取最大值时对应的模糊论域的特征模糊子集，确定用户的数据特征类型；所述非对称贴近度公式为n(g(i),di)为非对称贴近度，g(i)为第i个标准化后的决策向量，di为模糊论域中的第i个特征模糊子集，p为常数，为di标准化后的第r个值，为g(i)中的第r个值。
[0074]
在一个具体实施例中，若用户的多个特征数据为用户的人体健康指标，相应的用户的数据特征类型为不同的人体健康等级；根据标准化后的健康指标决策向量获取非对称贴近度，根据所述非对称贴近度确定人体健康等级，具体包括：根据标准化后的健康指标决策向量及非对称贴近度公式获取非对称贴近度，根据非对称贴近度取最大值时对应的模糊论域的特征模糊子集，确定人体健康等级。
[0075]
具体实施时，需要对决策向量g进行标准化，具体为，将gi排在第一位，其中，i∈ic＝{1,2,
…
,c}，对任意i1,i2∈ic，若|i
1-i|《|i
2-i|,则把放在的前面；若|i
1-i|＝|i
2-i|，且i1《i2,则把放在的前面，标准化后的g记作:
[0076][0077]
对di标准化，得
[0078]
根据非对称贴近度公式计算非对称贴近度：
[0079]
n(g,di)＝n(g(i),di),(i∈ic)
[0080][0081]
根据非对称贴近度可以确定用户的数据特征类型，上式中，p为常数，可赋值为1，若
[0082][0083]
则用户的数据特征类型属于vk类型，例如，当k为1、2、3或者4时，用户的数据特征类型分别为第一数据类型、第二数据类型、第三数据类型或者第四数据类型，获取用户的数据特征类型后，可以针对该数据特征类型进行后续计算，例如，根据数据特征类型进行保费计算。
[0084]
若用户的多个特征数据为用户的人体健康指标，则用户的多个特征数据为用户的人体健康指标，相应的，数据特征类型即为健康等级，其分别为非常健康、健康、亚健康或非健康。
[0085]
根据健康等级确定第一修正系数n1和第二修正系数n2，其中，可以将健康等级分别为非常健康、健康、亚健康、非健康情况下的第一修正系数n1分别赋予小于1数、等于1的数、略大于1的数和较大于1的数，例如，[0.97,0.99]、1、[1.01,1.03]和[1.04,1.06]。第二修正系数其中x为各个特征数据乘积中最大数，z为常数，x为当前各个特征数据乘积(总评价值s)，可以取0.06。保费修正系数n＝n1*n2。
[0086]
一个具体实施例中，健康等级若为非常健康，则第一修正系数n1＝0.98；若为健康，则第一修正系数n1＝1；若为亚健康，则第一修正系数n1＝1.02；若为非健康，则第一修正系数n1＝1.05，第二修正系数
[0087]
可根据所述保费修正系数确定人身险保费，具体为，根据所述保费修正系数及保费计算公式，确定人身险保费，所述保费计算公式为费计算公式，确定人身险保费，所述保费计算公式为其中，p为保费，l为预期损失费用，r
l
为保险事故发生时赔付损失的折现率，rf为一年期国债收益衡量的无风险利率，τ为保费和投资收益的所得税税率，s为企业盈余，n为保费修正系数。
[0088]
需要说明的是，确定保费修正系数n，将其代入至改进后的myers-cohn模型(保费计算公式)中，可以得到人身险保费。myers-cohn模型最初的应用是为了厘定公平保费。所谓的公平保费是指保险公司销售或不销售保单对公司的盈利都没有影响。其原本原理是对
保险公司来说，一份保单的价值也就是投保人缴纳的保费必定与保险公司赔付的值相等，保险费率正是在大数法则和收入支出现值相等的基础上厘定的。myers-cohn模型就是在现金流折现理论的基础上加入了影响折现率的风险因素。加入了影响折现率的变量之后，根据“保费现值＝风险事故发生时的赔付现值 保险公司管理费用现值 所得税费用现值”公式可以的出保费金额和费率。
[0089]
myers-cohn模型提出了关于保费p的方程，pv(p)＝pv(l) pv(t)，式中，pv(p)为投保人缴纳保费的现值，pv(l)为保险公司在事故发生时赔付的现值，pv(t)为保费和投资所得收益的所得税现值。保险费率就等于保险事故发生时的赔付损失的现值与保险公司保费和投资收益税后净利的现值之和。
[0090]
本发明实施例提供的改进后的myers-cohn模型为
[0091][0092]
式中，l为预期损失费用，p为保费，r
l
为保险事故发生时赔付损失的折现率，rf为一年期国债收益衡量的无风险利率，τ为保费和投资收益的所得税税率，s为企业盈余，τ为保费和投资收益的所得税税率。
[0093]
一个具体实施例中，特征数据x1得分为1分，特征数据x2得分为10分，特征数据x3得分为16分，特征数据x4得分为3分，特征数据x5得分为3分。
[0094]
计算得出一个5行4列的数据特征类型矩阵
[0095][0096]
根据所述数据特征类型矩阵u，即所述多个特征数据各自对应的数据特征类型隶属度，根据所述多个特征数据各自对应的数据特征类型隶属度，获取所述多个特征数据各自的模糊熵值，根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值，根据所述特征数据的权重值确定健康等级决策向量，根据所述健康等级决策向量，获取用户的数据特征类型，即用户的获取健康等级，再代入到改进后的myers-cohn模型(即保费计算公式)中可以计算出个保费。
[0097]
本发明实施例提供的数据处理方法，获取用户的多个特征数据，计算多个特征数据各自对应的数据特征类型隶属度；根据多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；根据多个特征数据各自的模糊熵值，确定特征数据的权重值，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量，根据所述决策向量确定用户的数据特征类型；通过上述方式，可以准确地确定用户的数据特征类型，从而可以得到准确的关于用户个性化的特征参数，例如保费修正系数，为实现对用户的个性化服务确立了数据基础。例如在保费计算方面，通过用户的多个特征数据即用户的人体健康指标，确定数据特征类型，即健康等级，通过该健康等级计算保费，可以针对每个用户制定合适的保费，从而同时保障用户的利益和保险公司的利益。
[0098]
本发明实施例的数据处理方法，可以基于人工智能进行构建，基于人工智能技术
对相关的数据进行获取和处理，实现无人值守的人工智能的数据处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0099]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0100]
图2是本发明第二实施例的数据处理装置的结构示意图。如图2所示。该数据处理装置20包括隶属度计算模块21、模糊熵值确定模块22、权重值确定模块23、决策向量确定模块24及数据特征类型确定模块25；所述隶属度确定模块21，用于获取用户的多个特征数据，计算所述多个特征数据各自对应的数据特征类型隶属度；所述模糊熵值确定模块22，用于根据所述多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；所述权重值确定模块23，用于根据所述多个特征数据各自的模糊熵值，确定特征数据的权重值；所述决策向量确定模块24，用于根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量；所述数据特征类型确定模块25，用于根据所述决策向量确定用户的数据特征类型。
[0101]
本发明实施例，获取用户的多个特征数据，计算多个特征数据各自对应的数据特征类型隶属度；根据多个特征数据各自对应的数据特征类型隶属度，确定所述多个特征数据各自的模糊熵值；根据多个特征数据各自的模糊熵值，确定特征数据的权重值，根据所述数据特征类型隶属度及所述特征数据的权重值确定决策向量，根据所述决策向量确定用户的数据特征类型；通过上述方式，可以准确地确定用户的数据特征类型，从而可以得到准确的关于用户个性化的特征参数，为实现对用户的个性化服务确立了数据基础。
[0102]
进一步地，该隶属度确定模块21，还用于确定所述多个特征数据各自对应评价值，根据所述多个特征数据各自对应评价值计算所述多个特征数据各自对应的数据特征类型隶属度。其中，根据重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值，确定多个特征数据的总评价值s。总评价值s为重大疾病家族史x1、吸烟史x2、饮酒史x3、工作情况x4、健身情况x5等特征数据对应评价值的乘积，将多个特征数据各自对应评价值的乘积，代入数据特征类型隶属度的计算公式中，可以获取多个特征数据各自对应的数据特征类型隶属度。
[0103]
进一步地，该模糊熵值确定模块22，还用于利用所述多个特征数据各自对应的数据特征类型，形成数据特征类型矩阵，根据所述数据特征类型矩阵及模糊熵值计算公式，确定所述多个特征数据各自的模糊熵值；所述模糊熵值计算公式为其中，u
ij
为数据特征类型矩阵u中的i行j列的值，c为数据特征类型矩阵u的总列数，k为归一化常数，fi为第i个特征数据的模糊熵值，j为数据特征类型的序号。其中，归一化常数k的取值为，数据特征类型矩阵u的总行数m和总列数c分别为特征数据的个数和数据特征类型的个数。
[0104]
进一步地，该所述权重值确定模块23，还用于根据所述多个特征数据各自的模糊
熵值及权重值计算公式，确定特征数据的权重值，所述权重值计算公式为wi为第i个特征数据的权重值。其中，特征数据的权重值集合为w，w＝{w1,w2,
…
,wm}。为了确定决策向量，将权重值与隶属度加权平均集结，g＝w
·
u＝(gj),j＝1,2,
…
,c，g为决策向量。
[0105]
进一步地，该决策向量确定模块24还用于将所述数据特征类型隶属度与所述特征数据的权重值加权平均集结，得到决策向量。
[0106]
进一步地，该数据特征类型确定模块25，还用于对所述决策向量进行标准化，根据标准化后的决策向量获取非对称贴近度，根据所述非对称贴近度确定用户的数据特征类型。其中，若用户的多个特征数据为用户的人体健康指标，相应的用户的数据特征类型为用户的不同的人体健康等级，决策向量为健康指标决策向量，根据所述决策向量确定用户的数据特征类型，即为根据所述健康指标决策向量确定人体健康等级，则根据所述健康指标决策向量确定人体健康等级，具体包括：对所述健康指标决策向量进行标准化，根据标准化后的健康指标决策向量获取非对称贴近度，根据所述非对称贴近度确定人体健康等级。
[0107]
进一步地，该数据特征类型确定模块25，还用于根据标准化后的决策向量及非对称贴近度公式获取非对称贴近度，根据非对称贴近度取最大值时对应的模糊论域的特征模糊子集，确定用户的数据特征类型；所述非对称贴近度公式为n(g(i),di)为非对称贴近度，g(i)为第i个标准化后的决策向量，di为模糊论域中的第i个特征模糊子集，p为常数，为di标准化后的第r个值，为g(i)中的第r个值。其中，若用户的多个特征数据为用户的人体健康指标，相应的用户的数据特征类型为不同的人体健康等级，则根据标准化后的健康指标决策向量获取非对称贴近度，根据所述非对称贴近度确定人体健康等级，具体包括：根据标准化后的健康指标决策向量及非对称贴近度公式获取非对称贴近度，根据非对称贴近度取最大值时对应的模糊论域的特征模糊子集，确定人体健康等级。
[0108]
图3是本发明第三实施例的电子设备的结构示意图。如图3所示，该电子设备30包括处理器31及和处理器31耦接的存储器32。
[0109]
存储器32存储有用于实现上述任一实施例的数据处理方法的程序指令。
[0110]
处理器31用于执行存储器32存储的程序指令以进行代码测试。
[0111]
其中，处理器31还可以称为cpu(central processing unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0112]
参阅图4，图4为本发明第四实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令41，所述存储介质可以是非易失性，也可以是易失性。其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器
(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0113]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0114]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围。
[0115]
以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。