文摘
人工智能的方式实现类似于人类大脑的思维过程。人们获得外部环境信息通过五种感官,即视觉、听觉、嗅觉、味觉,和触摸,,通过大脑的进一步处理,形成有意义的决策元素。然后,通过分析和推理的过程中,进一步的决定。在信息时代,智能管理信息系统在各个领域的应用促进了社会发展的现代化和情报。从智能决策的角度,分析智能信息系统的需求和设计一个基于移动互联网的智能信息系统管理优化,包括系统管理优化,并提出了一种环境相关层、网络传输层和智能服务应用程序层的三层系统架构。最后,本文认为数据融合系统扩张后的问题。根据现有的模糊融合算法,体重依赖型剂量模糊融合算法。仿真分析表明,该算法可以有效地应用于智能信息系统。
1。介绍
人工智能(AI)是计算机科学的一个重要分支。它试图理解智能的本质和产生一个新的智能机器,可以以类似的方式应对人类智慧。为这一领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统。人工智能可以模拟人类意识和思维过程的信息。人工智能不是人类智慧,但是它能想人,可能超过人类智能。它也被认为是21世纪的三大尖端技术之一。在过去的几年里,一些已经建立了计算机系统与人工智能控制航天器和水下机器人(1]。通过该计划,人们可以做出一些思考推理,以便他们有一定的环境适应等先进的智能自动学习,自动决策(2]。除了感觉模拟人工智能的应用,更重要的是应用程序是模拟人脑的思维和分析过程,也就是说,游戏和逻辑推理、信息传感的应用、加工。在游戏或模拟系统中,这种人工智能的应用程序是非常丰富的。一些技术,应用于象棋程序,如期待几步,把复杂的问题分解成一些简单的子问题,开发。它演变成基本技术等人工智能的搜索和问题总结。目前,该项目技术发展迅速,令人惊讶的是(3]。The next generation of artificial intelligence system will affect our life more widely. Artificial intelligence will make more critical and personalized decisions for human beings through interaction with the environment.
的研究目标“3 s智能服务系统”(4)是建立一个基于技术的普及系统如物联网、云计算、大数据,可以接受智能工业、智能农业、智能物流、智能交通、智能电网、智能环保、智能安全、智能医疗、智能家居等。不同类型的物联网特定的应用程序(5)提供通用解决方案不同应用场景的物联网技术,实现统一管理和控制。考虑到该系统将被嵌入到一个智能系统,大规模数据,科学控制、智能服务,等等,系统尤为重要,存储,管理,处理和传输的数据。安全存储、规范管理、智能处理和服务环境数据的可靠传输提供可靠保证数据量和数据系统计算和决策的准确性。
针对智能产品或系统存在的问题,本文拟采用一种基于智能决策支持系统模型,设计一个基于网络的智能信息系统管理优化。研究侧重于智能信息系统将不同的智能产品集成到同一个系统,通过大数据和云计算技术,为用户提供真正聪明、个性化、自动化的全方位服务,而不需要控制系统通过用户的行为。考虑到大规模数据的特征系统扩张,根据现有的模糊融合算法,基于权重的模糊融合算法的目的是为决策提供更准确和可靠的原始数据模块的系统。
本文的遗骸被组织成四个部分。部分2包含我们的研究领域的相关工作。节3,我们给系统模型的设计。部分4封面上的实验和结果。在上一节中,我们讨论在我们的研究和结论。
2。相关工作
决策支持系统(DSS)是一个计算机应用系统,帮助决策者进行半结构式或非结构化决策通过人机交互数据、模型和知识(7]。这是一个先进的信息管理系统所产生的管理信息系统(MIS)的发展向更高水平发展。它提供了一个环境决定——制造商分析问题,建立模型、模拟决策过程和方案,调用各种信息资源和分析工具,帮助决策者提高决策水平和质量。因为DSS需要决策者参与,通过人机对话是用来操作数据模型。显然只支持是结构化和程序性决策过程的一部分。决策支持系统的核心内容是人机交互。为了帮助决策者解决半结构式和非结构化问题,确定目标和环境约束,进一步澄清问题,生成决策方案,全面评估决策方案,系统应该具有较强的人机交互能力,成为一个互动的系统。决策环境变得更加复杂,DSS的决策支持的局限性越来越突出:(1)决策支持系统使用一个静态模型通过该模型操作数据。DSS是一个系统,使综合利用大量数据,有机地结合了许多模型,协助各级决策者通过人机交互,实现科学决策。在决策支持系统的作用是被动的,不能根据环境决定。变化提供积极的支持(8,9]。(2)决策支持系统是由决策者和决策需要建模的程序和明确的可计算性问题(10,11),不支持中常见的非结构化问题的决策。(3)决策支持系统并不是一个通用的产品,但是一个解决方案。每个企业应结合自己的情况,阐明管理需要解决的困难,然后分析、设计、开发、实施决策支持系统,以真正满足企业管理决策的需要。DSS是基于定量数学模型和缺乏相应的支持定性方法,模糊和不确定问题在决策12,13]。
智能决策支持系统(IDSS)是人工智能(AI)和决策支持系统和专家系统(ES)技术适用于使DSS更充分地运用人类知识,如描述性知识决策问题和决策过程的程序性知识。将人工智能技术引入DSS主要是通过专家系统和决策支持系统的组合和增加推理引擎和DSS系统的规则库。在决策过程中,很多知识不能表达的数据量或描述模型,所以没有固定的经验和历史经验。研究人员将人工智能技术集成到决策支持系统,主要通过专家系统和决策支持系统的结合,并添加推理引擎和DSS系统的规则库。这些知识规则库由ids可以存储数量和决策提供重要的参考和依据。ids可以有很多类型的信息基地:文本基础(TB),数据库(DB),算术基础(AB),模型基(MB)和规则库(RB)。文本库存储大量的在自然语言编写的文档。数据库存储领域的事物的关键因素。各种模型反映了信息存储在模型的基本关系的基础。规则库是知识最精炼的形式。 From the original unprocessed data to the processed information and then to the extracted knowledge, this evolution relationship of information is called evolution chain.
从系统的角度层面,ids技术上可以分为三个层次:(1)应用程序层直接面向ids用户。在这一层,决策者可以确定IDSS的状态和约束根据他们自己的需要。决策者进行系统对话,通过用户界面输入相关信息;DSS理解用户请求和命令通过信息转换,进行系统推理运算,并将结果反映给用户通过输出接口。整个过程对用户来说是透明的。(2)控制和协调层,IDSS的首席设计师:它的基本单元是控制和协调模块系统的中央图书馆。系统工程师建立它们之间的关系通过每个库的标准接口。(3)专业程序员的基本结构层。专业程序员实现每个库通过这一层,特别是定义每个库的组织结构和通信方式,以完成部门每个库的管理和外部通信任务。
手术期间的ids,每个模块都需要重复调用上面的桥,这比直接使用低级调用效率较低。然而,考虑到ids只运营高级经理做重大决策时,其操作频率远低于其他信息系统,以及每个操作的环境条件是不同的;完全值得牺牲的一部分运行效率来换取系统维护的效率(14- - - - - -16]。
随着计算机和人工智能技术的发展,IDSS的研究重点逐渐从专家IDSS转向IDSS模型的研究系统,人机界面,知识处理单元和分布式ids。分布式ids介绍分布式人工智能(DAI)技术的基础上,以知识为基础的ids。它的主要思想是使用代理和多重代理系统在Da技术;即代理人扮演不同的角色设计的智能代理模块的主要功能模块根据ids (17]。通过自学习机制,模拟人类智能的不同步骤完成决策任务,作出科学决策。分布式ids主要是设计和建立大规模和复杂的网络支持的智能决策支持系统(18]。
专家系统工具和技术可以集成到决策支持系统,为用户提供咨询环境,提高决策质量和功能齐全,传统决策支持系统不能完成。然而,专家系统与决策支持系统是不同的。使用决策支持系统时,用户必须有一定的专业知识和技能的问题处理;也就是说,用户应该知道如何思考问题,应该提出哪些问题,如何得到答案,如何继续下一步。此时,决策支持系统只能帮助用户做出决策。然而,专家系统是不同的。它本身有一个特定领域的专家的专业知识来解决问题。用户只需要提出问题的事实和表象的专家系统。
3所示。系统模型设计
3.1。智能决策支持系统
智能决策支持系统的出现以来,由于巨大的潜力的专家系统技术领域的管理决策,国内外研究人员已经进行了很多研究,集成工具和方法,如计算机科学与人工智能与人类决策过程(19]。智能决策系统支持结构和功能(20.]。Holsapple总结系统的支持能力和学习能力的决策过程和IDSS分为4类(21):不适应,被动支持;不适应,可提供积极支持;自适应、被动支持;自适应,积极支持。
3.1.1。活跃的决策支持系统
传统的决策支持系统提供相应的数据和模型,和用户选择相应的方法和模型。决策过程完全由用户控制。系统只完成了辅助计算功能。像许多发展中,活跃的决策支持系统(学籍)是一个发展的概念。智能决策支持系统领域专家知识的一部分。人类的智慧积极支持决策的能力。股美国存托凭证可以改变其行为与用户的决策过程,这是一个重要的里程碑,在决策支持系统的研究,这是由智能决策支持系统(7]。活跃股美国存托凭证的决策是一个重要的特性。通过建立一个人类认知模型,层次可以为决策者提供不同的选择不同的解决问题的阶段,从而形成不同的解决问题的路径。股美国存托凭证为决策者提供了不同的方法选择不同阶段决策解决问题通过建立人类认知模型。股美国存托凭证是基于人类的先验知识,但其前提是系统运行在一个静态的决策环境。因此,学籍仍在实际应用适应性差的局限性。然而,研究层次自适应决策支持的建议奠定了基础。
3.1.2。自适应决策支持系统
股美国存托凭证主要依赖人类的先验知识。系统的操作环境是静态的。域知识和推理决策所需知识是已知的。事实上,通常是多变的决策环境,和解决问题的过程密切相关的决策环境。的关系,人类拥有和可以使用的知识推理也是有限的。因此,上述ADSS知识结构和功能有许多局限性。自适应决策支持系统是一个重要的一步更好地支持决策。适应性是基于系统的环境变化,提高了系统的处理问题的能力。为了克服的局限性股美国存托凭证在知识结构、数据挖掘、数据仓库、案例推理和其他数据驱动的决策支持方法和机器学习技术。安等算法、遗传算法和粗糙集试图发现知识是至关重要的决策从大量的历史数据和以往的经验,这样的系统有能力调整其行为随着时间的推移和决策过程的变化,从而产生自适应决策支持系统(学籍)22]。
研究人员试图找到相关知识从大量的历史数据和决策问题通过使用机器学习过去的经验和案例推理,使系统有能力调整其行为随着时间的变化和决策过程。在此基础上,人们已经进行了很多研究股美国存托凭证,包括系统结构适应,适应适应领域知识和用户接口。适应能力和自主学习能力已经成为一个智能决策支持系统的主要标志。ADSS除了传统的基于逻辑推理的过程和其他形式的推理和计算也使用归纳推理来实现动态的知识体系。归纳推理是一种非单调推理,可以是有限的或不完整的知识。知识的介绍了一个完整的状态。通过归纳学习、ADSS有一定的创新能力,可以使用归纳断言作为知识。当新的矛盾是矛盾的,获得的知识归纳推理可以推翻,从而维护知识的一致性(23]。
3.1.3。决策专家系统
决策专家系统是一个决策支持系统建立了利用专家技术。决策专家系统采用演绎推理和利用现有的知识推导结论。可以保证推导过程的正确性。这个系统的问题是需要一个完整的公理系统推理的基础。事实上,在不确定的环境中,突然的,和模糊信息,这种情况是难以实现的,因此只适用于定义良好的决策任务的应用程序。近年来,人工智能和专家系统技术的进步似乎突破传统决策专家系统的局限性;非单调推理和定性推理技术的应用扩大应用范围的专家系统,并取得了一些进展结合人类智慧(24]。
3.1.4。整体决策支持系统
综合决策支持系统是基于自适应决策支持系统和决策专家系统(7]。人类专家的决策过程中,它面临着不完整的,不确定的,甚至相互矛盾的知识,和人类思维往往nonprocesses。性行为通常会导致决策通过综合各种知识和流程。综合决策支持系统(hds)出现模仿人类先进的情报和可以充分利用人类在流程分析,逻辑推理和认知和学习。和知识创新的优势,以便系统的辅助决策能力超越阶段的事实、推理和学习和可以支持架构不良的决策问题结构(25]。
互联网技术的应用领域的决策支持决定环境有新的特点;即决策分析的数据不再是集中在一个物理位置,但分散在不同的部门或地区。上面讨论的类型决策支持系统是基于系统的主要特点,从发展的角度来看系统情报。几种类型是相互包含、相互补充的。更高级的模型反映了系统智能的进化(26,27),不包括其他类型的特性。在大数据环境中,分布式决策支持系统将得到越来越多的关注。事实上,智能决策支持系统的研究显示出一体化的趋势(7]。现有系统通常是混合动力系统的组合形成的方法,与几个模型特征。不确定性的关键问题是当前人工智能技术的研究,也是核心问题在整个大数据智能决策的过程。表1比较几个idss的方面系统的学习能力、智能行为和决策方法。
3.2。智能信息系统需求分析
21世纪以来,全球化的浪潮推动了社会经济的快速发展,以及人类生活质量的不断提高。与信息技术的快速发展,人类已经开始追求信息技术和智能的生活环境。这种强烈的人类主观需求催生了智能信息系统的诞生。虽然开发了智能信息产品在很长一段时间,本文发现,现有的智能产品或系统还有以下缺点后调查市场的现有产品或系统:(1)制造商的产品异常批量生产。现有的智能设备制造商只进行大规模生产的一个产品,没有系统地进行产品设计和大规模生产,不形成一个统一的行业标准或访问标准导致混合市场的产品和系统。有可怜的两者之间的兼容性;新产品很难访问系统。(2)系统控制层并没有实现真正的情报。为了应对上述问题(1),许多制造商提出了自己的智能系统解决方案,将不同类型的产品集成到系统和提供决策控制功能,实现远程控制,安全报警等功能。然而,系统的决策控制层并不聪明,但是用户行为是用于控制或决策;也就是说,用户需要手动调整。(3)系统服务器的压力数据处理物联网的急剧增加。大多数现有的智能产品使用智能网关进行数据转发,和所有的原始数据被发送到远程服务器进行分析,存储,处理,等。用户规模扩大后,所有用户的原始数据处理的远程服务器。对服务器的压力变得越来越大,和扩张的成本正变得越来越高。
针对以上缺点现有智能产品或系统,智能系统研究本文希望进行改进,最后建立一个网关,可以提供一个统一的设备接口,实现决策控制情报,包括本地数据存储和处理功能。设备的智能信息系统为用户提供系统化、自动化、智能化和个性化的服务。
3.3。智能信息系统的层次结构设计
物联网的结构本身是复杂和多样化。当前物联网的结构分为三层:感知层、网络层和应用程序层。
底层的物联网感知层,这是实现全面的基础对物联网的看法。射频识别、传感器、二维代码等,主要是用于收集设备信息传感器和使用无线电频率识别技术实现传输和识别在一定范围内。主要功能是识别物体通过传感装置和收集信息。
网络层上方的传感层,是一个网络设备和服务聚合平台,物联网信息的传输和初步处理。通过现有的三家网络或下一代网络NGN、收集的大量数据从传感器网络无缝长距离传输;它负责收集的信息的安全传输的传感器和分析收集到的信息,处理和提供应用程序层的结果。
应用层是物联网架构的顶层。主要解决问题的信息处理和人机界面,并提供信息服务,人们需要通过数据处理和解决方案。应用程序层直接接触用户,为用户提供丰富的服务功能。用户定制所需的服务信息,如查询信息、监控信息和控制信息,通过智能终端应用程序层。
物联网技术的应用在服务环境中主要关注家电自动化和智能安全系统。家电自动化安装传感器在传统家用电器(如空调、电视、冰箱等),让他们聪明,点头,和上网,这样用户可以在天空中实现家用电器的远程控制。智能安全系统配备传感器节点监测火灾、气体浓度等,在家里,所以,用户第一次报警反馈家里发生火灾时,能及时处理危险或逃避,避免人员伤亡。
智能信息系统的基本框架可以分为三层:环境意识层、网络传输层和智能服务应用程序层如图1。
3.3.1。Environment-Aware层
environment-aware层是系统的底层。如果由一个人一个类比,environment-aware层就像一个人类触觉神经,这是由大量环境信息的传感器。这些传感器就像一个神经节点,分布在环境的每一个角落,收集环境信息,并将收集到的数据发送给上层的智能信息系统通过一定的短程无线传输技术。
从网络技术的角度来看,environment-aware层构造一个WPAN的传感器网络在一定范围内。所谓的WPAN是一个网络提出了解决“最后几米的无线通信连接”。通常,这是指短程无线网络覆盖在一个半径为10米的,特别是对自组织网络可以连接便携式家用电器和通信设备之间不久。WPAN是网络与无线广域网(无线广域网),无线城域网(人)和无线局域网(WLAN),但有一个较小的范围。相应的关系如图2。
3.3.2。网络传输层
网络传输层的中间层服务的智能信息系统环境,协助网络之间的通信和数据传输整个系统的水平。它包括环境信息采集传感器之间的通信、环境信息采集传感器和终端之间的通信,终端之间的通信和智能云平台。
3.3.3。智能服务应用程序层
智能服务应用程序层是系统的最外层组织的集中表达的情报信息系统面向服务环境。它主要包含以下功能:(一)云数据存储和管理(b)引导用户习惯和构建用户知识库(c)聪明的决定基于用户习惯(d)发送控制命令系统的底层
如果一个人作为一个类比,智能服务应用程序层相当于人类的大脑,可以存储内存,智能地思考,做出最佳决策,通过神经网络控制人体的其他部分。智能服务层学习知识通过机器学习算法和决策控制系统的底层设备。
3.4。改进的数据融合算法
模糊融合算法的局限性,在当前环境下,主要反映在两个方面的时间效率和能源消耗。算法的改进也将从这两个方面:首先,它减少了大量的数据融合通过设定合理的阈值来提高融合算法通过设置权重数据未能通过阈值。
在一个智能信息系统,假设n传感器节点,它们可以形成2n−1传感器组。随着节点数的n增加,传感器组的数量成指数增加。每个传感器组执行公差的计算函数和模糊度量函数,这将产生大量的计算和花很多时间。相应地,如果我们能减少的数量n参与操作通过一定方法,算法的计算量和时间消耗会减少成倍增长。因此,减少与融合的数据量是一个有效的方法来解决上述问题。
假设系统进入一个稳定的数据传输阶段,如果监测指数不大幅波动在一段时间内,这部分数据是相对较小的对系统决策。本文设计的方法来记录每一个融合的结果,设置适当的阈值。要传输的数据进行比较,决定保留或删除。预定的结果直接参与最后的融合,并给出数据被删除一个重量,给它机会来提醒。算法的主要流程如下:
假设的输出设置n传感器是
执行后融合,融合的结果记录 ,此外,阈值设置为
在接下来的融合,节点的输出是相对于 。如果 ,数据被删除和输出的变化 。这里有三个要点:阈值的选择,删除的数据的处理,和体重依赖型剂量的改进算法。
3.4.1。阈值选择
选择合适的阈值算法的改进尤为重要。如果选择阈值太大,它将无法掩盖无效的数据,以及数据的准确性会大大减少。如果选择阈值过小,将导致数据被删除和屏蔽在接下来的比较,这将导致算法。的计算量和时间消耗这些阈值前没有太大的区别,和改进算法的意义。根据上面的公式(2)本文阈值的选择是基于前面的融合C0的结果。在这里,我们考虑温度数据的融合。
设想以下场景:用户输入服务环境后,室温是8°C。智能信息系统将空调温度设置为25°C根据用户的习惯。打开空调后,房间温度上升曲线如图3。
从图中,我们可以看到,在最初的几分钟,主发动机刚刚开始跑步以来空调启动后,加热效果并不明显,气温几乎改变了。空调正常运行的主要单位,加热效果开始出现温度上升得更快;之后,房间温度上升,温度上升需要更多的热量,所以气温上升往往是缓慢的。
在这个场景中,温度数据的模糊融合。很明显,数据在最初几分钟和最后几分钟显示大量的冗余,和一些数据可以通过设置阈值来消除。经过反复试验和测量,本文选择 ,的阈值
3.4.2。删除数据处理
在上面的阈值消除过程,在阈值范围内的数据是直接删除,如果删除的数据量很大,这也将导致最终模糊融合结果的失真。为了防止这种情况的发生,本文介绍了删除数据的处理机制,这是给数据权重值,以反映其系统中的重要性。
本文的重量值机制分配重量W数据融合。默认值是W= 1。W代表的数量大量类似数据和数据W= 1意味着数据只能代表本身。
根据上述假设过去的模糊融合的结果 ,加权合并数据与阈值比较(3),如果 ,无论是第一个数据进入门槛 ,然后,被分配给 ,和重量W仍然是1;输入阈值的数据又可以直接删除,但每次数据进入门槛的体重W的的数量是增加了1,表明数据量相似是增加了一个。如果 ,数据没有调整,参与接下来的融合,和体重W仍然是1。这个过程可以用图表示4。
3.4.3。体重依赖型剂量算法改进
合并以来的重量数据,介绍了传统的模糊度量函数模糊融合算法不能直接使用,和相应的改进是必要的。下面描述了模糊的改善措施。
模糊测度函数反映了传感器组参与计算的可靠性。[0,1]之间的范围。参与融合的传感器的数量越多,模糊测度值越大,可靠性越高。否则,参与传感器的数量小于模糊测度值,因此可靠性较低。
假设,在家里服务环境中,传感器在传感器组的数量n。当参与传感器的数量米当一个数据融合,可靠性可以表示为米/n。
前面的融合的结果 。接下来的融合后,所有的数据都是相对于阈值T的重量是W=我。
如果不包括传感器组的数据计算,米/n还用作模糊测度的结果。如果包括传感器组数据计算、模糊传感器组的测量可以表达的
改进的模糊测量保证数据的完整性,使融合结果更准确。
4所示。设计和分析
4.1。系统架构设计
摘要参与总统的设计面向服务的智能信息系统的体系结构,如图5。
智能信息系统分为功能模块、设计和具体功能。功能模块包括信息收集模板,数据处理模块,知识管理模块、决策控制模块和设备调整模块。他们的相互关系如图6。
收集的数据信息采集模块是最原始的原型获得的数据数据处理模块。它是整个智能信息系统的神经末梢和收集周围环境的信息对系统处理,尽可能准确地计算,决策。
数据处理模块是智能信息系统的模板。首先,收集数据作为输入,然后存储在本地,预处理提供更准确和可靠的数据原型知识管理模块和决策控制模块。
知识管理模块是一个定位在智能信息系统,相当于人类大脑的内存模块。其输入主要来自于数据提供的原型数据处理模块和输出是用户习惯通过大量的数据积累和数据挖掘。这些数据存储在数据库的数据模型,另一方面,作为决策控制。也可以输入模块的数据供参考的决策控制模块。
决定控制模块主要负责做出综合决策判断基于所传播的信息数据处理模块和知识管理模块和生产控制指令。
设备调整模板的一个结束智能信息系统,接收控制命令的决策控制模块作为输入,并执行输入控制设备参数的信息。
4.2。改进的数据融合算法的实验分析
在本节中,通过设置特定的应用程序场景中,数据由MATLAB模拟,和传统的模糊融合算法和改进算法进行比较和分析。
4.2.1。准备比较参与节点的数量
首先,本文分别比较每个融合传感器参与数量的两个算法,得到的结果图7如下。
在图7,蓝色圆点曲线代表了传统的数据融合算法,和橙色圆点曲线代表改进的模糊融合算法。从图可以看出,在传统的算法中,节点的数量参与融合一直波动在90∼100;这意味着,在每一个融合过程中,几乎所有的节点采集的数据将会参与进来,这将会引起巨大的计算和消耗的系统资源和时间。改进的融合算法显著下降了一半自第二次融合,然后基本上保持一个稳定的波动在50岁左右。这表明,从第二次,参与融合的节点数量明显减少。设定合理的阈值,使参与融合的节点数量大大减少。从之前的分析,我们已经知道,当有n节点参与融合,2n−1类型的节点组合将生成。当n降低,节点组合的数量将减少指数,这将大大降低系统的计算量,提高数据处理的及时性。因此,在改进的模糊融合算法,它是可行的和有效的减少数据融合通过设定合理的阈值。
4.2.2。融合结果的比较
与此同时,传统的融合结果模糊融合算法和改进后的体重依赖型剂量模糊融合算法进行了比较。对比结果如图8。
在图8,蓝色圆点曲线代表的温度融合结果50融合传统的模糊融合算法,和橙色圆点曲线代表的温度融合结果改善体重依赖型剂量模糊融合算法。从图可以看出,改进算法的曲线更符合改进算法的曲线和误差更小。这表明改进算法仍然可以准确地整合数据和改进算法是准确和可靠的。
5。结论
自从引入智能决策信息系统的概念,经过多年的研究和发展,它逐渐进入实用阶段的市场。快速发展的技术,如物联网、大数据和云计算,其研究逐渐集中在系统级的智慧。针对现有智能产品或系统的缺点,本文设计了一种智能信息系统的数据处理模块,考虑数据融合系统扩张后的问题,并提高了数据融合算法。根据分析的需求,智能信息系统设计,并基于智能决策系统的三层体系结构,提出了包括感知层、网络传输层和应用程序层的智能服务。模块建设是分解来解释模块相互配合工作。考虑到大量数据的问题智能信息系统的扩张后,数据融合算法和改进传统的模糊融合算法相比。要获得模糊融合算法,使之更适应大量数据,提高系统数据的准确性和可靠性。通过仿真图,改进算法与传统算法进行比较和分析,和体重依赖型剂量模糊融合算法的有效性验证。
数据可用性
作者将通过数据访问请求委员会的数据。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由清局域网项目,工业网络和数据智能(常州重点实验室。CZIMT CM20183002),主要培养项目(2019 zdxm09)。