建设电子商务价值链模型基于平稳小波域深处残留的卷积神经网络

文摘

本文主要分析了国内中小企业电子商务的现状,指出有有限的初始投资和中国中小企业的融资困难;电子商务控制不科学;电子商务中小企业不是高质量的人员,在不当的情况下设置的电子商务部门和人才短缺,僵化的管理模式,和过时的管理概念。用损失函数和价值链管理理论的深度学习平稳小波域残余学习模式,新建中小企业的电子商务模式,电子商务部门作为企业的核心部门。通过培训深残余网络的最优参数和比较结果与其他模型,本文的方法对样本有很好的作用。最初的损失函数基于残余深度学习学习模型修改,以解决原有的模式模糊问题,改善效果,具有良好的鲁棒性。最后,基于小波的残余深度残留评价方法,本文对该模型的应用效果,提出了相关的建议改善这个模型,包括合理化和完善外部价值链的协调机制,建立电子商务价值链共享中心,和促进电子商务业务的整合,加强措施和建议在电子商务信息化建设的各个方面。最后,以一个公司的业务活动为例,将本文中描述的理论应用到具体的实践证明了该理论的可行性和实用价值。

1。介绍

在价值链管理理论的出现,企业的管理模式是静态的,只对其内部,和这一理论的出现是推动企业发展的管理模式打开动态管理模式。价值链管理不仅可以帮助企业提高自己的实力在竞争日益激烈的现代市场环境,而且还丰富了企业电子商务的模式和方法。自成立以来,价值链管理理论已逐渐扩展到企业管理的各个方面系统几十年来,“成为电子商务的理论基础和分析依据,市场策略管理和销售管理”(1- - - - - -3]。电子商务是企业管理的一个重要组成部分,为了追求最大的企业价值,而价值链管理为企业和消费者创造更多的附加值。相同的控制目的允许两个彼此合并,导致电子商务概念现代性。

价值链理论的产生和发展在20世纪后期,越来越多的学者开始将其应用于电子商务。在1990年代,价值链管理会计应用思考。文献[4- - - - - -6]最初融入了价值链会计管理制度,构建其基本框架。中国会计学会会计专业委员会举办了一个研讨会“价值链管理和价值链会计”在海口市讨论价值链的相关理论和实践问题管理和价值链会计(7- - - - - -10]。此外,基于变换的降噪方法过滤理论(11- - - - - -13)也受到了许多学者的广泛研究。其中,固定小波变换取消了将采样小波变换的过程,转化变性小,所以广泛应用14- - - - - -17]。一种改进的自适应closed-value离散平稳小波去噪方法,提出了可以删除一些噪音。作者在18- - - - - -21)提出了一个电子商务closed-value基于Lipschitz指数和固定小波去噪算法,从而提高电子商务的信噪比。然而,基于变换滤波理论,大多数的变换系数closed-valued在变换域,和closed-value过滤过程是很难估计和调整,这使得它难以实现理想的去噪效果。卷积神经网络是一种模拟人类大脑神经网络结构进行分析和学习。上述研究表明,电子商务控制薄弱的主要表现如下:第一,缺乏严格的现金管理,导致闲置或资金不足,和基金操作的效率和效果难以满足目标要求;第二,应收账款周转缓慢很难恢复基金。网络的训练过程是一个自适应过程参数小小优化。基于其强大的特征提取能力,更容易去除噪声,同时保留。在企业的价值链管理系统,上面的研究有以下缺点,面对现代社会和经济环境:中国企业的电子商务模式很少分析操作的整个过程从企业的市场战略和整体效益,他们中的大多数。它选择的部分被认为是重要的控制,也不容易维持很长一段时间。现在,控制方法的实际实现不扩展到价值链的水平; the actual situation of enterprise development has not been related to its e-commerce model and value maximization. The development philosophy is consistent.

灵感来自平稳小波变换和深度的应用卷积神经网络在处理电子商务的模式,提出了一种深残余平稳小波变换(SWT-deep)学习的神经网络模型。首先,模型执行电子商务模型的平稳小波三级分解得到的高频系数的电子商务模式。然后,电子商务模式的高频系数作为输入,电子商务模式的高频系数和高频系数的电子商务的价值链模型。减法结果残差系数的标签。模型训练后,SWT-deep学习可以学习输入和标签之间的映射关系。最后,使用这个映射关系,高频率可以间接预测高频系数的街上质量电子商务模型。系数,通过固定小波逆变换,可以获得预测电子商务价值链模型。此外,旁路连接和残余学习策略添加到SWT-deep学习模型来提高网络的收敛速度和估计质量的电子商务模式。实验表明,本文的SWT-deep学习模型可以预测电子商务的电子商务价值链模型,并与其他公认降噪算法该算法的预测结果比其它算法。最后,基于小波的残余深度残留评价方法,本文对该模型的应用效果,提出了相关的建议改善这个模型,包括合理化和完善外部价值链的协调机制,建立电子商务价值链共享中心,和促进电子商务业务的整合,加强措施和建议在电子商务信息化建设的各个方面。 Finally, taking the business activities of a company as an example, applying the theory described in this paper to specific practice proves the feasibility and practical value of the theory.

2。价值链模型和电子商务

2.1。价值链成本和价值链分析

分析价值链的成本管理方法开始在中间和价值链的上游。两者之间有很大的差异。传统的成本管理是控制成本在企业的生产过程22- - - - - -25),但由于市场的发展这一控制方法不能给企业带来竞争优势。更多的分析应该在客户端,甚至在社会方面。当企业进行自身的成本管理,他们应该扩大内部资金流向外部,和成本管理活动应该有远见的市场,这样可以全面管理成本。

波特关于价值链概念的要点如下:(1)一个企业的价值链是由企业的九个基本活动本身。某些价值链的不同组合不同的活动在特定行业的企业;企业的历史,背景,和策略是不同的。它的价值链也不同。(2)公司是从事活动的价值链创造价值,另一方面创造价值的活动的成本,另一方面;如果价格由客户支付超出的成本创造价值,那么企业可以盈利。为买方创造价值超过成本是任何基本策略的目标。(3)每个企业的上游和下游都有自己的价值链。这些价值链是相互关联的,因此他们被称为价值体系。价值链将企业分解成许多战略相关的活动。它体现在整体活动的价值体系。

根据价值链管理,业务企业的目的是为了给客户带来价值,他们的价值是价值链;如果企业想要的目标是更好的,那么有必要使用高质量的价值链。操作,质量管理必须通过质量管理(26]。当进行价值链的管理,有必要关注的增加它的价值。我们探索它的业务流程通过价值链层面形成价值链识别和建立价值链和其他进程,然后我们优化根据公司的持续改进过程。最重要的是价值链的分析,即从原材料到成品到消费者。这就解释了商品成本的变化和企业生产活动的具体优点和缺点。当企业价值执行多种功能进行分析,使用各种方法,如价值链成本分析方法,微分对价值链的分析,分析方法为外部价值链的竞争优势。这些方法为他们的生产。在每个链接的功能,操作不同的价值链和价值会产生差异27]。但所有价值链分析是基于一个共同的目标,那就是减少不必要的支出在企业的业务流程或带来更多的利润,企业在同样的支出。

如图1企业价值最大化是企业的价值管理。我们可以建立一个优化竞争策略基于价值的最大化。货币形式的每一个价值链的经营活动中生成的业务流程。通过分析,通过价值链的本质,深入了解该公司使用相应的方法来构建一个完整的价值分析系统。然后,计算和分析每一个价值链,然后引用了国内外优秀的思想建立一个完整的价值链成本管理的框架。

2.2。电子商务价值链模型建设

2.2.1。基于活动的成本核算

这种方法的一个关键的价值链分析方法。分析了根据运营成本的方法。在的每一步操作,资源消耗将发生,但同时会有输出。在生产时,不仅会有成本,但这也将伴随着输出的转变。当一个企业生产的产品,这不仅是所有生产过程的所有联系的结果,而且所有企业的业务操作的结果。这是一个企业价值链的形成的过程。基于活动的成本核算的概念引入了操作成本的控制和分析和分类成本基于操作。

当将价值链的思想融入到电子商务,有必要进一步提高其相应的基于企业电子商务活动的过程,并专注于客户和公司本身的价值通过使用基于活动的成本核算,从而提高企业的业务水平。企业本质上是一个相互关联的业务流程,这是导致事务的执行合同。经营行为的一个关键推动价值链,和操作行为过程可以是一个或多个。投资的整个过程输出有价值的客户也可以被认为是实现一个具体的目标,从而导致的一些活动实现的价值从供应商到客户。

2.2.2。新的设计方法

这种方法的核心内涵如下:客户需要的是什么,你为什么需要这个,这就是为什么。只要有可用的服务,当可用的服务需求满足,如何提供可用的服务尤其重要。

2.2.3。电子商务价值链模型的网络模型

如图2电子商务价值链模型,本文以平稳小波分解后的高频系数作为输入,和剩余系数减去高频系数的高频系数的价值链的电子商务标签,学习输入和标签。它们之间的映射关系。噪音和轮廓信息主要存在于高频系数,因此低频系数很小参加网络培训。利用剩余的残留映射学习学习策略,自映射可以间接获得。模型训练完成后,它可以间接地预测的高频系数,然后的逆值平稳小波可用于获得预测电子商务价值链网络。如果实际的电子商务价值链模型一般大,很难开展网络培训。因此,为了提高网络的训练速度,输入和标签是切成5050个小补丁。

如表所示1旁路连接模块中设置网络。过度的旁路连接模块增加了网络的复杂性,这有利于网络培训。考虑到有16个卷积网络层,总共四个绕过集。在连接模块,每个旁路连接模块包括三个卷积层和旁路连接,可以加快网络收敛速度而antiratio梯度消失,这有助于保护的详细信息和提高质量的预测模型。

3所示。建设电子商务价值链模型基于小波域深处深剩余的学习

3.1。深残余学习

3.1.1。深残余学习的基本单位

残余深度学习的基本单元主要由一座山的输入层,一层卷积(Conv),一批标准化(BN),激活函数,将采样层,和一个输出层:一层卷积提取电子商务模式特性图;BN层引入了标准化和转移步骤在每个非线性变换,从而避免内部节点的深度变化分布变化在内部网络训练,也就是内部的转移,从而大大加快网络的收敛速度(28];和激活功能将进一步加快收敛速度。特征是非线性映射转换。修正的线性单元(ReLU)是一种常用的激活函数。广泛用于深度,因为它有助于减少梯度消失在深卷积神经网络训练。downsampling层减少了功能图尺寸和加快网络训练速度29日),但功能图将采样后会导致信息丢失。因此,考虑到降噪的独特性任务摘要SWT-deep学习模型。中小型单位使用downsampling层。

3.1.2。旁路连接

虽然多重卷积层深卷积神经网络可以帮助提取更深层次的电子商务模型的特点,电子商务模式必然会有多重卷积后信息丢失层和网络层的数量。深化信息,信息丢失的现象,更严重的,是有利于保护电子商务模型的细节。旁路连接结合特征映射和更详细的信息和后来的特性映射到传输所携带的详细信息,有助于保护的详细信息电子商务模式和电子商务模式。深度学习的特征输入层,卷积层,BN层,ReLU功能,绕过连接。

3.1.3。剩余的学习

剩余网络最初是为了解决小型甚至网络性能下降的问题随着网络层数量的加深。实验表明,残余映射更容易学习比原来的映射。使用剩余的学习策略,很容易培养深度学习网络和完善电子商务模式分类和目标检测的准确性。

链性映射对应于本文的任务地图LDCT电子商务模式的高频系数的高频系数NDCT电子商务模式。剩余映射地图LDCT电子商务模式的高频系数的高频系数LDCT空间电子商务模式。剩余系数是通过减去NDCT高频系数的电子商务模式。考虑到剩余系数比NDCT电子商务模式单一,其统计特征更容易学习。因此,剩余的学习策略也介绍了。尽管的独特性SWT-deep降噪任务的学习模型,本文的网络模型需要多个剩余单元;只有一个剩余使用单位在整个网络结构,通过残差。间接获得自映射的映射。剩余卷积神经网络获得的,所以自映射问题可以转化为剩余的映射问题。研究图像增强和噪声处理基于卷积神经网络提出了相关的方法(30.,31日]。研究文本检测和系统识别也介绍了(32,33]。可吸入颗粒物浓度和有色金属相关识别方法还介绍了(34,35]。

3.2。平稳小波域变换

在经典的正交小波变换算法,价值链的电子商务模式受到downsampling高通和低通滤波后,这样分解的小波系数的一半原始价值链的电子商务模式,但这是很容易的。的损失部分信息的小波系数造成一个小的电子商务模型的稳定性重建价值链和容易振荡的影响。平稳小波变换是一种改进经典的正交小波变换,和它的最大的特点是冗余和转化小退化。

多尺度分析方法由小波变换已应用于增强处理红外电子商务价值链模型,并取得了一些研究成果(36]。与传统方法相比,小波分析具有良好的局部特征在时域和频域,可以有选择地增强价值链一定规模的电子商务模式特征,而且更加适合于人眼的视觉特性。小波变换可以分为两类:正交小波变换和非正交小波变换。平稳小波变换属于非正交小波变换,这是一个改进传统的正交小波变换。与正交小波变换相比,平稳小波变换的主要特点是冗余和翻译不变性,这是更适合处理相关问题。自相关性的灰色水平红外电子商务价值链模式很大,更适合使用的平稳小波变换去噪和增强红外价值链的电子商务模式。

基于离散平稳小波变换,提出了一种非线性增强电子红外价值链的价值模型的方法。实验结果表明,该方法可以有效地抑制噪声的同时有效地提高价值链的电子商务模式,和它的增强效果明显优于传统的增强方法。高频部分波段包含边缘细节信息价值链的电子商务模式,大部分的噪音。本文利用高频增强算子如下: 在哪里T是阈值; 增强因子和吗 增强的高频小波系数; 前的系数提高。

小波变换信号的能量集中在一些大的小波系数,而噪声的能量分布在整个小波域。因此,小波分解后,信号的小波系数的振幅比系数的振幅大的噪音。可以认为,较大的小波系数幅值通常是由信号,同时使用更小的振幅系数主要是噪音。因此,一个阈值T可以设置为将信号和噪声的高频子带,大于阈值的系数被认为是边缘详细的信号,和增强处理 执行;系数小于阈值被认为是噪声和衰减处理 。通过这种方式,可以提高红外的边缘细节信息价值链的电子商务模式,改善的定义,减少噪音。阈值T使用一个常用阈值。 在哪里是噪声标准差;N的总数是在给定的高频子带小波系数。估计用中值的绝对值 第一层对角高频子带的系数。

在正常情况下,背景区域温度较低,相应的电子商务价值链模式灰度值相对较小,目标区域的温度较高,和电子商务价值链模式灰度值也就相应地更多。固定值分解后的红外电子商务价值链模型,低频子带主要代表的轮廓价值链的电子商务模式,能量相对集中,振幅相对较大。在低频部分波段振幅较大的小波系数代表了目标,而小波系数较小的振幅代表背景。根据这个特性,扩展的方法采用低频子带系数的振幅;也就是小振幅系数(背景)被压缩,和更大的振幅系数(目标)是实现电子商务价值链的延伸。价值链的电子商务使用膨胀系数将进一步增强对比效果。目前,常用的电子商务价值链模式扩大灰度增强功能采用S曲线,双曲正切函数,幂函数和伽马函数,等等,因为这些功能都获得通过渐近线的极限值,和大多数的拐点。对称,它会导致一些灰色地带,可能无法实现,不能结合价值链的电子商务模式的灰色特性有针对性的提高。本文使用一个正弦变换增强功能:

波形如图3。压缩拐点和拉伸的左边右边的拐点。指数的因素k转换的每个部分的斜率变化曲线。当k值的增加,扩张和收缩强度增加,增加和增强效果。整个转换曲线由两个正弦曲线,s形。导数是光滑和伸缩性能好。拐点和伸缩的力量k可以控制。应用程序灵活、方便,通用性强。

如何选择拐点的参数是在这种方法中一个关键问题。红外电子商务价值链模型的信息可以分为两个部分:目标区域和背景区域。阈值法是一种简单而有效的电子商务价值链模型目标和背景分割方法。因此,本文研究的问题,目标和背景红外电子商务价值链模型分割阈值作为参数选择的转折点。有许多方法来计算价值目标和背景红外电子商务价值链模型的分割阈值,例如迭代阈值方法,最优阈值方法,和大津法。这些方法得到的阈值更精确,但计算很大。在本文中,使用简单的平均阈值法来计算平均振幅低频子带价值链的电子商务模式。作为初始阈值将低频子带电子商务价值链模型分成两个部分,根据红外价值。考虑供应链电子商务模式的特点,目标的亮度通常高于背景,超过的部分是目标区域一个,部分小于是背景区域B。小波系数幅值的平均值的背景区域B作为最终计算阈值。

3.3。学习电子商务价值链模型深层残留

3.3.1。激活函数的选择和实验

剩余的单位,我们看到ReLu,激活函数使用的剩余网络。激活的作用是增加网络的非线性函数。因为每个回旋的元素是一个加权和的神经元,它是一种线性结构,所以最终的分类器是线性可分的分类器。然而,现实生活中的抽样通常是非线性的,因此有必要引入非线性元素进入网络。一般的激活函数如下:乙状结肠函数是一种很常见的激活函数在浅网络。这个激活函数的优点是,它可以适应各种复杂的函数很好;缺点是它不适合深网络,很容易出现,计算速度慢,配件和梯度消失。

与乙状结肠函数相比,双曲正切函数集中在零点。其他方面基本上是一个放大的乙状结肠函数,有大型衍生品的优势和快速梯度更新,仍然有乙状结肠函数的梯度消失在网络。

ReLu函数激活函数用于剩余网络,及其表达式

ReLu目前深陷网络使用很多功能。其处理非常暴力,直接设置值小于0。的优势是,它大大加速深层网络的训练速度,和其稀疏效果很好。避免过度拟合,但节点故障现象很容易发生在实际使用。节点的值是南,所以BN层和调整学习速率是必要的。这个实验使用ReLu函数,除了ReLu加速度在深度学习和培训,和ReLu函数可以被视为高通滤波特性的地图。之后,实验发现噪声样本是一个背景纹理噪声;传统denoisers不同于高斯白噪声,过滤器可能更有用。

所有电子商务价值链模式损失的平均数量在一个时代在训练过程如图4。在实验中,发现只有Relu使用时,它有时是收敛的。有时,损失越来越大。在图中,它是一个爆炸。在融合的过程中,损失函数的值将急剧增加。损失函数的值是由ReLu计算。培训还不够稳定。即使使用ReLu + BN层,去噪效果不如ReLu + BN层。所以,最后一个实验决定使用ReLu + BN层残余网络培训。

3.3.2。电子商务价值链模型建设

VGG的主要思想是提高网络深度和减少卷积核的大小(33)。Conv层是卷积层,和最大池层是指所有神经元的最大价值在该地区使用的最大二次抽样函数。对于每一个通道,通道的特性的像素值映射被选为代表的通道,从而获得一个n维向量表示。平层用于扁平输入,也就是说,从卷积multidimensionalize多维输入过渡层完全连接层。密度是完整的链路层。辍学层将随机断开输入神经元有一定概率的每一次更新的参数在培训过程中,防止过度拟合。的概率是0.5。Softmax是一个标识符,实际上是一个标准化的指数函数,确定每个类别的概率,最后选择概率最高的类别。

在这里VGG-Net结构选择,因为探测器只需要准确性和不关心的召回率。此外,探测器需要大量的培训和经常更新自己的特征库,以确保准确的分类。ResNet和初始层深,培训是缓慢的,和准确性不改进,如图5。

在表2交叉验证的损失是失去30时代,acc / val在30时代,交叉验证的准确性和acc /测试是测试。测试的准确性是在CPU上;数据集相对较小cifar0, 50000个训练样本。VGG的训练时间明显小于ResNet的训练时间,但收敛ResNet VGG要快得多,训练集的准确性也很高。然而,在交叉验证和测试,准确率低得多。的猜ResNet似乎有点过度拟合。所以,最后选择VGG-Net方法。在实际使用过程中,Softmax将价值链的电子商务模式的分类概率清洁电子商务价值链模式小于一定值作为噪声降噪,在概率阈值是0.8。

评估countersample主要是关于概率的影响后的正确分类样本已通过antisample防御系统。

这是夹的得分计算公式5 - 2017对样品Kaggle上防御游戏。攻击是指样本攻击,防御反对样本防御,防御一个标签。获得的分数是标签的数量统计防御等于真正的标签的数量。事实上,正确的冲突率的计算基本上是相同的,但真正不同的数据集的选择。

目前,使用的数据集antisamples主要包括MNIST手写字符,CIFAR-10, ILSVRC (2012、2016)。这些都是电子商务价值链模式识别的数据集,和一些测试样品还利用DREBIN(恶意软件的数据集,微rna(医学影像数据集),等),扩大antisamples的使用。甚至更多的先进技术和团队使用视频数据集训练和说明的健壮性countersamples时域空域,增加样本的可能性将是有效的在现实生活中的使用。目前,最常用的是MNIST数据集,这是一个灰度数据集,并取得了良好的培训效果。但CIFAR的数据集和ImageNet相比,获得的结果在这个不准确的在现实生活中他们的实际情况。因此,数据集的选择最好是应该CIFAF-10或ImageNet数据集,因为已经有好两个数据集上的分类模型;分类已经可以实现高精度,应该充分利用。

防御样本已进入深入阶段神经网络,作为一个分类器,分类器的评估标准模型也应该被应用,如准确率、召回率,中华民国,AUC。在准确率的情况下,检测到阳性样本的比例正样本。中华民国真阳性率和计算的假阳性。主要判断过度拟合是否通过ROC曲线的平滑度,然后曲线形成的面积越大,就越好。F1是一个综合评价相结合的精度和召回。因为前面的第二个数据传输方法的选择,评价模型的关注探测器分类的准确性和ROC曲线。随后denoisers,更多关注模型的准确性。

因为模型的去噪算法中,应该有一个评价标准的去噪效果。主要有信噪比、PSNR和SSIM。信噪比,信噪比,信号强度噪声强度的比值。它可以反映噪声污染的程度在价值链的电子商务模式,不能反映出电子商务价值链模式去噪。PSNR评价两个电子商务价值链模型之间的相似性。评价标准的噪声强度噪声电子商务价值链模型相对于原来的电子商务价值链模型,但当价值链的电子商务模式是去噪,没有原始图像的比较;只有噪声地图与降噪映射。然而,在对抗的过程中样本国防学习实验首先产生对抗样本通过原始电子商务价值链模型然后消除干扰,所以实验可以使用原始的电子商务价值链模型和去噪PSNR评价电子商务价值链模型。在这个时候,PSNR值越大越好。

但问题是,由于噪声添加到antisample很小,它是没有不同于原始的图片,所以PSNR值会很高,但去噪将不可避免地导致失真的原始图片。PSNR作为参考用于培训,检查价值链。电子商务模型去噪和模糊,是否最终的去噪效果评价标准是基于价值链的最终电子商务模式分类器效果,辅以PSNR。

因此,在训练样本中,探测器使用传统的准确性和ROC曲线图来评估模型;降噪采用PSNR观察训练过程,分类器是用来评估样本的准确性和去噪清洁样本的准确性。最终结果是评估使用游戏的分数。数据集使用ImageNet电子商务价值链模型的数据集和捏- 2017游戏数据集。

4所示。实验结果和讨论

4.1。介绍和实验数据集预处理

中使用的主数据集antisample相关实验MNIST手写数字,CIFAR-10, cifar - 100。目前,相关论文中使用的数据集大多MNIST手写的数字,和antisample MNIST攻击和防御都很好。但MNIST数据集是灰度,价值链的电子商务模型包含有效的特性而CIFAR ImageNet少得多;即使这些攻击防御方法是有用的在MNIST,很难推广到现实生活中的情况。CIFAR-10 RGB图像有十个类别。小的图像(3232)很容易处理,可以作为评价模型。ImageNet是RBG电子商务价值链模型。图片很大,数量很大,格式不统一,有丰富的功能,有1001个分类标签。它可以模拟现实情况很好,但是应用程序在当前文章是ImageNet相对较小;攻击和防御都是有前途的。验证ImageNet电子商务模型,仿真数据选择ImageNet - 6607, ImageNet2012相对较小的数据集。这个数据集有23种标签和需要总共超过3000个不同大小的图像。它需要在TensorFlow使用调整后的图像。Resize_image和Central-crop参数。实验用CIFAR-10评价模型(需要调整模型体积的大小基本层),使用Image_6607作为训练集。

测试组使用电子商务价值链模型夹5 - 2017 adverseri al-examples CleverHans。少量的数据集的竞争主要包括1000年原始电子商务价值链的模型,和大小是2992990年。这些情况都是针对ImageNet,可以分类。除了原始图像,CleverHans也给出了不属预定目标的攻击,两个有针对性的攻击,和随机噪声。用它来生成一个countersample加上原始图像,共有5000个测试用例。为不同anti-like噪声的情况下,两个噪声电子商务价值链模型的£= 16和£= 25生成实验来验证其噪声的鲁棒性。在图6,上面的电子商务价值链模型是原始电子商务价值链模型。电子商务价值链模型左边是FGSM countersample£= 16日和25正确值链电子商务模型样本FGSM对抗。看到了明显的区别。图6显示了电子商务价值链模型使用另一个目标antisample攻击。实验结果表明,噪声是完全不同的。在实验中,还需要验证的健壮性防御攻击模式不同。

如表所示3很明显,antisample噪音电子商务价值链模型中被删除,但仍有许多剩余噪声,最后几乎没有影响价值链的电子商务模型的分类。价值链的最终分类的影响电子商务模型信息主要取决于antisampling噪音。没有重大损失的细节,甚至细节增强,PSNR值= 25.13。

4.2。建设电子商务价值链模型的验证固定小波域残余深度学习

4.2.1。准备实验比较不同的隐藏层

在本文的结构,基于深层信念网络的协同过滤推荐算法。深层网络由多个限制玻尔兹曼机的信心。因此,深有多层网络的信心。考虑隐藏层的数量的差异,实验在本节进行了不同数量的隐藏层。

在实验中不同层的隐藏层,本节首先固定循环迭代的数量和每一层的学习速率,然后观察实验结果在不同的层。在实验中,本节将学习速率设置为0.1,每层设置为循环迭代的数量l000倍。图7显示了美深度学习算法的隐藏层不同层和静止的美比较算法的小波域残余深度学习。

通过图7,当周边用户的数量是相同的,深度学习学习算法具有较低的绝对误差当隐藏层的数量是5,平均绝对误差小于深的学习算法当隐藏层的数量是3,4,6。因为深度学习可以达到预期的效果的五个隐藏层,这是符合事实的隐藏层DBN通常是5到6层。如果层数较大,实验造成的误差较大,最后聚类用户组不够准确,影响实验结果。从图可以看出7,当周边用户的数量是80,平均绝对误差的深度学习算法0.746和算法的比较平稳小波域深度剩余的学习是集群组3、4和5。他们的平均绝对误差是0.808以上,前者是至少6.2%的平均绝对误差小于后者。因为深度学习算法可以集群用户相关性较高的同一组的不同数量的隐藏层,相邻组的目标用户获得更准确,最后推荐质量改善。

4.2.2。实验比较不同迭代的循环

修复后隐藏层和深信任网络的学习速率,本节实验四个案例:迭代的数量是500,迭代的数量是1000,迭代的数量是1500,和迭代的数量是2000:52显示的美价值深度学习算法在四个不同的迭代和静止的美结果比较算法小波域残余深度学习在不同的组。1000年的迭代次数的实验结果如图所示8。

在图8横坐标轴,纵轴,各自的所述直方图表示相同的含义。本节和训练数据集的实验是一个数据集,它包含943个用户。当迭代的数量是1000,迭代的数量是1500,和迭代的数量是2000,平均绝对误差的值逐渐减少的数量的邻居,和邻居的数量达到60。那时,平均绝对误差的值往往是放松。然而,当迭代的数量是500,平均绝对误差的值先下降,然后上升然后下降,最后趋于稳定。由于迭代的数量是500,深的抽样过程信心网络未达到一个稳定状态,导致输出层的概率值是有偏见的,这使得集群不够准确,建议和推荐的目标用户的邻居组到目标用户的质量下降。

在图8周边用户的数量是40,价值的深度学习算法的平均绝对误差为0.768,当邻居的数量增加到60岁,平均绝对误差的值是0.770。因为用户组通过深入学习算法的迭代次数时不够准确的500年,周边用户的增加会增加分数的预测误差,最后降低了推荐质量。当相邻的用户的数量是80,平均绝对误差值的深度学习算法和固定小波域深度残余学习算法是0.767和0.808,分别。深度学习算法提高了推荐精度4.1%平稳小波域残余深度学习算法。因为抽样过程在深信心网络未达到一个稳定状态即使迭代的数量是500,邻近组织的目标用户通过使用深度学习算法仍比静止的目标用户获得小波域残余深度学习算法。邻居集团更合适,所以深入学习算法的推荐质量比的推荐质量平稳小波域残余深度学习算法。

基于上述分析,深层的美价值学习算法的平均绝对误差值小于固定小波域深度残余学习算法在上面的四个病例。前者比后者更准确的推荐效率。因为深学习算法可以用相似集群用户相似性不同迭代次数下同一组,有效提高推荐的质量。

4.2.3。实验比较在不同的学习速率

在本节中,深入学习算法在不同的学习速率测试。5例中设置实验。学习率是0.05,0.1,0.15,0.2,和学习速率是0.25。从实验在上一节,我们知道当深层信念网络的隐藏层的数量是5层,深层学习算法比其他三种情况下的实验结果。从实验中,当迭代的数量是1000,深入学习算法的效果优于其他三种情况。因此,在本节中,被指定为1000次的迭代次数和隐藏层的数量设置为5层。实验结果的情况下的迭代的数量是1000,隐藏层的数量是5,学习速率为0.1将不会显示在图中。下图展示了美价值观的深入学习算法的五个不同的学习速率和梅算法的结果比较平稳小波域残余深度学习。

在图9,当周边用户的数量是60和深入学习算法的平均绝对误差值为0.759,平稳小波域深度残余学习算法平均绝对误差当集群的数量是5。的值是0.809。前者是后者相比增加了5.0%。在图9,当周边用户的数量是60和深入学习算法的平均绝对误差值为0.749,相对平稳小波域深度残余学习算法平均绝对误差当集群的数量是5。当该值为0.809,增加了6%。在图9,当周边用户的数量是60和价值的深度学习算法的平均绝对误差为0:766年,相对平稳小波域深度残余学习算法的聚类数目5,对应的值的情况下的平均绝对误差为0:809年,它增长了4:30 l0。通过以上实验结果,发现算法的学习速率不应太大;否则会增加计算过程的数据误差,影响实验结果;如果该算法的学习速率太小,会影响算法的收敛过程。以上实验表明,在不同的学习速率的情况下,用户有相似的习惯仍然可以聚集在同一组,平均绝对误差小于固定小波域深度残余学习算法。

基于上述实验,深入学习算法优于固定小波域深度残余学习算法。在本节中,我们也使用算法获得的特性和执行实验。实验结果如图所示10。

图的横坐标10表示相邻用户的数量,其价值范围从20到80的间隔10。纵坐标代表的价值平均绝对误差美,范围从0.75到0.82。的平均绝对误差值平稳小波域深度残留学习算法是由上层线段表示,和较低的线段表示获得的特性是使用算法3.2;隐藏层的数量是5,循环迭代的数量是1000,和学习速率是0.1。学习的美值算法。

从图可以看出10,当邻居的数量从20到80不等,平均绝对误差出现先降低,然后减慢。然而,结果是不如图的深度学习算法9。分析的原因是,虽然前者考虑用户和评分值之间的关系,有一个问题的过程中规范化的得分值。在项目用户没有得分,它设置为值为0的得分矩阵,和归一化值0被认为是每个项目的评分值的最小值,从而导致用户的特征矩阵。因此,绝对误差值由前实验获得的分数大于后者的错误。虽然深度学习算法,利用算法3.2获得特性不如后者,它可以更好的集群用户在某种程度上,所以结果还是比平稳小波域深度的残余学习算法。

5。结论

本文基于微分进化和平稳小波变换,红外电子商务价值链模型改进算法有效地提高了红外电子商务价值链模型的对比,提高电子商务价值链模型的细节,并考虑噪声的影响。视觉效果更好,有广泛的应用。增强算法对价值链的影响电子商务模型比多尺度非线性小波增强和传统antisharp面具增强方法,它可以为类似的研究领域有一定的参考价值。如前所述,本文提出的方法本质上是一种方法,详细的红外电子商务价值链模型的增强。下一步可以考虑结合其他智能技术来提高全球对比红外价值链的电子商务模式。

实验进行了本文提出的算法和实验结果进行了分析。深入学习算法在不同条件下进行了测试并与相关算法。最后,效果分析表明,用户聚类的协同过滤推荐算法也用户集群效应和推荐质量的深度学习算法。DGCF算法也与其他算法相比,在相同的数据集。最后,分析表明DGCF算法优于对比算法的推荐精度。本文提取的特征不能反映用户之间的差异在一定程度上,所以更好的提取用户的偏好特性,形成一个更好的用户聚类组和改进相似度计算,并最终提高推荐系统的推荐质量。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突的报道。

引用

1. 大肠Kang w . Chang, j . Yoo和j . c .你们“深卷积framelet通过小波去噪对低剂量CT残余网络,”IEEE医学成像,37卷,不。6,1358 - 1369年,2018页。视图:出版商的网站|谷歌学术搜索
2. m .赵m·康b . Tang和m . Pecht“深残余网络动态加权小波系数对行星齿轮箱的故障诊断,”IEEE工业电子产品,卷65,不。5,4290 - 4300年,2018页。视图:出版商的网站|谷歌学术搜索
3. m .赵m·康b . Tang和m . Pecht“多小波系数融合在深残余网络故障诊断,”IEEE工业电子产品,卷66,不。6,4696 - 4706年,2019页。视图:出版商的网站|谷歌学术搜索
4. w . Tang y王,w .他,“基于改进的图像分割算法在小波域多尺度随机域模型,”环境智能和人性化计算杂志》上,7卷,不。2、221 - 228年,2016页。视图:出版商的网站|谷歌学术搜索
5. j·p·a·桑切斯·h·埃德里,“信号处理技术vibration-based智能结构的健康监测,“档案在工程计算方法,23卷,不。1、1 - 15,2016页。视图:出版商的网站|谷歌学术搜索
6. n .说明f . Shafait, a .面“歧视贝叶斯分类字典学习,”IEEE模式分析与机器智能,38卷,不。12日,第2388 - 2374页,2016年。视图:出版商的网站|谷歌学术搜索
7. e .康、j . Yoo和j . c .你们“小波剩余网络低剂量CT通过卷积framelets深处,“IEEE医学成像,37卷,不。6,33-48,2017页。视图:出版商的网站|谷歌学术搜索
8. b . Shahrasbi和n . Rahnavard”,基于模型的非均匀压缩采样和恢复自然图像利用小波域隐马尔可夫模型通用,”IEEE信号处理,卷65,不。1,第104 - 95页,2017。视图:出版商的网站|谷歌学术搜索
9. j·张,张、w·马和l .焦”深自学残余网络多光谱图像分类基于部件级融合,“IEEE地球科学&遥感信,15卷,不。11日,第1744 - 1740页,2018年。视图:出版商的网站|谷歌学术搜索
10. x周,s·普拉萨德,m·m·克劳福德”小波域多视图主动学习空间谱高光谱图像分类,“IEEE选择杂志的主题在地球观测与遥感应用,9卷,不。9日,1-13,2016页。视图:出版商的网站|谷歌学术搜索
11. m . Amini m·o·艾哈迈德和m . n .美国偶像”一个健壮的多位数乘法水印解码器使用基于矢量在小波域隐马尔可夫模型,”IEEE电路&系统视频技术,28卷,不。2、402 - 413年,2018页。视图:出版商的网站|谷歌学术搜索
12. m . Shafaei o .基西人,“湖水平预测使用wavelet-SVR wavelet-ANFIS和wavelet-ARMA连接模型,”水资源管理,30卷,不。1,第97 - 79页,2016。视图:出版商的网站|谷歌学术搜索
13. d . a . Jay a b·博德和h·l·Diefenderfer Tidal-fluvial和在较低的哥伦比亚河河口过程:II。水位模型、泛滥平原湿地洪水和系统区域。”河口和海岸,39卷,不。5,1299 - 1324年,2016页。视图:出版商的网站|谷歌学术搜索
14. d, t·f·Bissyande j·克莱因和y l . Traon”与离散小波转换后的数据时间序列分类”,软件工程和知识工程的国际期刊,26卷,不。09年奈拉1361 - 1377年,2016页。视图:出版商的网站|谷歌学术搜索
15. m . Heydarzadeh和m . Nourani”两级故障检测和隔离平台使用残留评价、工业系统”IEEE仪表和测量,卷65,不。10、1 - 9,2016页。视图:出版商的网站|谷歌学术搜索
16. p . Chigansky和m . Kleptsyna”混合分数Ornstein-Uhlenbeck过程的统计分析,“概率论及其应用,卷63,不。3、408 - 425年,2019页。视图:出版商的网站|谷歌学术搜索
17. 朱郭y, r·m·勒贝尔y et al .,”高分辨率全脑DCE-MRI使用约束重建:未来的脑瘤患者的临床评估,”医学物理学,43卷,不。5,2013 - 2023年,2016页。视图:出版商的网站|谷歌学术搜索
18. 江j·b·施p . Wang, r·刘”应用高频代孕测量和wavelet-ANN模型提供早期预警的快速地表水质量异常,“科学的环境卷,610 - 611,1390 - 1399年,2017页。视图:出版商的网站|谷歌学术搜索
19. r·张h .商美国Yu et al .,“以年轮为哈萨克斯坦南部的降水重建,揭示干旱变化自公元1770年以来,“国际气候学杂志,37卷,不。2、741 - 750年,2017页。视图:出版商的网站|谷歌学术搜索
20. s p, h . Wang m . Liu, z侯,和z . Liu“ECG信号增强基于改进去噪auto-encoder。”人工智能技术的工程应用,52卷,不。C, 194 - 202年,2016页。视图:出版商的网站|谷歌学术搜索
21. Ghalehkhondabi, e . Ardjmand g·r·Weckman和w·a .年轻二世”的概述能源需求预测方法发表在2005 - 2015,”能源系统,8卷,不。2、411 - 447年,2017页。视图:出版商的网站|谷歌学术搜索
22. A . b .李和r . Izbicki”一系列谱高维非参数回归方法,”电子杂志的统计数据,10卷,不。1,第463 - 423页,2016。视图:出版商的网站|谷歌学术搜索
23. p·a·威尔逊·d·k·唱:Nikolov et al .,“GTC欧西里斯凌日行星大气调查:钾HAT-P-1b从窄带分光光度法,检测”皇家天文学会月刊,卷450,不。1,第200 - 192页,2015。视图:出版商的网站|谷歌学术搜索
24. 美国安萨里,k·r·沃德,k . Najarian”运动工件抑制便携式监测呼吸阻抗充气造影信号:一种自适应的方法,”IEEE生物医学和卫生信息学杂志》上,21卷,不。2、387 - 398年,2017页。视图:出版商的网站|谷歌学术搜索
25. M.-C。陈,S.-Q。陆,Q.-L。刘,”全球规律性的2 d模型电动流体在一个有限域,“Acta Mathematicae Applicatae学报,英语系列,34卷,不。2、398 - 403年,2018页。视图:出版商的网站|谷歌学术搜索
26. c·杨和s . o . Oyadiji损伤诊断使用模态频率曲线和平方剩余小波系数损伤指标,”机械系统和信号处理卷,83年,第405 - 385页,2017年。视图:出版商的网站|谷歌学术搜索
27. m . Mardani大肠锣,j . y . Cheng“深生成对抗神经网络压缩传感MRI,”IEEE医学成像,38卷,不。1,第179 - 167页,2019。视图:出版商的网站|谷歌学术搜索
28. f . Harrou、m . Madakyaru和y太阳,“改善非线性故障检测策略基于车辆疾驰的距离度量:平推流反应器监测、”能源和建筑卷,143年,第161 - 149页,2017年。视图:出版商的网站|谷歌学术搜索
29. 秋,m .冯,z . Tang”一个简单的平滑基于连续小波变换:比较评估基于忠诚,平滑度和效率以物候的估计,”国际期刊《应用地球观测和地质信息47卷,第101 - 91页,2016年。视图:出版商的网站|谷歌学术搜索
30. x l .锅j .秦h . Chen, c·李和r·陈”形象augmentation-based食品与卷积神经网络识别,”电脑,材料和连续卷,59号1,第313 - 297页,2019。视图:出版商的网站|谷歌学术搜索
31. m . n . Wang, j .太阳et al .,“Ia-PNCC:噪声处理方法对水下目标识别卷积神经网络”电脑,材料和连续,卷。58岁的没有。1,第181 - 169页,2019。视图:出版商的网站|谷歌学术搜索
32. 吴x c .罗问:张先生,j .周h·杨和李y”文本检测和识别对自然场景图像,采用深卷积神经网络”电脑,材料和连续,卷61,不。1,第300 - 289页,2019。视图:出版商的网站|谷歌学术搜索
33. c . w .挂、w·l·毛和h . y .黄”改进的PSO算法递归模糊神经网络系统辨识,”智能自动化和软计算,25卷,不。2、329 - 341年,2019页。视图:出版商的网站|谷歌学术搜索
34. h·j·歌,b . d .哦,j . d . Kim c . y .公园,Y.-S。Kima”,使用最优参数预测的PM10浓度的深层神经网络,”智能自动化和软计算,25卷,不。2、343 - 350年,2019页。视图:出版商的网站|谷歌学术搜索
35. x, x z . j .夏l . Wei和w·雪,“跨语言有色金属相关新闻识别方法与有限的双语词典基于CNN,“电脑,材料和连续,卷。58岁的没有。2、379 - 389年,2019页。视图:出版商的网站|谷歌学术搜索
36. 洛夫乔伊和c . a . Varotsos“缩放政权去年年气候模型和线性和非线性响应火山和太阳能营力,”地球系统动力学》第六卷,没有。2、1815 - 1862年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Chenyuan王。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。