文摘
与我国的经济的快速增长,模糊理论越来越广泛应用在金融领域。本研究主要探讨金融云应用程序的基于模糊理论的智能城市的可持续发展。本研究将模糊理论的相关知识,结合传统的信息系统风险评估思想和云计算系统的风险评估,并提出一系列的风险评估模型的云计算系统。首先,设计一个智能城市模型,分析了潜在的金融云计算系统的安全问题。云计算的安全层次模型建立了基于指标体系评价对象的安全模型,并使用专家评价方法构建模型各个层次的风险通过分析级过程,建立模糊关系模型为每个评价对象的价值。我们客观地评价智能城市模型的基础上,设计金融云平台。然后,具体执行统计分析相对应的模糊关系模型的重量值评价对象,计算结果终于获得,金融云计算系统的风险评估报告。每增加2%的贸易依赖,智能城市的信息化水平将平均下降约0.03%。结果一直加强金融系统的整体协调发展,优化金融结构,提高开发效率,促进科技和金融紧密结合,并实现政府角色的领袖。它表明我们需要最大化,提高信息化在构建智能城市。 The level of development is very important for accelerating urban construction.
1。介绍
随着经济的发展和科技的进步,越来越多的信息在互联网上传播,通过互联网发送。人们已经进入了信息爆炸的时代,在信息的海洋沉没。人们面临的问题不再是信息太少,而是太多的信息。找到必要的信息准确、迅速从大量的信息和预测未来人们的行动通过大量的信息成为了一个社会的参与者。这是一个紧急的问题,为企业解决。人们已经进入了大数据的时代。数据挖掘等技术的发展,云计算可以帮助人们解决这些问题。这些互联网解决资讯类问题实际上对应于相关信息优化模型。
智能城市建设的本质和新城市化是基于可持续环保的主题,和人民生活环境建设的核心。智能城市不仅是新城市化的方向,而且新城市化的一个重要起点。智能城市建设的主题绿色,环保和节能是一个新城市化发展的重要载体。智能城市将会促进新的城市化的混凝土施工,使城市基础设施更加完善,促进现代工业和农业的发展,加强人类活动的连接通过信息手段,提高服务质量,并创建一个更精致的城市管理模式。智能城市解决城市和农村问题中遇到新的城市化的发展。这可以被视为补充新城市化的发展在宏观的。
云计算正在迅速成为金融行业的新规范。Misra认为虚拟化的水平使成熟的云解决方案非常方便的数量或质量。他研究了云服务的实现过程在金融服务领域,中介,银行通过participant-based利益相关者模型。通过假设银行的综合案例研究,采用的驱动因素进行了较为详细的试验研究。用基于参与者的技术依赖性分析建模需求变化和之前画路线图和基本原理。通过利益相关者模型,依赖和不同利益相关者之间的关系进行了研究。此外,它探讨了决策者如何在金融服务行业评估、整合,最终迁移到新的架构。他提出的利益相关者模型缺乏具体的实验验证(1]。金融企业日益增长的需求来缓解网络事件造成的损失正在推动的快速发展网络安全保险(CI)。时至今日相信CI实施涵盖所有方面的网络事件。他研究了CI的实现基于云服务产品和提出了一个安全网络事件使用大数据分析框架,叫做具有成本意识的层次网络事件分析(CA-HCIA)。他使用蒙特卡罗模拟提取事件特性基于训练数据集。CA-HCIA的主要算法包括蒙特卡洛网络特征提取(MC2FE)和最优成本平衡(亚奥理事会)算法。他的研究过程缺乏实验比较2]。云系统和多媒体的结合大数据是一种新型的金融服务机构(FSI)方法来有效的多元化服务。李认为,当服务媒体渠道的变化,服务可用性通常与安全约束冲突。他提出了一个新颖的方法来获得基于多媒体大数据安全的金融服务在云计算中使用基于语义的访问控制(SBAC)技术。该模型旨在保护不同媒体通过多种云平台之间的访问安全。支持该模型的主要算法包括基于本体的访问识别(OBAR)算法和语义信息匹配(SIM)算法。他的研究的基本思想不够清晰(3]。最近,加密的云计算已经成为一个有趣的研究领域。Kirlar认为,由于服务提供者和服务请求者之间的活动,这是非常重要的计算资源共享和协调。他使用博弈论方法来源于网络、服务器、操作系统、存储设备与博弈理论数学关联字段。他提出了一种新的、高效的加密系统使用XTR(有效和紧凑的子群跟踪表示),语义安全。他提出的加密系统是不很安全4]。
通过因子分析,建立了评价指标体系和财务指标影响因素的权重是由分析层次分析法。当前的市场比较法的重点是评估师的主观判断在确定价格因素,但分析水平过程可以合理地判断影响因素多级和多用途的重量通过两个财务指标的判断矩阵。模糊理论是用来全面评估每一项,然后确定项目的具体因素的评价模型。与当前的市场比较法相比,它显示了集体智慧决定事务例子和消除的缺点比较简单平均最终定价。应用程序和操作步骤的模糊评价模型在实际评价通过实证分析来解释,而很明显,模型的应用科学和客观的。
2。智能城市的可持续发展
2.1。模糊理论
2.1.1。模糊理论的概述
模糊理论具有良好的泛化能力,尤其适合处理复杂的问题。并广泛应用于模式识别、自动控制信息处理等领域。模糊理论是一个平行的网络与强大的计算能力,类似于多传感器信息融合的并行结构。模糊理论固有优势的描述和处理不确定的事件和不正确的知识。减少了模糊规则集根据规则的支持度可以降低噪声的影响数据,偏差值在某种程度上。噪声的不完备数据和规则集影响算法的分类精度。如果样本数据很大,下面的公式可以用来计算模糊规则来简化计算过程的支持(5]:
取的样本训练数据集和的子集(6]。
上述定义的基础上,对于那些无法找到相应的规则的样本在规则集,最近规则用于这样的样本进行分类。最近的规则基本上是一个近似的规则对应样本分类。这个定义是基于独特的自然分类问题。即样本和其最近的邻居通常属于同一类。根据上述定义,最新的规则用于分类样本,无法找到相应的规则集中规则。最近规则本质上是一个近似规则的分类样本和对应基于固有的特征分类问题。换句话说,大多数样本和最近的属于同一类别(7]。
在这里,和的概率分布特性或 。在基于目标函数的聚类算法中,FCM聚类算法是最完美的理论结果和应用最广泛的算法。FCM聚类算法把数据集X为C类别。聚类中心和组合模型 和 ,分别表示的隶属程度X样品的第i个集群中心。最好的FCM算法的目标函数如下(8]:
在这里, 是集群中心的欧氏距离。被称为加权指数,可能会影响FCM聚类的效果。一般来说,时间序列的多步(长期)预测是指预测将来的多个数据点。随着人们研究的深入问题和实际需要,多步预测更有价值比单步预测的理论和应用。与此同时,大多数时间序列模型预测精度的改进作为唯一目标。然而,在实际问题中,不仅需要正确预测的模型,但模型数据也是透明的,这可以解释预测结果(9]。
2.1.2。模糊时间序列
我们将定义宇宙T作为 它可以分为不同的语言间隔;这些语言间隔的隶属度函数
其中,U代表了金融行业的振幅和历史数据代表语言区间对应语言的价值。所有由连续两个模糊集的模糊逻辑关系。
通过构造一个权重矩阵,然后执行重正化,它被定义为下面的公式:
其中,问我表示对应的权重的模糊时间序列我,分母代表权重之和模糊序列,对应方程左边是重正化权重矩阵。
最后,我们得到模糊矩阵和加权矩阵通过上面的步骤:
适应性预期模型获得的公式如下:
我们通过公式得到最终的预测结果,然后修改金融市场价格幅度预测基于模糊时间序列: 在等式的左边代表最终的指数的预测价值。
公式(9)表达的评价模糊时间序列的预测性能。没有模糊板块间的相互作用,和连接矩阵是不对称的。应用模糊理论在金融云可以提高分析的准确性。
2.2。智能城市
智能城市被认为是未来城市的最终版本。以智慧为主要特征的城市发展,促进现代城市的可持续发展。其根源在于开发人类智慧为首。纵向时间分析智能城市的历史发展表明,它可以分为三个不同的阶段,也就是说,数字城市,城市和智能城市联网。因为下半年的发展是基于前一个阶段,他们彼此不能分开。智能城市是一个创新的设计,集信息化、工业化、城市化和实现所有云共享和互联。换句话说,这个城市的数据和信息利用率较高。所有这些前景需要引入创新和生态可持续发展的概念在技术支持的前提下(10]。
随着时代的发展,智能城市建设必须成为工业化的主要途径,但在这一领域的研究,信息架构和实现都支持大数据技术在其他领域的时代。智能城市需要注意各种应用解决方案在早期阶段。这是一个视觉设计阶段的尖端数据重建和信息分析。建立一个智能城市,这两个点是不可或缺的(11]。
2.3。金融云
2.3.1。概述金融云
金融云计算是计算机技术和金融创新技术的结合,这是广泛使用在我的国家。各领域的专家学者已经开始研究建设云计算基础设施和资源的有效利用。ITINN图框架的过程中金融云计算如图1:
使用ITINN,人们可以访问金融服务来解决各种问题。然而,一个人可以扮演很多角色在互联网上。这种现象带来了严重的问题,它的网络安全,大大恶化风险操作风险等市场选择风险和网络与信息安全风险。它响应风险通过建立一个高度可靠、合理、有效的风险评估模型。预期的改进目标模型的每个金融云计算用户如下(12]:
其中,是预期的价值。为了实现云计算的广泛应用,风险管理是非常重要的。用户必须意识到这些风险相关的应用程序和数据传输过程,为了能够研究适当的机制。然而,由于云计算的固有特征和云计算服务提供商的依赖在风险控制上,云计算的风险管理不同于先前的计算环境的风险管理。通过风险管理框架,用户可以决定云迁移。尤其是通过这个框架,用户可以识别风险基于转型目标的相对重要性和使用半定量的方法来分析金融市场风险。通过这种方式,用户可以根据具体正确的云迁移决策过渡计划(13]。
2.3.2。熵Weight-Financial云评价模型
本文将使用正向云发生器和X-condition云发生器模型评价等级云。根据评价等级标准,三个参数(Rx, Rn和通用电气)的云模型用来表示每个年级的云智能城市金融。具体步骤如下:
熵方法用于计算每一个指标的评价体系的权重,权重向量
确定云计算特征值根据评价等级分类标准和相应的等级的每个评价指标:
这三个特征值参数 每个年级的云是由每个评价指标的上、下边界值对应的等级,可以计算出相应的特征值参数值的公式。有数据xij,在那里我评价指标,j是评价级别对应数据x,定性语言指数的概念我相应的水平j在数据xij可以表达的云模型、云模型的我 j可以获得。
自每一层的中间值是最能代表水平的定性概念,表示为预期的价值
每一层的边界,xij属于上层和下一个层次。因此,边界值较高层和较低层的成员是平等的,所以
最后,得到的熵值
Superentropy通常是基于熵和经验获得的,主要反映了云的厚度。
根据特征参数值的三个云计算和实际的评价指标数据筛选后,X条件云发生器算法得到每个指标对应于每一层的隶属度,和每个索引的会员获得的学位是隶属度矩阵 ,然后实际指标数据的隶属度属于每一层的云
其中,Rnn Rn的正态随机分布的期望和通用电气的标准差。具体的公式是
加入模糊变换得到权向量和矩阵的每个评价对象:
在他们中间 yl代表的每个评价对象属于某一水平,和对象的水平评估,即与最大的隶属程度。
2.4。可持续发展
改进在这些领域也可以增加新城市化和可持续发展的动力。智能应用程序的普及和利用带来了创新和积累的知识和已成为城市发展的核心驱动力。这些知识的积累有很大影响城市环境的保护和优化,高新技术产业的发展,促进城市文化和技术的生命力。建立城乡综合信息平台,加强城乡互动,掌握丰富的就业和生活服务信息,移民工人,加快城市化进程,促进农村电子商务的发展。基于城乡一体化的全面发展思想,个人管理系统实现资源共享和利用和可持续发展,因此,转换也可以改变原来的区域部门计划(14]。
3所示。调查实验智能城市的可持续发展
3.1。研究对象
集团在智能城市项目的总投资是6000万元(包括从第三方融资),主要由银行贷款和企业债券发行。此外,对于项目由F组,第三方投资机构将通过项目股权融资和夹层融资筹集资金。智能城市基础设施建设项目的融资结构如表所示1。公司的控股结构组为60%,政府是20%,第三方投资是20%。详情见下表1。项目融资时间服务是最好的原则建设成本。根据项目投资的进展,近年来的投资是通过银行贷款和债券发行和其他融资方法(15]。
3.2。冒险施工
根据PFI项目计划的复杂性在最初的阶段,政府和公司部门进行详细的分析和调查,在项目准备阶段和开发自己的风险分担计划。接下来,政府分配根据预先分配风险,风险和风险承担单靠政府和企业部门确定这些共同的构成风险。之后,政府和公司部门进行资源评估和模型建立在第一个分享的结果阶段,然后双方制定一个系统的风险管理计划为他们承担的风险评估和定价。最后,双方达成了一项风险预期协议,签了合同。如果有怀疑的风险分配给任何一方,风险分配机制将再决定和一个新的风险分配将[16]。
3.3。金融云平台的建设
基于经验的设计和应用云计算数据中心,临时数据中心和新数据中心由智能城市将在国际上设计和实现,包括装饰工程和计算机机房的安全设计与实现,以及系统集成和操作和维护服务,如网络、存储、服务器、云管理平台和技术建设和后续发展的智能信息,提供专业技术支持(17]。
3.4。模型试验
本研究结合探索性因素分析和验证性因素分析模型来测试。SPSS和Amos选择数据处理。利用主成分分析提取因素,过滤数据,并提出假设指标。通过分析,验证假设的前一个阶段,施工测量方程的模型评价指标体系终于确定了提取因子分析(18]。
3.5。建立模糊关系模型
信息系统风险评估的过程中,由于风险因素的离散和不连续分布,定量和准确的解释是不可能的多种因素。因此,有必要利用模糊理论来处理模糊信息和有效地量化模糊信息。本研究旨在国家商业银行的金融创新,所以原则上可比数据。在这项研究中,专家评价方法被用来分析数据并建立一个会员模型。相当于数据收集方法在一定程度上避免主观性(19]。
风险评估的过程中使用模糊理论,以定性处理评价对象,必须依靠相关领域专家的意见。有效地利用专家建议在互联网上,自然语言必须数字化,取而代之的是一系列数字。为了实现这一目标,使用模糊计算将专家的意见转化为模糊理论来解决问题。关于这个模糊的问题,专家评价方法通常被用来建立模糊关系模型。最后一层的分析结果是由40专家评估,和6阶段得到的评价结果和模糊关系模型是最后决定20.]。
3.6。数据评估
一些指标的计量单位不同,需要处理和统计数据一致。的数据量本身不能直接用于评价指标体系。有必要科学客观地分析评价指标之间的关系和标准化数据。本研究使用z分数技术标准化所构造的数据。为了避免数据的拟合在探索性因素分析和验证性因素分析,排序数据分为两个部分。200年的数据块被用于搜索因子分析,和200年的数据块被用于检测因子分析(21]。
4所示。智能城市的可持续发展
4.1。探索性因素分析
KMO测试的结果和巴特利特球形检验表明,KMO值是0.870,这意味着没有显著差异的变量之间的相关程度,这可以被认为是非常适合因素分析。Bartlett值3013.022和相关的概率小于0.01,这意味着相关系数矩阵不是一个单位矩阵,所以它被认为是适合因素分析。探索性因素分析指的是因子分析方法进行降维分析多个因素找到共同的因素。在这项研究中,使用SPSS软件对数据进行探索性因素分析,使操作简单和容易理解。选择主成分分析法进行因子分析twenty-six-indicator样本数据在过去的五年里。第一个分析结果表明,KMO测量值小于0.5,和Bartlett领域测试重要性系数不小于0.01,所以指标需要被删除。删除时,应该注意的是,删除指标的数量小于3维度,和总载荷小。穿过其他指标的指数更大的负荷。它应该被删除当指标的意义不同于其他指标在同一维度。经过多次的计算和分析,光缆的长度线,年底手机用户,电子商务交易活动的比例的收入信业务,国内垃圾无害处理的,污水处理厂集中处理,和一般工业固体被删除在序列。 The comprehensive utilization rate of waste, the green coverage rate of built-up areas, the proportion of administrative villages that have Internet broadband services, and the per capita GDP are ten indicators, leaving 17 indicators. The analysis results are shown in Table2。从表中观察到,KMO值为0.674,大于0.5,近似卡方Bartlett的测试范围是739.470,和团体为0.000,小于0.01。因此,这17个指标形成的指标体系非常适合因子分析(22- - - - - -24]。
估计每个月的各种参数值如表所示3。根据估计的参数值,我们发现公司自身的宣传资源非常丰富的我国几家门户网站,从而导致的高价值;也就是说,公司有一个很好的宣传效应通过自己的门户网站的特点。的β价值相当于互联网用户创新扩散系数(0.0001),这是符合互联网服务的扩散规律。的y值满足0.17≤的极限X≤0.66,但略低。这主要是因为移动云计算在我国处于起步阶段,积累用户的数量是不够的,行业机制并不是完美的,口碑传播的影响并不显著。其中,我们确定目标的社会影响,感知成本目标,感知风险的目标,和性能期望改进目标权重为0.35,0.2,0.05,和0.4,分别。其中,大部分互联网公司不够关注用户信息泄漏。因此,感知风险目标的权重系数低于其他几个目标。根据计算结果,当公司的子公司做出投资决策的新产品,12%的资金应该用于新产品的推广来提高用户的社会影响的目标。67.2%的资金用于技术创新的数据处理功能的新产品来提高用户性能预期,降低用户成本。剩下的20.8%的资金用于技术创新新产品的安全保护功能,防止用户信息泄漏等一系列措施减少用户使用新产品的感知风险。验证模型后,云提供商做出投资决策基于本文中提供的多目标模型。如果没有云提供商的总投资的变化,通过改变主要投资的价值,用户可以实现用户的性能期望,社会影响,有形成本和视觉。 The four objectives of risk are maximized and optimized to improve personal QoE and create maximum value for cloud providers and users [23]。
表4的评价指标体系是智能城市的可持续发展水平。本文使用SPSS软件分析原文的相关指标,验证和消除一些指标,并建立一个智能城市可持续发展水平指标体系。标准化的数据导入到SPSS19.0软件,并获得指标之间的相关系数和显著性水平矩阵通过相关性分析,并进行相关指标的比较分析在以下文本。
根据最后的13个指标变量,评价指标排列的顺序大小和分级。本文通过引用相关文件,结合我国智能城市的发展现状,所有指标分为5个层次评估智能城市的发展水平。水平我表明,智能城市发展水平高,和II级表明智能城市发展水平相对较高。第三高,水平表明,智能城市发展水平中等,IV级表明,智能城市发展水平较弱,和水平V表明智能城市发展水平薄弱。
具体评价指标等级划分如下:积极的指数指数X1(基础设施投资在社会固定资产投资的比例)为例,第一级区间[5.4003,5.9844],第二级区间是(4.2319,5.4003),第三级区间是(3.0635,4.2319),ⅳ级的区间是(1.8952,3.0635),V级的区间是(1.3110,1.8952),负折射率X13(单位国内生产总值能耗)作为一个例子,间隔的水平我是[0.160,0.351],第二级区间是(0.351,0.733),第三级区间[0.733,1.115),第四层间隔(1.115,1.497),第五层间隔[1.497,1.688]。所有指标的标准分类的结果如图所示2。
4.2。修改后的分析指标体系
10鉴定专家,智能城市模型构造2 9相对重要性水平的判断价值得分表第一轮得分。由于知识背景的差异问题的专家和理解的角度,第一轮分数统计用于提出评价得分更有争议的项目。专家给他们的意见,讨论充分,基本上在继续第二轮之前达成协议。圆的判决被分配的重要性,大多数专家在第二的成绩分配结果结合创建一个判决为每个相对重要性矩阵,和计算机数据处理和执行完整性测试。通过调查数据的描述性统计分析,39个因素对价格影响甚微的城市金融市场被移除的53个因素。通过因子分析剩余的25个因素,指标体系的状态已经改变了。因素水平从原来的22个因素修正8项,和水平的因素是修订从原来的72指数28项因素。指标体系的修正结果如图3。可以看到,特征值大于2的因素有8个,分别为20.828,2.088,2.080,2.688,2.898,2.828,2.288,和2.282,8个主成分因子的方差贡献率分别为88.2%,8.688%,8.8%,6.909%,6.680%,8.892%,8.229%,和8.882%,累计方差贡献率为92.8%,包含92.8%的原始指标信息,因此理想因子提取的结果。8常见因素提取可以解释92.8%的方差。因此,可以看出,该模型具有良好的结构效度。从图3,我们可以看到这一点r峰值和尾巴的特点,不满足正态分布。因为所有时间序列ARMA模型意味着假设是静止的,那么我们必须进行单位根检验r法官的平稳性r。ADF测试用来测试是否r是稳定的。试验结果表明,ADF检验统计(绝对值)都显著大于临界值的2%,8%,和20%的重要性水平,和包含单位根的零假设被拒绝;也就是说,如果有一个单位根,收益率序列是静止的25- - - - - -27]。
有许多应用场景的视觉设计在智能城市,和它的宽度和广度涉及各行各业,但它被定义为医疗领域的可视化。视觉设计的基本原则和互动的心理思维的水平确实有相似之处。更重要的是用户的认知和互动的心理思维和观众。在这个更严重的应用场景中,无论界面显示的移动或固定端,有必要提出一个轻量级的,简单,和直接的设计,因为视觉设计。主要的思想是解决问题。通过30专家评价因素的最后一层,安全模型评价结果如图所示4。20 30专家,认为这是安全的,5 5认为这是相对安全的,认为这是不安全的。然后操作的隶属度模型antisabotage措施在安全级别是2/3。安全级别的隶属程度是1/6。一般的安全级别的隶属度为1/6。更危险的隶属程度级别为0。危险级别的隶属程度是0。公司的日平均收益率是正的。其中,夹层融资的平均回报率最高,达到了0.068%。返回的性能是最好的,其次是企业债券和银行融资。 The difference between the maximum and minimum values of equity financing is the smallest, and the standard deviation is also the smallest, only 0.864%, indicating that equity financing has the smallest stock market volatility and the most stable stock market compared to other representative countries; the standard deviation corresponding to other earnings is the largest, indicating that, compared with other representative countries, the stock market is the most volatile. The maximum and minimum values of other profit yields are close to the daily limit and down limit, respectively, indicating that the volatility is quite astonishing under the negative and positive impact of the market. Then use the J-B test to test the normality of the rate of return, which also includes the kurtosis and skewness of the rate of return. The J-B test result shows that the rate of return significantly rejects the assumption of normal distribution. The skewness values of the yields are all less than 0, except for bank loans; the skewness of other yields are all negative; that is, the distribution is a negative skew distribution, which means their kurtosis is more inclined to the right; their kurtosis values are far. It is much greater than 3, so the yield has a lean kurtosis shape. Financial time series usually have the characteristics of sharp peaks and thick tails, showing the dependence of tail risks. Therefore, the research of tail correlation is very important, which provides us with a preliminary understanding of the model of return [28,29日]。
4.3。隶属函数参数设置
表5培训后显示了每个成员函数的参数。功能训练之前和之后的形状发生了变化,这是由于变化的参数描述每一个模糊集的函数。这些都是为了使功能训练后更准确地描述训练样本中的复杂的函数关系。因此,证明了整个培训过程类似于一个优化的过程。通过不断迭代的尝试,描述了训练样本的过程更加全面和完全在可接受的误差范围内优化。这一过程主要是通过优化和调整隶属函数的参数,并且它不是通过调整隶属函数类型。
如图5,他们平均误差值和隶属度函数的波动误差值9。从上面的图中,梯形隶属函数的平均误差为9.5,这是最大的,平均误差的三角形隶属函数是下一个9日,结合高斯分布,π类型、s形微分s形,决定s形,为六类型的成员。的平均误差函数是相对接近程度大约和高斯隶属函数的平均误差约1.5最低。证明,从的角度来看平均误差,高斯隶属函数是最合适的函数类型城市可持续的绩效评估。同时,平均误差的三角形和梯形的两个线性隶属函数的平均误差明显高于其他功能。
从波动的角度误差值,梯形隶属函数的波动误差是最大的在22日的波动误差三角形隶属函数是第二个最高。会员结合高斯的五种类型,π、s形微分s形,和产品s形。函数的平均误差相对接近约15,钟形的波动误差隶属函数是9,和高斯隶属函数的波动误差大约是6最低。它证明,从波动的角度误差,高斯隶属函数仍然是最合适的函数类型的评价城市可持续性能。同时,波动误差三角形和梯形的两个线性隶属函数的波动误差明显高于其他非线性隶属函数,证明,从波动的角度误差,线性隶属函数的评估误差评估城市的可持续性能明显比的评估误差非线性隶属函数。这个结论也证明了可持续性评价的智能城市是一个复杂的、多目标的巨大系统,变量之间存在复杂的非线性关系。
为了减少误差,评价指标体系的原始数据是第一个规范化和划分根据一定的比例。10个评价对象是随机选择作为训练集,剩下的25作为测试集。评估、训练集和测试集的反馈结果如图6。从图可以看出6培训结果更好,相关系数是0.9682。
4.4。模糊理论模型试验的结果
如图7,8隶属度函数有一定的训练错误7系统,加上前一章的钟形隶属函数,属于梯形加入FTM7,最大误差为8.87%,最小的属于高斯隶属函数和在FTM1 0.09%的错误,错误FTM2和FTM7明显高于其他五英尺分模型。这是因为FTM2辅助系统,有一定的累积误差。因为FTM3和FTM4培训后输出FTM2的输入。FTM7三级系统有更大的累积误差。的输出训练后FTM1、FTM2 FTM5, FTM6 FTM7的输入。然而,这些系统的训练误差在可以接受的范围之内,所以他们都是有效的英尺分模型。
如图8,不同的隶属度函数使用185个测试样品和相应的模糊计算值或多或少的不同,加上训练钟形隶属函数,误差最小的错误是高斯会员,“重庆市”程度的误差函数是0.01%,和8.36%,最大的是“铜川城”错误,都是在可以接受的范围内(< 0.1)。证明这些九个隶属度函数模糊模型是可以接受的。在FTM1验证不同的隶属度函数的有效性后,剩下的6英尺分系统按照相同的步骤也可以训练。下面的表显示了其余的训练误差8 7英尺分系统隶属度函数。
如图9,它是模糊理论模型的精度检验(英尺分)在不同的城市。可以看出,会有一定的误差。FTM2最大的错误是“福州城”,一个错误的6.68%,和最小的错误是“北京”FTM1;具体的错误是0.02%。证明这些7模糊理论模型训练后可以用来评估智能城市的可持续性能。
4.5。企业价值评估结果
确定隶属度的传统方法主要包括专家经验法、模糊统计方法,二元对比排序法。这些方法大多基于主观价值或经验公式获得隶属度,和有更多的主观因素。根据逆向云发生器会员的原则,数据的统计分析得到的隶属函数有效地避免了主观因素的影响,使结果更客观和真实。然而,这种方法需要大量的采样点。在本文中,我们使用一个得分方法基于客观的统计数据,基于水平比较分析商业银行的金融创新和数据可用性,在云模型在每个每个评价对象的评价指标,打算进行评估。这已经解决了这个问题的影响水平比较数据的不足,使评价结果更接近客观现实。图10显示了智能城市基础设施建设项目的融资进展。功能处理量的回归系数约为-0.04,均通过1%的显著性检验,这表明,在对外贸易的依赖,每增加2%的智能城市信息化水平平均将下降约0.03%。如果公司能够成功完成软件开发的电子医疗记录系统按照项目进度,改变销售策略,并加速经济复苏的销售帐户,未来可预期的利润增长空间。添加后金融发展和技术创新方面的交互变量,变量的符号并没有改变多少,但是意义得到了改善。三个交互条款明显积极的迹象,这充分表明,金融发展与技术创新的结合有助于促进智能城市信息化的发展,和程度的金融发展促进智能城市信息化的建设和发展是受到技术创新水平的影响。DLR的回归系数现况,FDS现况,GS现况是0.029、0.015和0.011,分别。尽管系数很小,他们都表现出显著的正相关关系在1%的水平。金融发展效率的改进与技术相结合。创新的发展最明显的角色在促进智能城市的信息化,而金融规模的扩大和股票市场的发展扮演一个相对较小的角色通过技术创新,有很多需要改进的地方(30.]。
结合不同的需求,借助基本的设计原则和方法,然后完成一系列实际设计应用方法。信用风险评估的最终价值图所示11。它可以从信用风险的最终价值评估和趋势图,基于模糊理论的风险评估方法可以比较多个公司的信用风险状况多个时间段,和变化的趋势可以判断。企业间的横向比较中取得更直观的结果。模糊综合评价方法的评价结果和模糊突变理论的结果同时反映在折线图4。从波动的风险,我们可以看到,虽然结果的综合评价方法也可以反映风险的变化,在2007年和2008年三聚氰胺等紧急情况发生时,评价结果并不能很好地反映风险状况等引起的突变,和2007年的评价结果并没有改变太多,在2006年,表明该方法不够敏感预测突如其来的风险和有一定的延迟。这个结果也因为模糊综合评价方法是一种方法来综合判断整体风险。紧急情况的发生常常只会影响某一因素评价体系。如果重量的因素很小,不会产生非常重要的影响整体的结果。在面对紧急情况下,供应链金融风险评估模型基于突变理论模型基本上同意实际情况在供应链金融信用风险评估的结果,具有一定的客观理性,与其他模型相比具有一定的优势。此外,政府的回归系数波动在0.1和大部分都是重要的,这表明,针对大型投资在智能城市建设的初始阶段,缓慢的输出,和收入,提供有效的支持政府的资本和人才政策可以发挥着不可替代的作用在智能城市建设的领导和指导作用31日,32]。
5。结论
为了帮助优化产业结构并促进经济发展模式的转型,通过智能城市的研究,导致了城市竞争力的提高。不同国家的未来的发展趋势,智能城市的建设需要各种信息技术来改善现有的城市环境。一个智能城市的实现取决于技术掌握的程度。站在科技的前沿是控制市场和控制能力。智能控制和处理的智能城市可以及时、可靠和有效的,可以提高城市管理功能。城市管理模式需要同步与人民的生活水平。在当今社会,人们的生活水平比以前好多了。之前使用信息技术的概念和智能城市建设,城市不可能意识到使用传统方法。优化管理系统的建设有利于城市的应对各种意想不到的灾难。
随着全球一体化的发展,现代财政结构主要以网络的形式。因为金融市场是相互联系,相互影响,个人金融市场不仅受到本身,而且还受到外部金融市场变化的影响。风险资本的支持作用不能与其它形式的投资相比,它主要是风险资本支持的公司。将高新技术成果转化为生产力是风险投资的快速发展,已成为一个新的产业资本规模和生产,并已发挥了伟大的作用在促进国民经济的发展。
我们正在研究现有的互联网金融模型的一个重要组成部分金融生态领域集中在金融企业。这些部分发挥不同的功能,共同促进金融生态的整体改善和发展领域通过相互调整。只要你加入一个金融生态系统,您可以快速并简单地完成各种财务管理生活,购买和其他产品的需求,提供个性化的Web服务,掌握消费和融资的特点,正确地发现需求,减少我们的负担在信息爆炸的时代。调查和合理使用的信息极大地促进我们的生活。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。