文摘
在现代城市建设中,数字化已经成为一种趋势,但单一的信息来源的传统算法不能满足人们的需求,所以数据融合技术需要画估计和判断的数据从源数据增加信心,提高可靠性和减少不确定性。为了理解区域数字化的影响因素,进行多源异构数据融合分析区域数字化机器学习的基础上,利用决策树和人工神经网络算法,比较了不同算法下学校人口的管理效率和满意度,和理解不同算法下的数据融合和建筑。根据结果,决策树和神经网络算法比传统的方法更有效的构建区域数字化及其级高出约60%。更重要的是,基于机器学习方法在多源异构数据融合已经比传统计算方法在计算效率和误导率对假警报,错过了警报。这表明,机器学习方法可以发挥重要作用的分析多源异构数据融合在地区数字化建设。
1。介绍
随着中国城市化进程的快速发展,人民对美好生活的需求增加,和传统的城市管理模式已经不能满足现实的需要。与此同时,现代信息技术的快速发展为城市管理提供了一种新方法。城市管理应用现代信息技术,将城市管理区域划分为一系列的单元网格,并将其组件和事件。平台快速发现问题并及时解决,提高城市管理的效率。
多源数据融合方法,处理来自多个数据源的数据。估计和判断从原始数据源导出的结论获得信心和知识识别开发增加数据,提高可靠性和减少不确定性。这个想法来自多传感器的数据链技术提出了在1970年代获得更完整和成功的信息,提高系统的鲁棒性和准确性,因为探测范围和计算能力以及每个传感器的精度是有限的。同样,在战斗场景,有潜在的冲突由于单个传感器信息资源的异构性,多个信息来源的分化,高强度的信息来源和电子对抗。因此,多传感器信息融合技术出生,开始蓬勃发展1]。
国内外专家已经做了很多研究的数字化建设地区。丁等人使用三维(3 d)激光扫描实现过程。框架还包含支持技术(虚拟现实,3 d印刷和预制)更好地理解设计与施工和工具(工作分解结构和模型分解结构)来改善组织和管理的质量。这个拟议的框架的实现在翻新的购物中心优化改造过程的效率15%,减少了30%的设计更改,和返工25% (2]。Rytova和古特曼提出方法来解决这两个任务使用现代工具,包括平衡指数系统适应地区发展。他认为,创新活动的质量和人力资本应该增加,创建有效的条件安排区域社会经济系统的发展,和创新创造和数字经济的发展,以及战略目标的规范化评估使用模糊集方法(3]。洛佩兹等人认为,数字化是一个全球性的现象,影响着所有的人类活动。公共管理部门还包含新的信息和通信技术在结构和公共部门。计算机审计是一种工具,允许审计公共行政部门和改善问责制。本文考察了数字化的主要优势和风险,并提供一个案例研究区域的审计机构,实现了计算机审计在西班牙4]。数据融合解决方案,也有不同的观点在这个研究。奎罗斯等人建立了区际DIH创建的实体之间的合作将该地区变成一个参考极创新。本文旨在描述创新开发的质量管理和改进策略的跨区域范围内DIH破坏性的项目。除了考虑附属成员的个人策略,它还包括方面的合作,共享的知识、技术和技能,旨在改善的质量创新,采用数字化公司在该地区(5]。Bareinboim和珍珠关注传感器融合技术的最新技术,是应用于传感器嵌入到移动设备作为一种手段来帮助识别移动设备用户的日常活动。传感器数据融合技术是用于集成来自多个传感器的数据来提高算法的可靠性,确定不同的活动(6]。刘和黄相信遥感和计算机技术的快速发展使得多个传感器嵌入在一个系统同时监控操作单元的退化状态。旨在解决这两个具有挑战性的问题在一个统一的方法。具体地说,一个方法是构建一个健康指数通过融合多个degradation-based传感器数据(7]。谅解备忘录等人讨论了2016年的科学成果数据融合竞争组织的图像分析和数据融合技术委员会IEEE协会的地球科学和遥感。这些包括一双超高分辨率全色和多光谱Deimos-2虹膜图像和视频的摄像头在国际空间站。提出的解决问题和技术竞赛参与者涉及广泛的话题,从遥感以及混合的思想和方法,视频处理和计算机视觉8]。这些方法为本文提供一定的参考,但由于相关研究的数据量太小,样本实验时间短,很难繁殖实验的结论。
小说的特点本文是使用决策树算法和人工神经网络算法用于生成方法为复杂的模型构造算法。对不确定信息的数据源,可靠性分配的方法应该被用来决定信心函数。最后,生产重量决定通过一个可靠的数学结构,和一个加权数据融合建立修正模型更好的应用在实践中。实验取得了良好的效果。
2。区域数字化施工方法
2.1。数据融合
改变新的数据来自多个数据源的数据画出最高的选择。这本书是优于选择由一个数据源书(或一个决定9,10]。数据模型应该改变改变断点的断点。数据来自各种各样的信息来源,使最终的分割性能,从而提高质量的最终决定。
它反映了许多信息和目标的特点,只有当完全分析它们的特性有效地巩固(11]。通过分析多源异构数据融合、多源异构数据融合的特点总结如下:
非均质性:数据融合系统中数据的融合处理往往来自由多个独立的系统生成的数据。因为不同的数据源是相互独立的,不仅数据模型是异构的,而且数据的语义和语法。也有不同程度的异质性。
Scatterability:在多源异构数据,往往分布不均匀,干扰之间的一些数据是通过网络传播,所以有网络传输可靠性和安全性的问题,等等。以及数据的及时性和错误,可能是由于各种干扰的问题,有一些障碍数据转换系统。
自治:由于数据的来源可能来自一些独立的系统,这些相互独立的系统有很强的自主性,他们可能会改变自己的结构和数据根据自己的需要在不通知融合系统。这对数据融合系统,构成了巨大的挑战和融合系统的鲁棒性也会受到影响。
它是观察到的主要表达式和异构数据融合系统的表现差异可分为语法和语义的异同(12]。语法异构性主要代表相同的对象的事实和事实领域以不同的方式描述。不同的数据表结构例如不同的相同与不同的数据库存储的数据,由于不同的命名规则和数据类型,存在于不同的数据库(13]。例如,当系统的描述部分,有些文件使用部分描述,有些文件使用组件来描述。相比之下,消除语义异构性,消除语法异构性只需要实现字段,字段的映射关系或记录在特定操作记录,然后解决命名冲突这些概念和数据类型。中的异构数据融合系统如图1:
出于这个原因,更容易实现的语法异构性,没有理由理解数据的具体内容和意义的映射过程。可以解决如果我们可以获得数据结构信息和完成映射在不同数据源之间的数据结构(14]。语义异构性比合成异质性相对更加复杂,因为通常会损坏人格之间存在的语义异构字段和数据内容层面需要立即处理。
2.2。数据处理
数据预处理的一个重要指导操作可以在流形状学习算法。从这些分析中,提出了一种数据预处理操作结合去噪操作和降噪操作流学习方法,即。、数据预处理操作的在线学习算法15,16]。位于当地一线性平面流形的结构。每个数据点在管汇结构邻居。
这个变换应是可逆的,映射的结果吗 ,也可以通过吗做逆变换 。 是翻译向量,然后呢投影后的空间维度,满足正交归一化条件,即
在当时, 和 ;否则, 。
逆变换公式。在实际操作中,由于噪声的影响数据或不同的转换方法,有错误和,如下所示:
在执行目标优化操作和 。具体公式如下:
在哪里错误的重量吗 。根据功能分解,最低的加权均方值是获得。是相邻点的加权协方差矩阵。然后,计算的最小均方值平移向量 :
上面的公式转换时,大小有关。样本点的重量反射点的可能性是嘈杂的数据。如果误差很大,这意味着可能是噪声点;否则,关键是不太可能的噪音。以下功能之间的关系满足重量和错误:
和定义如下:
把数据被分类成模糊分区组,发现集群中心每个模糊分区下,初始化一个会员 矩阵与一个随机数在[0,1],和任何元素在矩阵满足条件:
代表的程度加入集群中心并计算出每个集群中心 :
计算成本函数。如果成本函数小于某个阈值或成本函数的变化在两个迭代小于某个阈值,算法停止 ,和成本函数
更新会员矩阵 ,然后返回到步骤:
会员矩阵算法的输出 ,算法实现过程不需要人工干预。为了避免可能的错误判断这个方法,基于余弦相似度的夹角的余弦值点和集群中心用于重量欧几里得距离。但
在他们中间 , 代表样本的数量在一个集群中这是集群中心,代表所有采样点在集群的集群中心所在地。
在部件级数据融合阶段,即从结构化数据文件输入输出数据级数据融合阶段,有必要描述传感器数据以统一的方式,即。转换数据模型,为了便于特征提取和浏览器协会数据,同时与后续共享传感器数据融合过程(17,18]。多传感器数据融合模型如图2:
决策级数据融合阶段接受情况的报告级数据融合阶段。这些情况报告只是当前的某些方面的情况描述的场景。为了获得全局在当前场景,这些情境本体片段需要融合和融合。之后,局势本体全球局势当前场景的描述,然后,可以进行态势评估的帮助下全球局势本体描述。态势评估是一个更高层次的抽象的数据(19]。生成最终的决定将根据现状评估全球情况然后决定信息本体对全球局势的现状通过搜索本体的基础上,基于规则的本体推理(20.]。
2.3。在数据融合数据模型转换
多传感器特性数据融合阶段的主要任务是处理这个问题的信息表示和相关性(21]。级数据融合需要提取的属性信息融合的目标,但不同传感器的数据描述形式是不同的,所以很难从数据中提取属性不同的描述形式,这就需要一个统一的和标准化的描述这些数据。这是数据模型转换中执行的操作部件级数据融合阶段(22]。数据模型转换操作旨在屏蔽数据融合的障碍造成的差异数据描述形式,所以传感器数据可以共享和融合不同的融合阶段相同的表示形式(23]。
在多传感器数据融合的环境,需要处理在不同传感器数据融合的水平,和不同的数据表示和数据抽象级别需要设计相应的数据处理方法(24]。为了更好地实现多源异构数据融合,我们绘制了数据模型转换多源异构数据融合的流程图,如图3:
这个流程图显示,传感器在传感器的元数据层元数据捕获数据级融合层组织表示,在各种结构化数据文件在数据层面形成并存储在不同的媒体25]。当一些传感器数据需要处理在更高的层面,异构数据在不同的格式需要处理在数据层面形成结构化数据融合目标和上传到一个更高层次的数据处理。后级数据融合层接收结构化数据文件的融合目标输入的数据级融合层,为了实现融合目标的特征提取和异构数据的统一处理,这些异构数据需要描述一致(26]。
由于传感器容易受到各种外部环境的干扰,从传感器获得的数据可能是扭曲的,在这些数据上执行和错误登记操作在预处理阶段(27]。更高质量的数据预处理阶段后比原来的数据,对于数据聚类操作也方便。数据聚类分类和合成多个向量描述的相同属性的目标,使得传感器有一个统一的属性描述单个属性的目标,然后执行时空对齐操作这些属性描述。因为有些数据不是结构化的形式,很难建立一个有效的描述这些数据。为了使推理判断和决策时对多源异构数据融合相结合,解决方法是提取多源异构数据的语义级数据融合阶段,建立一个统一的数据描述(28]。
3所示。区域数字化建设实验和结论
3.1。区域数字化环境
本文首先构建一个云环境来验证机器学习算法。我们选择决策树在机器学习和人工神经网络的比较。根据实验室的现有设备和初步的科学研究工作,机器学习安全数据源选择的实验。实验设备参数如表所示1。
训练数据如表所示2。
数据量是降低数据源预处理后。在这个实验中,总共4 GB的数据用于预处理,和数据预处理的结果如图所示4。
之前和之后的数据的差异很大,我们可以看到从图4数据处理之前,最大值达到27个,但处理后的最大价值是22日Iptables处理后降低了约20%,在DNS中减少了约30%。
为了全面评估决策树和神经网络算法提出的理论,该方法是通过现有的经典数据验证和分析的来源,和比较。我们使用算法稳定性的评价指标;速度与准确率,错误,和失踪的速度。实现算法的增强效果包括两个阶段:数据预处理阶段和安全分析。验证指标确定的分类算法的结果。当输入样本类型是恶意和检测结果类型也是恶意,它被称为真阳性(TP)。恶意样本时,结果是正常的,它被称为假阴性(FN)。当样品是正常的,结果是正常的,它被称为真正的负面。其中,“1”是指一般情况下,和“0”意味着错误。测试结果如表所示3。
比较的影响决策树和神经网络,我们比较之间的差异训练集和测试集之间的错误报告率和错过的报告率。图5显示了训练集的比较结果,图6是测试组比较结果。
显然本文从这两个数据集的比较,提出了机器的整体性能和改善方法KNN-DST基于d - s证据理论是KNN-DST明显优于其他方法。更具体地说,在训练集,因为这种类型的数据是所有已知的数据,两者的区别算法的检测精度,误警率和消失率是不明显的。
3.2。区域数字化
在耗时比较不同模型,本文比较了预测所需的时间来处理事件的数量在不同的大小,与耗时比较结果在几秒钟内,如图7。
可以看出,预测模型处理不同的数量级,预测时间消耗总是低于传统的预测模型。的数据量为30000点,时间消耗开始快速增长。传统的模式已经增长最快的耗时处理体积小于5000时,和增长往往是稳定的,当数据量是5000年到30000年,再次,它生长迅速时处理数据水平超过30000人。与传统模型相比,基于决策树的异构数据匹配算法和人工神经网络在本文更准确和更少的耗时。
区域数字化建设,我们这个城市的一所学校为例,比较了数字比例在这方面的统计数据。具体结果见图8。
从图可以看出8数字化建设的区域,以我们学校为例,近年来并没有改变多少。教学模式和网络容量而言,这所学校的数字化建设是基本稳定在2左右,基本上不符合标准的数字化建设。高速网络技术跨越时间和空间的距离。老师可以教一门课程在自己方便的时间和地点、指导学生学习不受时间和地点的限制。因此,我们进行了数据融合的数字化转换学校,和转换后的数字建筑图所示9。
可以看出,分析异构数据融合后,学校的数字化建设已显示出增加的趋势。数字化建设的平均值是3.2,这是一个增加约1.2相比,在融合之前,和增长率约为60%。这表明有相当大的区域增加数字建设通过机器学习数据融合。为了比较数字建筑在不同地区的影响区域,我们比较之前和之后学校的管理集成,如图10。
从图可以看出10在学校管理数据融合之前,学校的教师和学生的管理水平处于低水平。在学习出现问题后,反馈时间较长,不能处理得很好。但数据融合处理后,学校的管理已经大大提高,平均价值已经从2.2增加到4.5,和学校的反馈的问题也可以及时处理。为了验证数据融合的有效性,我们选择10天计算不同方法的处理效率,结果如图所示11。
从图可以看出11之前和之后,学校事务处理的效率融合是显而易见的。在选定的时间,对比传统的决策树和神经网络方法和本文中选择是显而易见的。机器的两种算法在事务处理学校更有效。效率明显优于传统方法。当然,在管理中,我们不应该只看事务的决议,但也考虑个人感情。因此,我们进行了随机调查在学校比较满意度在不同的方法。结果如图所示12。
从图可以看出,有一个巨大的差异在满足不同的方法。传统的管理方法是粗鲁,没有技能,无法理解老师和学生的需求。因此,它仍然不满意的问题已经解决了。机下学校,经过数据融合分析,可很好地解决问题,可以提高人们的满意度。
4所示。讨论
4.1。数字化建设的影响
物联网的广泛应用,多源异构数据的融合技术已逐渐成为一个研究热点领域的数据处理。由于语法和语义异构多源异构数据的交互、共享、面临的障碍和融合推理之间的数据,数据中包含的值是很难被充分的利用。通过使用本体作为多传感器数据的描述模型,传感器数据可以描述一致,方便融合系统保留的原始语义在数据融合操作在不同的传感器数据融合的水平。混合推理提供了高质量的数据。
区域数字化建设能有效提高管理效率。这主要是由于新的管理模式。根据城市管理的实际情况,采用管理模式不同于其他城市,重建和城市管理协调机制是提高城市管理数字化平台监督中心。与指挥中心的建设,明确职责分工,强调了城市管理部门合作和协调的方法。它还可以确定领土管理的工作系统,有效地突破传统的城市管理模式,开发从金字塔层次结构来压扁。在与此同时,它可以提高城市管理工作的监督和管理,沟通和协调能力,达到一个优化模型来促进效率提高。
在数字城市的建设管理,充分利用现有的平台建设和信息资源,做好横向整合资源,做垂直整合,并连接其他市级平台的城市管理相关部门和下属区级部门的平台。它可以有效地避免重复建设,实现资源共享。在数字平台,新建高层配置和预留的接口是可以避免的,这可以避免无法扩大在以后的建设。它可以发现,通过整合资源的原始城市管理相关部门和配置新的数据资源在高级别上,市级部门之间的城市管理数字化系统和城市两级部门可以互联,资源共享,循序渐进。一致,如何提高处理能力和资源分配的城市管理数字化快速而有效的方法。
数字化加速高校信息化建设的过程中通过促进和深化信息生产。它会影响旧教学概念和带来改革教学方法。在传统的教育思想中,教师是教学的主要工具。在大多数情况下,他们被动地接受各种知识通过教师传授。然而,随着信息技术的发展,教育活动的主题将被改变。教师更多的司机,鼓励学生积极地通过数字平台和资源网络获取相关知识,注重自学。它支持学生的学习积极性。
4.2。启蒙运动的数字化建设
区域数字化建设,通过数字手段,快速收集城市管理中存在的问题,并收集到的数据进行专业分析。通过分析城市管理问题的原因由专业人士,可以不断优化。的过程管理提高服务质量,避免再次发生同样的问题或不足的处理一个问题很多次了。同时,它打开了处理过程,增加公众的热情参与,并创建一个氛围为政府,社会,在城市管理和公众的共同努力。
在推进数字化建设,有必要关注法律法规的宣传和推广,所以,公众可以开发一个更清晰的了解城市管理的相关要求,严格执法是下进行充分的宣传和培训,建立法律的威严,为城市管理以及运用法律武器,同时增加公众的法律意识对建立社会依照法治。每个部门有一个明确的职能分工和明确的责任。同时,各部门定期举行会议在使用数字通信手段加强与公众接触。发现不足,及时改进可以大大提高城市管理的效率,避免部门干涉。拒绝对方,部门和公众之间错误的认知,信息沟通不顺利。通过有效的沟通,可以提供更多的资源,以更好地提供城市管理服务。
5。结论
随着信息爆炸的数据从一个源数据丰富再也不能满足人们的需求,实时、准确性和可靠性。这需要从多源数据融合技术获得估计和决策数据,提高数据的可信度;本文使用异构数据聚合技术研究区域数字设计基于机器学习的方法,从实验的角度来看,取得了良好的效果。目前,证据理论的发展主要是有关机器学习的结构,和计算机复杂性是很少考虑。下一步应该是结合建设的快速算法,针对特定应用领域构建类似的快速算法,并结合相应的改进合成规则来提高融合效率的算法在实际的应用程序。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突与任何金融机构有关材料报告在这个手稿。
确认
这项工作得到了学校水平武汉东湖新大学青年基金项目(2019号dhsk006)。