文摘

基于这项研究是基于无监督学习的企业空间结构演化和经济耦合协调关系态势评估方法。模式识别具有高精度的特征,但它是必要的训练评估模型为企业提前空间结构演化,然后进行经济耦合协调基于训练模型。结论如下:(1)通过RC1, RC2, RC3, RC4, RC5,将评价指标来评估情况评价方法基于无监督学习的企业空间结构的演变和经济耦合协调关系,发现主要成分特征作为一个整体符合标准。最优RC将是:利润=−0.0885,最高=−0.0809,最低=−0.0932,WR.WR2 = 0.0038, MA.MA3 =−0.0782, MTM.MTM =−0.0427, OSC.OSC =−0.0355, ROC.MAROC = 0.0105, SKDJ.D =−0.0268, BIAS-QL.BIAS =−0.01, WIDTH.WIDTH = 0.2408, CYD.CYDN =−0.0961, FSL.SWL =−0.0868 adtm.adtm =−0.0379, ATR.ATR =−0.0278, DMA.DIFMA =−0.0358, DMI.ADX = 0.8516, DMI.ADXR = 0.854, EMV.EMV =−0.0942, VMACD.DIF = 0.3312, UOS.MAUOS =−0.0846.2。基于深度学习模型的耦合协调关系企业的空间结构的演化,时间矩阵比较实验分为直接+自我定向,无向+自我,无向时间的比较。实验结果对指导+自我是最好的;各种指标,向上提升10%以上:CP = 0.8611, CR = 0.9353, C-F1 = 0.8967, EP = 0.8865, = 0.857, E-F1 = 0.917, OP = 0.856, = 0.9845, O-F1 = 0.99.3。时间成本、利润和交易量数据收集公司的一段时间,并进行仿真实验得到一个小的预测结果和实际数据之间的区别。1月的数据是最接近真实价值:成本= 30.78,利润= 30.11,最高= 30.1,= 29.7,最低WR.WR1 = 81.21, WR.WR2 = 45.62, AMV.AMV2 = 32.67, AMV.AMV3 = 34.95, MCST。MCST = 36.08.4。 In the model score, the best performance of LSTM data is CP = 0.3829, CR = 0.3664, C–F1 = 0.3744, EP = 0.3726, ER = 0.3004, E–F1 = 0.3326, OP = 0.9155, OR = 0.9316, and O–F1 = 0.9234, which is better than the BiLSTM model with CP = 0.3648, CR = 0.3319, C–F1 = 0.3392, EP = 0.4402, ER = 0.391, E–F1 = 0.4145, OP = 0.9215, OR = 0.9318, and O–F1 = 0.9266.

1。介绍

深度学习(DL)网络,也被称为深层神经网络,由人工神经网络,模拟人类大脑学习和感知外部世界,神经元,其核心是机器学习研究的新领域。深度学习和肤浅的学习方法模拟人类大脑感知外面的世界。两者的区别是,深度学习模式可以将高维复杂特性数据转换为更高层次和更深入的和简单的线性和非线性网络结构。抽象的表示是用来进行深如深self-encoding网络学习算法。具有良好的表征能力对于高维复杂深self-encoding网络(1- - - - - -3]。深self-encoding网络可以在处理大规模有突出优势,非线性和多维数据。封闭的复发性单元神经网络的深层神经网络数据安全形势评估的功能,适用于处理深层神经网络时间序列数据。生成对抗网络(GAN)有良好的效果在智能机器人领域的数据生成无线连接。基于深度学习,一个自适应特性的定量评价方法智能机器人集群基于卷积神经网络(CNN)在无线连接出现了。该方法结合的耦合协调关系企业空间结构的演变与CNN的特点和实现全面定量评价神经网络通过自适应深深self-encoding在线学习等功能。人工智能研究人员使用神经网络作为一种非线性的方式来表达复杂的问题。近年来,他们一直在生物领域的应用理论和人工智能。研究神经元感知器(受到了人们的广泛关注4- - - - - -6]。深是由神经网络和神经网络优于传统神经元感知器网络。人工智能研究使用深层神经网络将是一个非常有前途的研究方向。人工智能研究人员设计人工神经网络中的神经元单位在深self-encoding网络,也被称为高维复杂深self-encoding网络感知器,接收的信息输入高维复杂网络和时间序列数据处理后输出结果。因为人体的感知外部世界通过互连实现深autoencoding由数以百计的神经元网络,人工神经网络感知器设计高维复杂的深autoencoding网络互相连接它们。根据高维复杂深self-encoding网络信号处理流程,它分为输入层数据安全,时间序列隐藏层和self-encoding网络输出层。感知器层,最初的感觉传入的信号称为输入层(5- - - - - -9]。感知器层处理内部信号和内部继续输出信号被称为隐藏层,负责最终的输出的信号之间的关系企业的空间结构的演变和经济耦合称为输出层。深层神经网络作为人工神经网络的扩展向量机和特性引力搜索算法,搜索在其基础上增加了更多的向量机功能。数据安全输入层的神经元,时间序列隐藏层和输出层的self-encoding网络完全连接。随着self-encoding网络的输出层数量的增加,深输出神经网络具有较强的学习能力。为了解决深self-encoding网络的参数选择问题和高维复杂深self-encoding网络机器学习技术,支持向量机和特性引力搜索算法(GSA)可以基于参数优化相结合,所以神经网络安全态势评估系统具有更好的全局优化功能。网络空间的方法基于一种改进的特征引力搜索算法可以优化使用高维复杂深self-encoding网络学习策略和模拟方法,大大提高了特征引力搜索算法的准确性和计算效率的网络空间的方法。优化的神经网络方法的网络空间方法特性引力搜索算法可以用来执行一个神经网络的自适应机制通过布谷鸟神经网络算法训练效率。本文方法的顺序介绍了数据处理基于共轭梯度(10- - - - - -13]。

与机器学习技术的发展,模式识别方法如深autoencoding网络,高维复杂深autoencoding网络、数据安全形势评估函数和时间序列数据向量机也被广泛用于协调企业空间结构和经济发展的耦合。基于深度的特点autoencoder (DAE)和深层神经网络(款)14,15)方法分析企业空间结构的演化之间的关系和经济耦合,提出了提高精度的确定企业的空间结构的演变和灵活性之间的关系和协调经济耦合。传统的分层模型的基础上,进行无监督学习通过使用神经元感知通过突触信号数据,结合变分autoencoder (VAE)来处理新的输出信号。最后,评估方法的情况之间的协调关系企业的空间结构的演变和经济耦合形成基于无监督学习。基于无监督模式识别上优于企业空间结构演化和经济耦合协调关系态势评估方法具有高精度的特点,但有必要训练评估模型为企业提前空间结构演化,然后进行经济耦合协调基于训练模型。

2。企业空间结构的演变和经济发展

2.1。深度学习模型

深度学习模型是一个网络模型的基础上进一步发展深层神经网络。它可以极大地减少通过重量共享参数的数量。同时,卷积神经网络可以处理多维输入数据的企业空间结构的演变和经济耦合协调关系和保留。原始输入数据的本地空间信息深self-encoding网络的机器学习技术已经取得了长足进步,及其特征提取能力也得到很大的提高。它主要用于处理企业空间结构演化和经济耦合识别。节点之间的各种卷积神经层深度学习模型的相互连接使它有记忆功能的网络模型。它可以获得的隐层状态空间结构演化,然后计算隐层的输出在当前时间根据输入层的输出当前时间。它解决的问题完全连接深层神经网络不能模型时间序列数据。它主要用于处理企业空间结构的演变和经济耦合的识别。深度学习模型如图1(16- - - - - -18]。

2.2。耦合协调关系企业空间结构演变的基础上,深度学习模型

深度学习基于模型的企业空间结构演化耦合协调关系模型包括公司结构过滤算法,以及深度学习资源推荐模型和资源显示算法。因此,有必要设计所需的算法模型的耦合协调关系企业发展的空间结构,同时,通过实验,调整深度学习模型的参数由不同公司设计,选择更好的参数,最后通过协调关系企业空间结构的演变。真正的数据集是与经典算法来验证设计的算法的可行性和合理性。耦合模型和协调关系企业发展的空间结构包括数据层、评价层、知识层,如图2。空间结构的演变的一个企业不能没有的支持大数据的耦合和协调发展的关系,和大数据不能没有深度学习模型技术。因此,数据处理技术扮演着重要的角色在资源的建议和资源显示算法。数据集通常需要预处理[19]。尤其是对企业空间结构领域的数据集,预处理数据集可以过滤掉杂质信息的沉默结构演变的企业在一定程度上。

2.3。数据处理技术

数据处理是指企业的空间结构的演化,耦合和协调关系数据采集、数据清洗、数据处理和数据可视化。数据处理是将公司的意义混乱的数据源处理成信息用于深度学习资源推荐和资源显示算法模型。滤波算法删除离群值数据和重复数据和规范和标准化数据,这样我们可以存储,搜索、分析和重用的异常数据和重复数据。数据处理技术是深度学习技术来实现数据处理的自动化。代替手工作业,它可以相对容易企业空间结构的演变过程,耦合和协调关系数据,有效地节省数据处理的成本和时间。为大型企业空间结构演化,耦合和协调关系数据处理非常复杂,手工,很难完成它。因此,需要相应的工具或技术手段来完成数据处理任务。

3所示。深度学习模型的应用在企业经济发展

3.1。LSTM [20.- - - - - -22]

深度学习模型定义如下:

参数的数量定义如下:

3.1.1。分析企业空间结构的演变之间的协调关系和经济耦合

输入数据定义如下:

3.2。BiLSTM [23]

机器学习技术的定义如下:

深autoencoding网络定义如下:

企业空间结构演化的定义如下:

3.3。政府通讯(15,24- - - - - -26]

3.3.1。分析企业经济耦合协调关系

3.3.2。企业空间结构的演变的基础上,深度学习模型

财务分析的定义如下:

4所示。仿真实验

4.1。主成分特征分析

RC1, RC2 RC3, RC4、RC5和将被用来评估情况评价方法基于无监督学习的空间结构演变的企业和经济耦合协调关系,并发现主要成分特征作为一个整体符合标准。最优RC将是:利润=−0.0885,最高=−0.0809,最低=−0.0932,WR.WR2 = 0.0038, MA.MA3 =−0.0782, MTM.MTM =−0.0427, OSC.OSC =−0.0355, ROC.MAROC = 0.0105, SKDJ.D =−0.0268, BIAS-QL.BIAS =−0.01, WIDTH.WIDTH = 0.2408, CYD.CYDN =−0.0961, FSL.SWL =−0.0868, ADTM.ADTM =−0.0379, ATR.ATR =−0.0278, DMA.DIFMA =−0.0358, DMI.ADX = 0.8516, DMI.ADXR = 0.854, EMV.EMV =−0.0942, VMACD.DIF = 0.3312,和UOS.MAUOS =−0.0846,如表所示1和图3。

4.2。评价指标的耦合协调关系企业的发展空间结构的基础上,深度学习模型

基于深度学习模型和协调企业空间结构演化的耦合关系模型,包括主成分评价指标的算法。有必要设计企业的主成分评价指标空间结构演化模型和耦合协调关系,与此同时,通过实验,设计不同的公司的主要组件。评价指标调整,最后主成分评价指标是通过耦合协调关系企业的发展的空间结构。指标CP、CR、C-F1, EP,呃,E-F1, OP,或者,O-F1,资金。资金,资金。MAPCNT AMO。AMO2 VRSI。RSI3, lamv。AMV2, lamv。AMV3, MCST。MCST用于评估模型。发现,在耦合协调关系企业空间结构演变的基础上,深度学习模型,当RC = 6,指标最优:CP =−0.0184, CR =−0.0933, C-F1 =−0.3346 EP =−0.0051,呃= 0.1221,E-F1 = 0.0195, OP =−0.5153 = 0.1523, O-F1 =−0.113, PCNT.PCNT =−0.0023, PCNT.MAPCNT =−0.018, AMO.AMO2 =−0.022, VRSI.RSI3 = 0.2018, AMV.AMV2 =−0.076, AMV.AMV3 =−0.0543, MCST.MCST = 0.0148,如表所示2和图4。

4.3。时间矩阵比较实验

基于深度学习模型的企业空间结构演化的耦合协调关系模型、时间矩阵比较实验分为直接+自我定向,无向+自我,无向时间的比较。实验结果对指导+自我是最有效的。指标提高了超过10%:CP = 0.8611, CR = 0.9353, C-F1 = 0.8967, EP = 0.8865, = 0.857, E-F1 = 0.917, OP = 0.856, = 0.9845, O-F1 = 0.99,如表所示3和图5。

4.4。仿真实验在不同的公司

时间成本、利润和交易量数据收集公司的一段时间,并进行仿真实验得到一个小的预测结果和实际数据之间的区别。1月的数据是最接近真实价值:成本= 30.78,利润= 30.11,最高= 30.1,= 29.7,最低WR.WR1 = 81.21, WR.WR2 = 45.62, AMV.AMV2 = 32.67, AMV.AMV3 = 34.95, MCST。MCST = 36.08,如表所示4和图6。

然后,比较不同模型预测公司的经济发展。LSTM模型中,一个公司=−1.03,B公司=−0.9,公司=−0.95 C, D公司=−0.94 E公司=−0.96,F公司=−0.68 G公司=−0.67 H公司=−0.59,我公司=−0.49 J公司=−0.56。LSTM模型得到最优模型,如表所示5和图7。

4.5。得分的不同模型

评分标准包括精度(P),回忆起(R), F1评分实验结果。LSTM最好的性能数据是CP = 0.3829, CR = 0.3664, C-F1 = 0.3744, EP = 0.3726, = 0.3004, E-F1 = 0.3326, OP = 0.9155, = 0.9316, O-F1 = 0.9234,这是比BiLSTM模型与CP = 0.3648, CR = 0.3319, C-F1 = 0.3392, EP = 0.4402, = 0.391, E-F1 = 0.4145, OP = 0.9215, = 0.9318, O-F1 = 0.9266,如表所示6和7和图8。

LSTM的主成分特征分析,指标符合标准,所有数据和累积的最佳性能比0.3 RC1 =, RC2 = 0.54 RC3 = 0.71, RC4 = 0.85, RC5 = 0.92,将= 1。

5。结论

基于这项研究是基于无监督学习的企业空间结构演化和经济耦合协调关系态势评估方法。模式识别具有高精度的特征,但它是必要的训练评估模型为企业提前空间结构演化,然后进行经济耦合协调基于训练模型。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作是由中国教育部的重点工程14日五年计划的全国教育科学规划(DIA210365):研究空间结构之间的互动关系的当地企业和地方高校的人才供应从城市的角度转换。