文摘
诚实是指公平、正义和公共权力在社会生活的责任。为了提高在社会公共权力的信任,有必要分析社会信用指标体系。为了达到准确评估的社会信誉,本文使用大数据挖掘和人工智能分析方法构建公共权力的社会信誉评价指标体系。首先,本文分析了公共权力的社会信誉指数的分布结构模型,分析了经验模态分解和因子分析公共权力的社会信誉评价数据序列特征分布模型在社会信誉。其次,本文构建了公共权力社会信用评价和人工智能数据序列模型。利用高阶累积量特征作为约束经营者,准确评价和一致估计的社会公共权力的可信度指标体系可以实现。灰色模型是用来预测公共权力的社会信誉和评价模型的实现优化设计公共权力的社会信誉。仿真结果表明,该模型具有较高的准确性,更好的误差收敛性和客观性在设计指标体系的社会声誉。
1。介绍
信誉,是指公众信任的力量。在现实中,它指的是信任那些公共权力在社会生活,如公平、正义、效率、人道、民主、和责任。信任是信誉的核心(1,2]。社会组织不可或缺的品质,行业,部门,政府机构,是生存的基础和地位。信誉作为一种无形资产是长期的发展,逐渐形成反映不可替代的权威(3]。然而,当前的权威的可信度,例如司法部门,它象征着公平和正义,是在一些地方权力的一个联盟。面对权力和金钱,一些法官可以把黑色和白色的,弯曲的法律自私的目的,厚颜无耻地使虚假和错误的情况下4]。即使是最权威的工商部门和公证人不断质疑。在一些地方,贸易和工业部门可以公开对假冒伪劣产品的适任证书的问题,使他们在市场上受欢迎。甚至有些公证人公证生者死(5]。近年来,由于越来越多的争议,造成不公平公证的公证部门一次又一次去了码头。这样一个仰赖信贷行业不再是可信的,还有什么可以信任吗?这些事件的发生真的暴露了行业的公信力丧失,引起人们关注社会诚信6]。有必要研究可信指数评价体系来提高部门的信誉,促进行政部门的发展。
最近,小康社会研究中心进行了一项调查的各种社会团体的诚实。结果表明,49岁的社会团体,包括最诚实的农民、士兵和学生。相信政府正在直线下降(7]。许多受访者表示他们不再相信当局公布的各种社会调查数据,说全部或大部分的数据是错误的。为了促进社会公信力的建设,我们需要研究一种有效的信用评价指标体系(8]。明确工作责任和功能定位的公共权力的社会信誉,确保公共权力的社会公信力的协调工作,使组织的各部门的作用能够充分发挥,公共权力的社会公信力的评价是基于大数据的分析和人工智能,它可以以公共权力的社会信誉为信息传输和交互的平台9]。
社会公信力的指标体系是由使用大数据分析方法,和实现社会公信力的评价数据预测和评估的方法。提出社会信誉索引结构和基于人工智能模型,评价体系,它使用大数据挖掘和人工智能分析方法构建社会信用评价指标体系的公共权力10]。分析结构模型分布公共权力的社会信誉指数,分析了经验模态分解和因子分析的社会信誉评价数据系列公共权力的社会公信力的分布模型分布特征。公共权力的社会公信力的数据序列模型评估和分析人工智能的构造(11]。大数据挖掘和人工智能分析用于提取的特征性能量化序列,和高阶累积量特征用作postconvergence算子。实现准确的评估和一致性估计的社会公共权力(可信度指标体系12]。灰色模型用于预测公共权力的社会信誉,和优化设计公共权力的社会公信力评价模型实现。最后,通过仿真实验进行性能测试,显示了该方法的性能优越在改善社会信用评估的准确性。
2。数据分析和预处理的社会信誉评价模型
2.1。定量评价数据的分析公共权力的社会信誉
为了实现准确评估公共权力的社会信誉,公共权力的社会公信力的定量评价是由使用统计特征序列分析方法(12]。的数据传输结构模型构建公共权力的社会信誉定量评价统计特征序列;定量评价的社会信誉的公共权力统计特性的数学演化模型可以构造序列根据历史评价等定量特征数据公共权力的社会信誉(13]。
基于上述分析,人工智能分析流的社会信誉指数评价体系设计本文图所示1。
管理分析是进行公共权力的演化对象结构的社会信誉。社会信誉评价的本体模型,和传动结构模型的统计特征的定量评价序列所表达的社会信誉的公共权力指示标签图 。其中,两组本体片段集 和边集 社会信誉评价, 是两个本体模型的映射函数的社会信誉评价作为输入。根据两个指数的相关集的映射系统的社会信誉评价,特征提取是进行自适应学习方法(14]。目前,模糊度和密实度指数评估是公共权力的社会信誉 ,和定量的公共权力评价指标满足约束函数(15,16]:
根据上面的描述,定量评价的社会信誉获得公共权力(17]。指示标志图结构分析的结果序列数据的统计特性,和公共权力的社会信誉指数计算语义本体特征的信息流动的公共电力系统(18,19]:
在这,是一个有向标记图结构窗口特性的函数尺寸和几何不变量的统计特征序列的公共权力的社会信誉计算(20.]。干扰向量模型上的数据对象结构的社会信誉评价公共权力表示如下(5,21]:
定量评价的相关功能的社会信誉系列数据挖掘统计特性是公共权力的构造:
公共权力的社会公信力的指标体系可以被视为一系列非线性统计特征,和公共权力的社会公信力的趋势分析了非线性序列统计特征分析的方法(7]。基于统计分析的社会信誉的公共权力,拟合状态模型,描述了公共权力的社会信誉用多元统计特征方程得到如下:
在这, 和 ,自回归统计特征参数代表公共权力的社会信誉,由分解得到的解向量的协方差矩阵的统计方程,和得到的主成分统计特征信息(8]。在特征空间的分布、社会信誉的熵分布特征信息的公共权力的社会信誉是通过离散和分析处理的数据(9]:
上述分析的基础上,定量评价数据的收集的社会信誉的公共权力和实现分布式结构的重组,它提供了一个准确的数据输入依据社会信誉评价和预测(10]。
2.2。社会功能分解和评价数据的预处理
在社会信誉特征分布模型,公共权力的社会信誉评价数据序列是由经验模态分解和特征分解,分解和社会信誉评价数据序列模型和人工智能分析,和公共权力的社会信誉系统分布作为一个二阶系统(11]。使用随机分析模型,我们得到公众信誉测试数据序列公共权力。辅助空间的表达测试累积是
在这,代表公共权力的社会公信力的数据元素的信息 , 表明抽样统计延迟公共权力的社会信誉,SD表明预测公共权力的社会信誉,和代表的平均值 :
连续公共权力社会信誉评价数据系列,每一个空间解决方案向量的社会信誉的公共权力训练子集 ,统计特性分析,区域共同使用微分方程描述,社会信誉和经验模态分解过程的共同力量表示如下(12]:
而 ,公共权力的社会信誉信息向量满足收敛条件约束函数的微分方程,和约束特征分解公式的社会信誉得到如下:
基于因子分析的公共权力的社会信誉,得到了关联规则的特点如下:
在这, 的向量场是公共权力的社会信誉评价的数据序列全局渐进稳定的条件下,然后呢 是社会公信力的描述性统计特征值12]。
3所示。指数组成和评价模型优化的社会信誉
大数据挖掘和人工智能分析是用来提取特征的社会信誉量化系列(22]。time-dimensional定量评价介绍了公共权力的社会信誉。使用 计算公共权力的社会信誉,特征值和特征向量的统计特性系列评估,和 是选择分解为一个分数傅里叶变换,和共同的价值是通过人工智能分析方法(23]。定量评价的社会公信力的共同权力序列的统计特性(24]:
的间隔长度统计特征序列的无量纲量,等于 ,两个间隔规范化 。采用人工智能分析方法计算社会信誉指数的统计特征序列在一个随机变量,它包括以下步骤(25]:
一组正交线性调频基地用于扩大社会信誉指数的空间特征函数,和数据包络的特点获得社会信誉指数(26]:
积分项上表达= (27]:
定量评价的社会信誉的公共权力第二特征函数的二阶导数 支持地区 的转换函数可以表示为28]:
重建社会可信度量化序列的公共权力,任何点表示为进化的社会信誉 ,和最近邻的高维灰色模型表示为公共权力的社会信誉 ,使用大量[22]。根据开采和人工智能分析方法,性能量化序列的特征提取,和高阶累积量特征用作postconvergence运营商实现准确评价和一致性评估指标体系的公共权力的社会信誉。最后,根据模型和优化社会信用指数。
4所示。仿真实验和结果分析
为了测试该算法的实际应用性能的分析和评价公共权力的社会信誉指数,进行仿真实验。实验采用MATLAB仿真工具分析数据和公共权利。
社会公信力的测试样本集的力量来自国家统计部门。数据收集的时间从2017年4月30日到2018年6月5日,人工智能分析的重量是0.23,相关系数为1.24,和社会信誉指数评估。迭代的数量是10000。根据上面的仿真参数,社会信誉评价。在仿真实验中,数据采样的结果图2作为研究对象,实现信用指数的研究和评估。置信水平比较结果的可信度评估数据所示3和4。
通过以上实验结果,它可以观察到,与迭代步骤的数目的增加,社会信誉评价的误差降低,摘要和公共权力的预测误差小于传统方法,和公共权力的社会信誉是低于传统方法。数据和信息的聚类和融合提高预测的准确性,促进社会职能部门的改革和升级,并提高公众信誉。
5。结论
为了实现准确评估的社会信誉,社会信誉指数结构和评价系统提出了基于人工智能模型。大数据挖掘和人工智能分析方法用于构建社会公共权力的信誉评价指标体系。分析结构模型分布公共权力的社会信誉指数,分析了经验模态分解和因子分析的社会信誉评价数据系列公共权力的社会公信力的分布模型分布特征。构建公共权力的社会公信力的数据序列模型评价和人工智能的分析。
大数据挖掘和人工智能分析用于提取的特征性能量化序列。高阶累积量特征作为约束算子实现公共权力的准确评价和一致性评估指标体系的社会信誉。灰色模型用于预测公共权力的社会信誉,和优化设计公共权力的社会公信力评价模型实现。仿真结果表明,该模型具有较高的准确性,更好的误差收敛性和客观性指标体系设计的社会信誉。该方法具有良好的社会信誉评价和指数分析中应用价值。
数据可用性
所有的实验数据都可以由通讯作者联系。
的利益冲突
作者宣称没有利益冲突有关的出版。