基于深度學(xué)習(xí)算法的實時手機數(shù)據(jù)分類及其對智慧城市建設(shè)的影響研究

林伯鈞

摘? ?要：智慧城市建設(shè)已成為大數(shù)據(jù)時代城市發(fā)展的重要戰(zhàn)略目標。從技術(shù)方面來說，智慧城市是城市管理系統(tǒng)的整體，它能夠識別、分析和提取城市系統(tǒng)的信息并獲得反饋。與傳統(tǒng)的淺層陣列模型相比，深度學(xué)習(xí)模型中的多個層的網(wǎng)絡(luò)結(jié)構(gòu)可以更有效地反映復(fù)雜的特征，因此應(yīng)用深度學(xué)習(xí)可以更有效地提高數(shù)據(jù)分類的準確性。本文基于深度學(xué)習(xí)算法，對實時手機數(shù)據(jù)分類及其對智慧城市建設(shè)的影響加以研究。

關(guān)鍵詞：深度學(xué)習(xí)? 手機數(shù)據(jù)? 智慧城市

中圖分類號：TP311.1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）10（a）-0240-02

隨著科技的進步，城市建設(shè)在智慧型城市中不斷發(fā)展。早在2008年，IBM就引入了“智慧地球”的概念，提出城市由6個系統(tǒng)組成，其中包括人、環(huán)境和基礎(chǔ)設(shè)施，這些系統(tǒng)彼此密切相連，因此是最大的城市體系[1]。以數(shù)字化和自動化為基礎(chǔ)的智慧城市不僅能夠解決當今世界面臨的問題，而且還可以實現(xiàn)長期和有效的可持續(xù)發(fā)展。智慧城市是一個城市管理系統(tǒng)，負責(zé)對城市系統(tǒng)的數(shù)據(jù)收集、分析和提煉，并提供有關(guān)城市系統(tǒng)的信息，這些系統(tǒng)的原始視頻數(shù)據(jù)是城市系統(tǒng)信息的重要組成部分[2]。本文基于深度學(xué)習(xí)算法就實時手機數(shù)據(jù)分類及其對智慧城市建設(shè)的影響加以研究。

1? 深度學(xué)習(xí)的原理概述

深度學(xué)習(xí)是一種基于基本結(jié)構(gòu)化模型的機器學(xué)習(xí)，一般協(xié)議模式至少包含三層隱蔽的層。作為重要的數(shù)學(xué)工具，神經(jīng)網(wǎng)絡(luò)在人工智能機器的學(xué)習(xí)領(lǐng)域廣泛使用[3]。第一代神經(jīng)網(wǎng)絡(luò)的特點是它的特征是提前人工輸入的，它是基于模式識別時的特征分量。它的局限性在于對具體任務(wù)的處理效果不佳（見圖1）。作為一個單一的網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，通過多層次的培訓(xùn)，對基本網(wǎng)絡(luò)進行了培訓(xùn)，并通過自動編碼證明了這種方法的有效性，從而形成了深入學(xué)習(xí)的概念和方法。在多個級別上構(gòu)建網(wǎng)絡(luò)可通過設(shè)置較少的設(shè)置來解決復(fù)雜的功能問題。深度學(xué)習(xí)更突出特征學(xué)習(xí)的重要性，在維度變化的同時不改變數(shù)據(jù)的原始信息，從而使學(xué)習(xí)得到的數(shù)據(jù)更易于處理和應(yīng)用。

物理學(xué)家約翰·霍普菲爾德于1982年介紹了一種新的神經(jīng)網(wǎng)絡(luò)模型，稱為霍普菲爾德模型，并首次提出了能量的定義。該模型具有較強的容錯性能，并能夠從不完整或失真的數(shù)據(jù)圖像中重構(gòu)出完整的數(shù)據(jù)圖像[4]。除了能看見輸入和最后層的輸出以外，深度學(xué)習(xí)的其他各層被隱藏，其中包含了多少信息，或者包含了怎樣的信息，解析是很困難的。在無類標簽輸入數(shù)據(jù)的情況下，自動編碼器設(shè)置了編碼器和解碼器兩個主要部件。編碼器用于將輸入的高維數(shù)據(jù)壓縮為低維數(shù)據(jù)，解碼器用于將低維數(shù)據(jù)恢復(fù)到原始維數(shù)。但是，為了使培訓(xùn)深度網(wǎng)絡(luò)發(fā)揮作用，有必要澄清每個隱藏層的信息表格，并確定其與已知數(shù)量之間的關(guān)系。從輸出層起，采樣的“錯誤”將傳播到“輸入”層，并且網(wǎng)絡(luò)的權(quán)重在傳播過程中不斷進行調(diào)整，以提高示例中神經(jīng)網(wǎng)絡(luò)的可能性。同時，抑制層可增強網(wǎng)絡(luò)的表現(xiàn)能力，但其引入增加了網(wǎng)絡(luò)的復(fù)雜性。相較于傳統(tǒng)的第二代神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)算法克服學(xué)習(xí)效率瓶頸的主要方法就是將多層模型當成多個RBM或者與此相仿的單元模型的堆疊，然后通過對這些RBM逐層學(xué)習(xí)達到訓(xùn)練多層模型的目的。底層以已知的數(shù)據(jù)作為輸入，生成的數(shù)據(jù)作為輸出，上層和下層作為輸入，生成的數(shù)據(jù)作為上輸出。計算結(jié)果認為，所有抽樣點可以成為可能的集群中心，然后估計數(shù)據(jù)的吸引力和歸屬是確定該點是否可以成為集群中心的基礎(chǔ)。因此，進一步研究RBM模式是深度學(xué)習(xí)的重要內(nèi)容，具有重要的現(xiàn)實意義。

2? 基于深度學(xué)習(xí)算法的實時手機網(wǎng)絡(luò)數(shù)據(jù)分類

研究中使用的數(shù)據(jù)以移動電話網(wǎng)絡(luò)的數(shù)據(jù)為基礎(chǔ)，該網(wǎng)絡(luò)從無線移動通信網(wǎng)絡(luò)中收集匿名移動電話用戶的信號，其中包括匿名移動電話用戶的出現(xiàn)時間、信號生成時的服務(wù)工作站ID。由于單個類別中的數(shù)據(jù)分布不平衡，只能通過對一個類別的培訓(xùn)進行分類。而當訓(xùn)練數(shù)據(jù)集過大的時候，其數(shù)據(jù)分布較為分散，不同區(qū)域的數(shù)據(jù)密度差別很大，數(shù)據(jù)分布在一個單一領(lǐng)域，其決策邊界不一定是一致的，從而降低了分類的效率。高頻樣本匹配算法大多是局部匹配，一小部分對應(yīng)全局匹配。局部匹配是一種增量模式，當一個點匹配成功后才會匹配下一個點，相比全局匹配，局部匹配算法較為簡單，運算速度快的特點，能滿足實時性需求[4]。基于移動通信網(wǎng)絡(luò)的信息，分析手機用戶在移動通信網(wǎng)絡(luò)中的數(shù)據(jù)聚類情況。使用訓(xùn)練樣本，雖然可以更新連接的重量，顯示層和隱含的滯后，卻大大增加了計算。用少量數(shù)據(jù)的幾十個或數(shù)百個樣本提前進行計算，可以提高計算效率。

3? 基于深度學(xué)習(xí)算法的智慧城市建設(shè)

智慧城市技術(shù)體系中最核心的部分主要包括物聯(lián)網(wǎng)技術(shù)和云計算技術(shù)。這兩種技術(shù)的產(chǎn)生和發(fā)展在城市建設(shè)信息化中發(fā)揮了關(guān)鍵作用[5]。在建造智慧城市時，有數(shù)千個監(jiān)測攝像機或傳感器監(jiān)測或永久收集未加工的其他數(shù)據(jù)。這一過程與從眼鏡、耳朵等感知系統(tǒng)圖像的人們相似，這使人們印象深刻的是，在腦部中不同類型的信息的印象是自動產(chǎn)生的。通過誤差控制因素來控制學(xué)習(xí)率變化式中誤差增加的影響力，并導(dǎo)入慣性因素，在算法的前一階段使用較大的慣性權(quán)重，具有較強的數(shù)據(jù)分析能力，在后期使用較小的權(quán)重，具有非常好的局部發(fā)掘能力。鑒于上述方法的獨立性，傳統(tǒng)的機器學(xué)習(xí)方法要求在處理問題時優(yōu)化各個組成部分，并選擇優(yōu)化方法的最佳組合。

在智慧城市建設(shè)中，深度學(xué)習(xí)技術(shù)改變了傳統(tǒng)算法，以方便地檢索結(jié)構(gòu)化信息。此外，對車輛信息的提取、面部識別等方面的改進。特別是在獲取車輛信息和面部識別方面取得了進展。但是，實際上，數(shù)據(jù)的信息并不是完全丟失的，所以只要輸入值與輸出值之間的差別控制在一定范圍內(nèi)即可。通過反復(fù)迭代直至收斂來求得受限玻爾茲曼機的模型分布參數(shù)，同時設(shè)置收斂閾值和終止閾值來確定算法的終止條件。借助云計算和其他信息技術(shù)，可以對所獲得的信息進行排序、分析和處理，并最終使用處理結(jié)果來管理和控制先前確定的內(nèi)容。對于城市管理機構(gòu)來說，這將大大提高管理效率和共同管理能力。

4? 結(jié)語

我國智慧城市的建設(shè)還處于初期階段，完整的發(fā)展體系和發(fā)展模式尚未形成。在本文中，基于深度學(xué)習(xí)算法，對不同地點的群體流動特征進行了分析，建立了實時手機數(shù)據(jù)分類的時空模型。使用深的學(xué)習(xí)技術(shù)，目標可以通過分類直接確定，并可直接獲得目標類別。在這種模式下，目標檢測精度和跟蹤穩(wěn)定性可以大大提高。建立個性化、多元化和智慧型城市建設(shè)體系。必須繼續(xù)加強城市創(chuàng)新精神，以提高城市科學(xué)和技術(shù)的創(chuàng)新水平，從而加快在我國建設(shè)智慧城市的進程。

參考文獻

[1] 馬永軍，薛永浩，劉洋，等.一種基于深度學(xué)習(xí)模型的數(shù)據(jù)融合處理算法[J].天津科技大學(xué)學(xué)報，2017（4）：71-74，78.

[2] 王鑫，李可，徐明君，等.改進的基于深度學(xué)習(xí)的遙感圖像分類算法[J].計算機應(yīng)用，2019，39（2）：78-83.

[3] 沈振江，李苗裔，林心怡，等.日本智慧城市建設(shè)案例與經(jīng)驗[J].規(guī)劃師，2017（5）：26-32.

[4] 房勇，王廣振.智慧城市建設(shè)：中外模式比較與文化產(chǎn)業(yè)創(chuàng)生邏輯[J].河南師范大學(xué)學(xué)報：哲學(xué)社會科學(xué)版， 2017（6）：60-65.