計算智能研究現狀與分析

摘要：隨著計算機技術高速發展，各個行業的數據量大幅度增長，大數據技術的合理應用受到了越來越多的關注。以此為基礎，針對大數據潛在價值進行充分挖掘十分重要，所以，需要首先明確大數據技術的應用現狀，探究其中的計算智能方法以及相應的實際應用情況，最后再針對計算智能的進一步發展進行闡述，以能夠為大數據在電子數據檢驗中應用價值的持續提升提供基礎。所以對計算智能在電子數據檢驗中的應用情況進行分析，以供參考。

關鍵詞：大數據；計算智能；電子數據檢驗；現狀；展望

一、前言

在人工智能技術持續發展的狀態之下，計算智能的誕生可謂大勢所趨，對計算智能進行應用的目的，則在于有效解決傳統邏輯程序難以處理的諸多復雜問題，且計算智能的運行不必創建數學模型，也不需構建相應的知識體系，僅應用大量數據即可針對各項輸入信息開展分析和處理工作，應用價值和探究價值較高。根據相關研究結果，計算智能之中存在的各項特點，與大數據技術的分析工作具有一定的相似之處，且將計算智能應用于大數據之中，可更加高效地落實圖像處理、知識獲取以及智能控制等多項工作，由此可見，針對計算智能在電子數據檢驗工作中進行研究和分析具有重要意義。

二、大數據技術的應用現狀

在商業領域中應用大數據技術，可以針對各類人群提供具有個性化的服務，同時對行業未來發展規律進行預測，并使企業的生產和管理效率得到提升，還能夠根據隱藏線索創新產品和優化服務，特別是對于電子商務領域來說，買家的購買數量、商品價格以及交易時間等均能夠對其購買能力以及興趣愛好等進行反映，所以電商平臺對于大數據技術的應用十分重視；在醫療領域中應用大數據技術，因為其中的數據內容較為復雜，且處于持續變化的狀態當中，所以若能針對其進行合理的存儲、處理以及分析，并開發出其中的潛在應用價值，則更有利于提升人類健康水平，也需要針對醫療數據進行及時的組織、處理、分析和整合，從而可以有效落實智能健康管理、疾病控制以及應急管理等多項服務；在智能電網領域中應用大數據技術，可以掌握用戶用電習慣以及各方面相關信息，并以此為基礎促使電能生產以及供給得到持續優化，也就更有利于支持電網升級、維護和改造[1]。

三、大數據分析中的計算智能方法

在大數據技術不斷發展的背景之下，計算智能的應用效果不斷提升，并延伸出了三個方面的分支，具體見下圖1：

（一）人工神經網絡

人工神經網絡屬于一類數學模型，其將動物神經系統行為特征作為基礎，開展分布式的并行信息處理工作，整體上容錯性良好，非線性映射能力較強，自適應能力較強，還可實現分布存儲，屬于當代應用效果良好的一類計算智能方法，并且對其進行應用時，不需具備任何先驗知識，相對于傳統模式的統計學方法來說，限制條件更少，應用更加便捷。

社交網絡、設備傳感器以及搜索引擎等多種不同的大數據應用，其中的數據均處于持續產生的狀態，數據整體也就不斷變化，所以并不能由歷史數據方面入手，對無偏訓練集進行構建，且數據規模過大、產生速度過快，并不能一次性完全載入到內存之中。為了有效改善此情況，需要推動在線學習算法持續發展，每次將一個樣本作為依據，針對目標函數進行更新。例如感知器即屬于一類應用頻率較高的在線學習模型，同時也在人工神經網絡中占據重要地位，其可針對任意訓練樣本的預測結果正確性，開展連接權重的更新工作，若預測結果為正確，權重不變，預測結果不正確，需要以輸入樣本特征向量為基礎，同時結合正確標記，對連接權重進行更新。當前以感知器為基礎構成的在線學習算法，包括均值感知器算法、投票感知器算法、被動主動感知器算法、權重多數感知器算法、核感知器算法以及置信度群眾感知器算法[2]。

并且，以大數據環境為基礎，人們對數據進行生產以及采集的能力越來越強，手段也更加豐富，由此，數據規模越來越大，維度持續增長，其中的不足之處也就隨之出現，具體見下表1。

為了對這一問題進行有效解決，需要針對原始數據實施“約簡”處理，將繁復的數據轉化成為較為簡潔的數據，使數據處理和搜索難度降低，將其中的冗余特征基本濾除。在此過程中，人工神經網絡即為針對數據實施約簡處理的重要措施之一，可以通過針對輸入特征以及輸出結果之間的相關性，合理過濾冗余信息，以獲取經過精簡處理的網絡結構，也就可以獲取到與需求相對應的特征子集。

（二）模糊系統

在針對大數據技術進行應用的過程中，數據的采集效果能夠受到自然環境、系統狀態、設備精度等多方面客觀因素的影響，并呈現出模糊性特點，且在實際應用數據的過程中，也能夠在一定程度上體現出模糊性，例如社交網絡、電商網站之中的諸多用戶，均選擇根據自身主觀感受發表言論，所以其中存在“不精確”“不完全”“不確定”的特點，也就是能夠呈現出模糊的現象。模糊系統即為針對模糊性現象進行研究的系統，此類模糊性出現的原因，在于事物之間存在差異，且其中過渡劃分不明確，也可將其視為現實世界“不確定”與二值邏輯“精確性”的中間值，能夠使推理結果具有更強的可解釋性，同時也屬于當前應用范圍較大的一類計算智能措施，可以在語言變量描述或是大數據分析之中體現出較高的實用價值[3]。

模糊聚類屬于一類非監督的學習方法，可以針對數據中進行隱藏的未知模式進行探索，但是在當前大數據的環境中，模糊聚類算法的發展存在可擴展性問題，也就是在大數據集中，算法準度以及施工效率提升均受到了一定程度的顯著，而為了促使聚類算法擴展性得到有效提升，相應的措施主要可以分為三個方面，分別是“采樣”“在線處理”“分布式并行計算”。以此為基礎，針對大數據環境中的模糊c均值（FCM）開展聚類算法處理，可以獲取三種不同的算法，具體見下表2。

可以采用實驗的形式針對以上各項算法的速度、時空復雜度以及準確率等多方面性能進行了解，同時還可與小數據集或是同類算法進行對比，以總結不同FCM算法各自適用的情境，并合理提出選擇建議等。但是從實際上來看，當前對在線模糊聚類算法進行應用形式以批量在線為主，并不能在大數據流中實現數據需求的逐個處理，所以可以嘗試應用以隨機梯度下降為基礎形成的模糊聚類算法，雖然該類型的算法可以將單個數據樣本作為基礎，對簇中心以及隸屬度矩陣進行更新，但是也極易受到簇中心的初始化的影響或是噪聲的影響。另外，運用聚類算法的中心目標，在于掌握數據中的規律和發現其中的未知規律，如果僅僅采用標記數據的方式對算法有效性進行評價，則過于片面[4]。

（三）粒子群

粒子群屬于一類群體智能算法，該算法以將生物群的社會行為作為基礎，一般來說，問題規模或是非線性均不會對其應用效果產生影響，且該方法當前已經得到了較為廣泛的應用。相對于常規的遺傳算法來說，粒子群的原理更加簡潔，且應用過程難度較低，收斂速度也較快，適合在大數據環境下針對各項復雜程度較高的優化問題進行解決。但是在當前大數據環境下，若能夠合理采用“分而治之”的問題解決策略，能夠更加直接、更加高效的針對粒子群優化問題進行解決。

以此為基礎，在解決問題的過程中，采用“隨機分組”的策略，針對高維解的空間進行分解，使其轉變成為數個大小可以發生變化的低維子空間，也就是將一個復雜的、難以解決的問題，劃分成為多個小型的、較為簡單的問題，使復雜問題之中的各項變量，盡可能避免相互依賴，減少解決各個小問題時的影響因素，從而有利于整理問題解決思路，提升思路清晰程度，也就可以促使問題解決效率得到顯著提升。但是，若將該方法應用于不可進行分割的問題當中，該方法的應用效果將難以發揮。

蟻群與粒子群具有一定的相似度，二者同樣可以在海量數據的約簡操作中起到重要作用。一般來說，在數據約簡操作過程中，需要將特征子集的具體情況以及分類器所具有的分類性能共同作為基礎，根據信息檢索需求，針對信息素進行實時更新，以起到良好的數據約簡效果，從而提升信息應用效果。另外，若能夠將蟻群與粒子群進行結合應用，則更有利于提升約簡措施的應用效果，同時可以使數據的應用效率得到顯著提升，進而則能夠實現相關問題的解決效率的提升，以及各方面決策能力的提升。

大數據分析在電子數據案件中應用案例：

1.在某起企業P2P非法吸納公眾財產案件中，涉及檢材達到50臺服務器，多個大型企業管理系統，檢材數據量超過20TB。作為電子數據鑒定從業人員，我們的任務就是在最短時間內快速關聯分析，去重計算，匯總提取得到案件關鍵數據信息。利用大數據分析，實現從企業業務流大型數據庫中，找尋出資人、接待人、業務員信息，同時包含貸款項目的起止時間，運行批次，資金流向，提成返現，獎勵贈送等等資金信息。在系統環境中，逐步接近核心，協助辦案人員盡快摸清并配合財務審計完成案件數據審計工作。

2.在某起詐騙案件中，梳理涉案人員微信聊天數據中的關聯關系。由于微信聊天數據類型多樣，涉及文本，視頻，圖像，文件等多種非結構化數據，需要通過多種軟件處理清洗后，將非結構化數據進行結構化整理，并形成上下游鏈條用于合并綜合分析，為后續案件審理提供數據支撐。利用大數據智能識別OCR，語義提取，智能詞匯匯總等功能，將繁重的手工工作接手由計算機完成，并將識別率大大提升。

四、大數據分析中計算智能發展的分析

當代信息技術高速發展，大數據的應用范圍越來越大，同時也受到了越來越多的關注，其能夠為計算智能發展提供重要基礎，并推動計算智能持續發展。但是在充分應用大數據技術的過程中，也應該意識到，大數據環境具有復雜性和運動性特點，受此影響，計算智能發展過程難度較大，所以當前計算智能尚不可充分應用于工程領域，而若工程領域不具有計算智能的支持，因為數據量過于龐大，所以其難以獲得突破性的成就，由此，可以選擇從其他角度出發，采用腦啟發計算或是人機混合智能的方式，在大數據環境下充分應用計算智能。

（一）腦啟發計算個人非結構化數據方向分析

腦啟發計算屬于一項新型計算技術，主要針對人類的大腦存儲信息、針對信息的反饋機理進行研究，并以此為基礎形成一項新技術，其可在較為復雜的環境中進行應用，能夠起到提升空間復雜程度的作用，也就可以強化不同單一事件的聯系，所以也可以認為，腦啟發計算的本質為神經形態，可以將神經形態作為基礎開展更加高效的智能計算。

對腦啟發計算模式進行開發的主要目的，在于構建起一類高效運轉的計算結構，此類計算結構可以針對不成體系的、復雜程度較高的數據信息進行即時計算，同時計算過程耗能較小。從實際上來看，腦啟發計算的設想在于，以數據科學為基礎，構建起計算工作的新路徑，并為人工智能的進一步發展提供更加豐富的理論基礎。但是當前腦啟發計算仍然處于起步階段，相關工作人員還需要針對人腦組織進行更加深入的研究，同時進一步了解人腦思維機制，以促使腦啟發計算的發展效果得到提升。

（二）人機混合智能在混合語義識別方向分析

計算智能在發展過程中的終極目標為具有人腦一般的“智慧”，且在相關研究工作不斷深入的基礎上，專業的理論不斷完善，專業的算法也越來越高級，計算智能的應用效果也就隨之不斷提升，此時人機之間的信息交互必然更加便捷，速度也能得到顯著提升，還可逐漸推廣機器輔助決策，甚至可以實現機器的自主決策。所以，在人機混合智能時代到來以后，將人腦的深入思考與機器的快速穩定進行結合，可以開展更加復雜的計算工作，并解決難度更高的問題。如個人電子數據中海量語音、視頻、文字等語義識別問題。

（三）個人結構化數據在團體海量數據中碰撞分析

利用云計算，虛擬化等技術計算能力的不斷攀升，配合大數據平臺并行計算的技術發展，使得電子數據中，個人的大量結構化數據，包含通話、聊天數據，好友，群成員，朋友圈等相互溝通渠道溝通信息，可以全部一次性加載在大數據平臺數據庫中，一次性與某個團體的海量數據進行碰撞分析，并在可以接收的時間內完成并獲取交叉比對結果，提升效率，爭取到寶貴的辦案時間。

五、結語

當代數據的數量越來越多，相關技術的應用也就受到了越來越多的關注，在大數據技術充分發揮自身優勢的過程中，其不足之處也逐漸暴露，所以需要針對以大數據技術為基礎的計算智能進行深入研究，深入探析人工神經網絡、模糊系統以及粒子群的具體應用模式、應用效果，以促使計算智能的發展效果持續提升。

參考文獻

[1]潘澤波.大數據分析中的計算智能研究現狀與展望[J].無線互聯科技，2021，18（12）：72-73.

[2]劉明月，涂崎，汪洋，等.移動云計算卸載技術研究現狀及其在電網中的應用[J].電力信息與通信技術，2021，19（01）：49-56.

[3]金誠，江婷君，閔勇，等.在線社交網絡控制實驗的現狀與展望[J].浙江大學學報（理學版），2020，47（01）：1-11.

[4]尉志青，馬昊，張奇勛，等.感知-通信-計算融合的智能車聯網挑戰與趨勢[J].中興通訊技術，2020，26（01）：45-49.

（作者單位：北京國盾信息中心）