基于深度學(xué)習(xí)算法的實(shí)時(shí)手機(jī)數(shù)據(jù)分類(lèi)及其對(duì)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(shí)代城市發(fā)展的重要戰(zhàn)略目標(biāo)。從技術(shù)方面來(lái)說(shuō)，智慧城市是城市管理系統(tǒng)的整體，它能夠識(shí)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(gè)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(lèi)的準(zhǔn)確性。本文基于深度學(xué)習(xí)算法，對(duì)實(shí)時(shí)手機(jī)數(shù)據(jù)分類(lèi)及其對(duì)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(jī)數(shù)據(jù)? 智慧城市

中圖分類(lèi)號(hào)：TP311.1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2019）10（a）-0240-02

隨著科技的進(jìn)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(gè)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(dòng)化為基礎(chǔ)的智慧城市不僅能夠解決當(dāng)今世界面臨的問(wèn)題，而且還可以實(shí)現(xiàn)長(zhǎng)期和有效的可持續(xù)發(fā)展。智慧城市是一個(gè)城市管理系統(tǒng)，負(fù)責(zé)對(duì)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(shí)時(shí)手機(jī)數(shù)據(jù)分類(lèi)及其對(duì)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(jī)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(jī)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(diǎn)是它的特征是提前人工輸入的，它是基于模式識(shí)別時(shí)的特征分量。它的局限性在于對(duì)具體任務(wù)的處理效果不佳（見(jiàn)圖1）。作為一個(gè)單一的網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，通過(guò)多層次的培訓(xùn)，對(duì)基本網(wǎng)絡(luò)進(jìn)行了培訓(xùn)，并通過(guò)自動(dòng)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(gè)級(jí)別上構(gòu)建網(wǎng)絡(luò)可通過(guò)設(shè)置較少的設(shè)置來(lái)解決復(fù)雜的功能問(wèn)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(shí)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(chēng)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(qiáng)的容錯(cuò)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(jiàn)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(wú)類(lèi)標(biāo)簽輸入數(shù)據(jù)的情況下，自動(dòng)編碼器設(shè)置了編碼器和解碼器兩個(gè)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(gè)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(cuò)誤”將傳播到“輸入”層，并且網(wǎng)絡(luò)的權(quán)重在傳播過(guò)程中不斷進(jìn)行調(diào)整，以提高示例中神經(jīng)網(wǎng)絡(luò)的可能性。同時(shí)，抑制層可增強(qiáng)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(dāng)成多個(gè)RBM或者與此相仿的單元模型的堆疊，然后通過(guò)對(duì)這些RBM逐層學(xué)習(xí)達(dá)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(jì)算結(jié)果認(rèn)為，所有抽樣點(diǎn)可以成為可能的集群中心，然后估計(jì)數(shù)據(jù)的吸引力和歸屬是確定該點(diǎn)是否可以成為集群中心的基礎(chǔ)。因此，進(jìn)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(shí)意義。

2? 基于深度學(xué)習(xí)算法的實(shí)時(shí)手機(jī)網(wǎng)絡(luò)數(shù)據(jù)分類(lèi)

研究中使用的數(shù)據(jù)以移動(dòng)電話網(wǎng)絡(luò)的數(shù)據(jù)為基礎(chǔ)，該網(wǎng)絡(luò)從無(wú)線移動(dòng)通信網(wǎng)絡(luò)中收集匿名移動(dòng)電話用戶(hù)的信號(hào)，其中包括匿名移動(dòng)電話用戶(hù)的出現(xiàn)時(shí)間、信號(hào)生成時(shí)的服務(wù)工作站ID。由于單個(gè)類(lèi)別中的數(shù)據(jù)分布不平衡，只能通過(guò)對(duì)一個(gè)類(lèi)別的培訓(xùn)進(jìn)行分類(lèi)。而當(dāng)訓(xùn)練數(shù)據(jù)集過(guò)大的時(shí)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(gè)單一領(lǐng)域，其決策邊界不一定是一致的，從而降低了分類(lèi)的效率。高頻樣本匹配算法大多是局部匹配，一小部分對(duì)應(yīng)全局匹配。局部匹配是一種增量模式，當(dāng)一個(gè)點(diǎn)匹配成功后才會(huì)匹配下一個(gè)點(diǎn)，相比全局匹配，局部匹配算法較為簡(jiǎn)單，運(yùn)算速度快的特點(diǎn)，能滿足實(shí)時(shí)性需求[4]?；谝苿?dòng)通信網(wǎng)絡(luò)的信息，分析手機(jī)用戶(hù)在移動(dòng)通信網(wǎng)絡(luò)中的數(shù)據(jù)聚類(lèi)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(jì)算。用少量數(shù)據(jù)的幾十個(gè)或數(shù)百個(gè)樣本提前進(jìn)行計(jì)算，可以提高計(jì)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(jì)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(shí)，有數(shù)千個(gè)監(jiān)測(cè)攝像機(jī)或傳感器監(jiān)測(cè)或永久收集未加工的其他數(shù)據(jù)。這一過(guò)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(lèi)型的信息的印象是自動(dòng)產(chǎn)生的。通過(guò)誤差控制因素來(lái)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(qiáng)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(dú)立性，傳統(tǒng)的機(jī)器學(xué)習(xí)方法要求在處理問(wèn)題時(shí)優(yōu)化各個(gè)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(duì)車(chē)輛信息的提取、面部識(shí)別等方面的改進(jìn)。特別是在獲取車(chē)輛信息和面部識(shí)別方面取得了進(jìn)展。但是，實(shí)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(guò)反復(fù)迭代直至收斂來(lái)求得受限玻爾茲曼機(jī)的模型分布參數(shù)，同時(shí)設(shè)置收斂閾值和終止閾值來(lái)確定算法的終止條件。借助云計(jì)算和其他信息技術(shù)，可以對(duì)所獲得的信息進(jìn)行排序、分析和處理，并最終使用處理結(jié)果來(lái)管理和控制先前確定的內(nèi)容。對(duì)于城市管理機(jī)構(gòu)來(lái)說(shuō)，這將大大提高管理效率和共同管理能力。

4? 結(jié)語(yǔ)

我國(guó)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(duì)不同地點(diǎn)的群體流動(dòng)特征進(jìn)行了分析，建立了實(shí)時(shí)手機(jī)數(shù)據(jù)分類(lèi)的時(shí)空模型。使用深的學(xué)習(xí)技術(shù)，目標(biāo)可以通過(guò)分類(lèi)直接確定，并可直接獲得目標(biāo)類(lèi)別。在這種模式下，目標(biāo)檢測(cè)精度和跟蹤穩(wěn)定性可以大大提高。建立個(gè)性化、多元化和智慧型城市建設(shè)體系。必須繼續(xù)加強(qiáng)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(guó)建設(shè)智慧城市的進(jìn)程。

參考文獻(xiàn)

[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(bào)，2017（4）：71-74，78.

[2] 王鑫，李可，徐明君，等.改進(jìn)的基于深度學(xué)習(xí)的遙感圖像分類(lèi)算法[J].計(jì)算機(jī)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(yàn)[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(bào)：哲學(xué)社會(huì)科學(xué)版， 2017（6）：60-65.