基于深度学习算法的实时手机数据分类及其对智慧城市建设的影响研究.docxVIP

基于深度学习算法的实时手机数据分类及其对智慧城市建设的影响研究 　　摘要：智慧城市建设已成为大数据时代城市发展的重要战略目标。从技术方面来说，智慧城市是城市管理系统的整体，它能够识别、分析和提取城市系统的信息并获得反馈。与传统的浅层阵列模型相比，深度学习模型中的多个层的网络结构可以更有效地反映复杂的特征，因此应用深度学习可以更有效地提高数据分类的准确性。本文基于深度学习算法，对实时手机数据分类及其对智慧城市建设的影响加以研究。 　　关键词：深度学习手机数据智慧城市 　　中图分类号：tp311.1文獻标识码：a文章编号：1674-098x（2019）10（a）-0240-02 　　随着科技的进步，城市建设在智慧型城市中不断发展。早在2008年，ibm就引入了“智慧地球”的概念，提出城市由6个系统组成，其中包括人、环境和基础设施，这些系统彼此密切相连，因此是最大的城市体系[1]。以数字化和自动化为基础的智慧城市不仅能够解决当今世界面临的问题，而且还可以实现长期和有效的可持续发展。智慧城市是一个城市管理系统，负责对城市系统的数据收集、分析和提炼，并提供有关城市系统的信息，这些系统的原始视频数据是城市系统信息的重要组成部分[2]。本文基于深度学习算法就实时手机数据分类及其对智慧城市建设的影响加以研究。 　　1深度学习的原理概述 　　深度学习是一种基于基本结构化模型的机器学习，一般协议模式至少包含三层隐蔽的层。作为重要的数学工具，神经网络在人工智能机器的学习领域广泛使用[3]。第一代神经网络的特点是它的特征是提前人工输入的，它是基于模式识别时的特征分量。它的局限性在于对具体任务的处理效果不佳（见图1）。作为一个单一的网络的基础结构，通过多层次的培训，对基本网络进行了培训，并通过自动编码证明了这种方法的有效性，从而形成了深入学习的概念和方法。在多个级别上构建网络可通过设置较少的设置来解决复杂的功能问题。深度学习更突出特征学习的重要性，在维度变化的同时不改变数据的原始信息，从而使学习得到的数据更易于处理和应用。 　　物理学家约翰·霍普菲尔德于1982年介绍了一种新的神经网络模型，称为霍普菲尔德模型，并首次提出了能量的定义。该模型具有较强的容错性能，并能够从不完整或失真的数据图像中重构出完整的数据图像[4]。除了能看见输入和最后层的输出以外，深度学习的其他各层被隐藏，其中包含了多少信息，或者包含了怎样的信息，解析是很困难的。在无类标签输入数据的情况下，自动编码器设置了编码器和解码器两个主要部件。编码器用于将输入的高维数据压缩为低维数据，解码器用于将低维数据恢复到原始维数。但是，为了使培训深度网络发挥作用，有必要澄清每个隐藏层的信息表格，并确定其与已知数量之间的关系。从输出层起，采样的“错误”将传播到“输入”层，并且网络的权重在传播过程中不断进行调整，以提高示例中神经网络的可能性。同时，抑制层可增强网络的表现能力，但其引入增加了网络的复杂性。相较于传统的第二代神经网络，深度学习算法克服学习效率瓶颈的主要方法就是将多层模型当成多个rbm或者与此相仿的单元模型的堆叠，然后通过对这些rbm逐层学习达到训练多层模型的目的。底层以已知的数据作为输入，生成的数据作为输出，上层和下层作为输入，生成的数据作为上输出。计算结果认为，所有抽样点可以成为可能的集群中心，然后估计数据的吸引力和归属是确定该点是否可以成为集群中心的基础。因此，进一步研究rbm模式是深度学习的重要内容，具有重要的现实意义。 　　2基于深度学习算法的实时手机网络数据分类 　　研究中使用的数据以移动电话网络的数据为基础，该网络从无线移动通信网络中收集匿名移动电话用户的信号，其中包括匿名移动电话用户的出现时间、信号生成时的服务工作站id。由于单个类别中的数据分布不平衡，只能通过对一个类别的培训进行分类。而当训练数据集过大的时候，其数据分布较为分散，不同区域的数据密度差别很大，数据分布在一个单一领域，其决策边界不一定是一致的，从而降低了分类的效率。高频样本匹配算法大多是局部匹配，一小部分对应全局匹配。局部匹配是一种增量模式，当一个点匹配成功后才会匹配下一个点，相比全局匹配，局部匹配算法较为简单，运算速度快的特点，能满足实时性需求[4]。基于移动通信网络的信息，分析手机用户在移动通信网络中的数据聚类情况。使用训练样本，虽然可以更新连接的重量，显示层和隐含的滞后，却大大增加了计算。用少量数据的几十个或数百个样本提前进行计算，可以提高计算效率。 　　3基于深度学习算法的智慧城市建设 　　智慧城市技术体系中最核心的部分主要包括物联网技术和云计算技术。这两种技术的产生和发展在城市建设信息化中发挥了关键作用[5]。在建造智