[目的/意义] 针对现有数据资源定价标准模糊、交易规则缺失、买卖双方信息不对称的问题，提出基于Stacking多算法融合模型的数据资源定价方法。[方法/过程] 首先，基于四分位法及Box-Cox方法对样本数据进行预处理，剔除异常数据的同时调整数据分布，并基于Lasso算法以均方根误差最小为目标完成特征筛选；然后，基于Pearson系数选取最优算法组合，构建基于Stacking集成学习融合多种机器学习算法的数据资源价格预测模型；最后，以国信优易数据平台交易数据为样本进行算例分析。[结果/结论]相较于单算法模型及其他集成算法模型，XGBoost、SVR、KNN、MLP融合模型的预测精度及性能均明显提升；实现了数据资源自身和市场的双向反馈平衡，形成闭环的价值链，为数据资源定价提供参考。

[目的/意义]针对CTM模型与K-means算法在文本聚类中存在的不足,提出将二者融合的CKM算法。该算法利用CTM模型确定聚类数和初始聚类中心,利用K-means算法进行聚类。[方法/过程]以Web of Science为数据来源,建立涵盖6个主题的多学科文献集,以F值为评价指标,利用R语言中的k-means函数和topicmodels包,比较K-means算法、CTM模型、CKM算法的聚类效果。[结果 /结论]结果表明,与单纯使用K-means算法、CTM模型相比,CKM算法的聚类效果更优,稳定性更好

词袋模型是一种最原始且普遍适用的关联数据融合算法，但是该算法中关键词匹配未利用自身语义以及语料库不足等现象，造成实体链接准确率不高。本文提出使用知识库作为背景，利用语义扩展和循环迭代来增强实体消歧的速度和准确率。该算法分为两个过程，首先对关联数据集进行初步的语义融合，然后在此基础上，利用本文提出的语义循环迭代词袋（ｓ－ｉ－Ｂｏ Ｗ）算法实现实体的消歧与链接。实验通过与基于传统词袋算法的关联数据融合进行了对比，证明了本文提出的语义循环迭代词袋算法具备更优的关联数据融合效果。

社会化商务中,消费者依赖在线口口相传建立感知信任,其本质是复杂网络上的多源信任融合问题。国内外学者对多源信任融合问题进行了大量研究,并以主观逻辑方法为代表形成了信任融合方法的研究体系。然而,由于社交网络中消费者感知信任的多源性和高度主观性以及用户生成内容的海量化,给多源信任融合模型带来量化难、实时处理难和融合难等问题。针对上述难题,提出"先聚类、后融合"的研究思路,先对海量推荐信息进行聚类,再融入感知信任的主观因素构建多源信任融合模型。首先,将推荐信息间的相似性作为节点关系,从社交网络中抽取出推荐信息相似

社会化商务中,消费者依赖在线口口相传建立感知信任,其本质是复杂网络上的多源信任融合问题。国内外学者对多源信任融合问题进行了大量研究,并以主观逻辑方法为代表形成了信任融合方法的研究体系。然而,由于社交网络中消费者感知信任的多源性和高度主观性以及用户生成内容的海量化,给多源信任融合模型带来量化难、实时处理难和融合难等问题。针对上述难题,提出"先聚类、后融合"的研究思路,先对海量推荐信息进行聚类,再融入感知信任的主观因素构建多源信任融合模型。首先,将推荐信息间的相似性作为节点关系,从社交网络中抽取出推荐信息相似性网络,用谱平分方法对聚簇进行划分,实现对推荐信息的聚类;其次,用网络属性度量感知信任的影响因素,从复杂网络视角出发,提出消费者感知信任定性因素的量化方法;再次,以多属性决策方法为基础,改进主观逻辑方法构建多源信任融合模型,从而将感知信任的影响因素融入主观逻辑方法,突破主观逻辑方法只考虑推荐信息和网络路径的局限性;最后,通过仿真实验对推荐信息实验数据进行聚类,并分析主观因素对感知信任意见空间的调节作用,验证模型的可行性。研究结果表明,研究模型能够快速划分推荐信息相似性网络,客观地量化感知信任的影响因素,使其融入信任度计算之中,且能够体现消费者感知信任的主观性和异质性。从仿真实验结果看,该模型能够有效解决大规模社会网络中推荐信息海量化问题,权威程度、从众行为和主体间亲密度等影响因素对信任度计算结果起调节作用。该模型将信任融合模型扩展到社会化商务领域,可以帮助商家评价已有消费群体对新消费者感知信任的影响力,为大规模网络中消费者感知信任的度量和预测提供新视角,为商家实时分析消费者感知信任意向和制定营销策略提供方法支持。对于难以建立新消费者信任的商家,可以通过制定激励机制来提高用户生成内容量,培养或引入权威人士作为明星节点,建立有主题的小社区等形式来促进主体间交流,增强消费者之间的亲密度,从而提高消费者感知信任。

在个人信用违约风险与日俱增的背景下，为了使企业准确识别个人信用风险，本文提出了基于改进BS-Stacking模型的个人信用风险评估方法。针对个人信用风险数据的特点，首先对数据使用改进后的Borderline SMOTE-2算法进行过采样处理，然后使用网格搜索算法对分类器进行参数寻优，为了寻找模型的最优组合，使用逻辑回归对基模型进行贡献度分析，从而确定Stacking模型。实验表明所提出模型与各类集成算法相比，在个人信用风险评估违约样本的识别率上以及稳定性等各类指标上均有最好表现，验证了模型的有效性。

[目的/意义]旨在探究政府数据开放共享的内在机理与模式,以促进数据流动和深度挖掘,释放更多数据红利,创造更大公共价值,为政府数据管理提供借鉴。[方法/过程]采用问卷调查、深度访谈等研究方法,设计量表并进行实证分析,在验证相关变量关系基础上,建构基于跨界融合的多方协同式政府数据开放共享模型,并对此模型进行阐释。[结果/结论]平台、数据、机制与绩效产出之间存在显著的相关性。现阶段,应健全统一的政府数据开放共享平台,创新基于数据全生命周期的政府数据管理,实现数据跨界融合,为促进政府数据开放共享、"数据驱动"发展奠定基础。

新兴技术在科技革命和产业变革中发挥着重要作用,准确把握新兴技术发展方向有助于国家政策制定和科技快速发展。融合学术论文和专利文献数据,构建一套新兴技术识别方法。通过主题N元语法(TNG)模型抽取和筛选技术主题,确定关键技术主题,通过量化新兴技术的5项特征指标:影响力、增长性、连贯性、创新性、不确定性和模糊性,计算新兴指数得分,对多源数据融合新兴技术进行识别和预判。预测新兴技术未来发展趋势,可为电网领域可持续发展提供有价值的参考,验证研究方法的可行性和有效性。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

文章以能源需求预测模型技术提升和预测误差不断改善为线索,从信息源的角度出发,梳理了国内外能源需求预测的相关理论与模型特征。能源需求预测模型经历了单一模型、多源模型组合和智能信息融合三个发展阶段,文章对模型发展阶段的特点和存在问题进行评述,对未来非线性、变权重技术以及多源信息融合模型在能源需求预测方面的应用做出进一步展望。

在自然灾害的严重性和灾害特征分析的基础上，建立了一套有效的自然灾害预警系统模型。并深入研究了如何利用阈值理论实现特征级融合和基于Ｄ－Ｓ证据理论融合方法的决策级融合，保证了自然灾害预警系统做出更加及时、准确的决策，对提高自然灾害应急水平以及减少灾害损失具有重要意义。

本文界定了基于情境的信息融合的内涵,探索基于情境的信息融合的处理过程,构建一种具有普适性的基于情境的信息融合模型。该模型汇集与用户决策相关的多源情境信息,进行基于情境数据的情境建模,利用黑板结构智能调度情境知识和先验模型,寻求最优融合策略完成多层次、多维度的信息融合决策处理,以期完成复杂问题的决策求解。

显性化测量与评估在线学习行为和情感状态是学习分析领域的研究热点。为克服单模态数据分析片面和多模态数据融合模糊等问题,全面感知和反馈在线学习过程状态,本研究构建了一种在线学习行为多模态数据融合模型。该模型利用自动化操作行为事件监听、表情识别、生理特征监测等原理,从行为、情绪和认知3个维度进行时序数据同步融合、分层递进诊断评估和统计聚类分析;考虑到对在线学习者具有较低的侵入性和干扰性,该模型在技术实现上采用分布式物联网技术和开放式Django Web服务器部署技术,形成学习过程状态数据的自动采集、分析、融合、评估和反馈等多层体系结构;应用该系统对MOOC环境下在线学习行为评测实验,讨论了本模型的准确性、易用性和有用性等问题。研究结果表明,本研究构建的模型能够为在线学习分析提供一种有效的技术解决方案,为同类研究可提供方法借鉴与技术实现参考。

为解决仅利用单一数据源进行可靠性评估时估计精度不高的问题，文章建立多权重数据统计融合可靠性评估模型。针对大样本情况，采用核密度估计及回归分析法确定密度函数，用权重法对密度函数加权得到合成密度函数，由分布函数的逆函数模拟生成随机样本；在小样本情况下，选用Bootstrap方法估计分布特征参数，通过参数加权进行数据融合；对多维数据借助多维核密度估计进行融合，并在融合算法基础上建立可靠性分析模型。最后，通过算例验证了该类模型的可行性和有效性。

提出一种基于多类信息融合划分的物流差异信息调度模型。利用双重扩展卡尔曼滤波方法,对多类信息进行融合处理,从而消除物流数据之间的差异性,为多类信息融合划分提供依据。利用支持向量机方法,对融合后的多类物流相关信息进行分类,根据获取的分类物流信息,完成物流信息调度模型的设计。实验结果表明,利用该算法进行物流信息调度模型设计,能够为调度提供准确的物流信息,从而满足物流信息管理的实际需求。