潘思葳

（哥倫比亞大學(xué)，美國(guó) 紐約 10027）

0 引言

數(shù)字經(jīng)濟(jì)的核心為運(yùn)用數(shù)字化的生產(chǎn)要素，通過現(xiàn)代信息網(wǎng)絡(luò)對(duì)經(jīng)濟(jì)結(jié)構(gòu)進(jìn)行優(yōu)化[1]。基于數(shù)字經(jīng)濟(jì)的不斷發(fā)展，為驅(qū)動(dòng)全球經(jīng)濟(jì)技術(shù)變革提供堅(jiān)實(shí)的力量。杭州G20峰會(huì)明確指出：數(shù)字經(jīng)濟(jì)的重要功能就是促進(jìn)中國(guó)經(jīng)濟(jì)高質(zhì)量發(fā)展。數(shù)字經(jīng)濟(jì)為全球經(jīng)濟(jì)的發(fā)展帶來了全新的機(jī)遇與挑戰(zhàn)，能夠通過數(shù)據(jù)優(yōu)勢(shì)與傳統(tǒng)產(chǎn)業(yè)相結(jié)合，為產(chǎn)業(yè)業(yè)態(tài)創(chuàng)新提供源動(dòng)力。數(shù)字經(jīng)濟(jì)的發(fā)展是我國(guó)經(jīng)濟(jì)在全球范圍內(nèi)快速增長(zhǎng)的先決條件，因此，必須重視并充分發(fā)揮數(shù)字經(jīng)濟(jì)的能動(dòng)力[2]。數(shù)字經(jīng)濟(jì)的靶向路徑是依賴數(shù)字技術(shù)的創(chuàng)新，通過數(shù)據(jù)要素精準(zhǔn)地滿足經(jīng)濟(jì)發(fā)展的需求。作為數(shù)字經(jīng)濟(jì)中的重要內(nèi)容，我國(guó)建立數(shù)字經(jīng)濟(jì)靶向路徑模型的方法層出不窮，但由于其在建立過程中缺少對(duì)數(shù)字經(jīng)濟(jì)的定量分析，導(dǎo)致數(shù)字經(jīng)濟(jì)的靶向路徑模型數(shù)字化密度指數(shù)低[3]；因此，對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法的相關(guān)研究成為學(xué)術(shù)界研究的熱門話題。該文基于此提出數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法研究，致力于提高靶向路徑模型的數(shù)字化密度指數(shù)。

1 數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法

在建立數(shù)字經(jīng)濟(jì)的靶向路徑模型的過程中，需要對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑進(jìn)行相關(guān)整理與收集，通過標(biāo)簽化的方式對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑的相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，具體方法包括刪除數(shù)字經(jīng)濟(jì)的靶向路徑冗余特征、填補(bǔ)數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)以及數(shù)字經(jīng)濟(jì)的靶向路徑特征降維。在該基礎(chǔ)上，通過模型訓(xùn)練的方式，調(diào)整數(shù)字經(jīng)濟(jì)的靶向路徑模型參數(shù)，進(jìn)而建立數(shù)字經(jīng)濟(jì)的靶向路徑模型[4]。該文設(shè)計(jì)的數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法整體流程如圖1 所示。

圖1 中6 步主要流程的具體研究?jī)?nèi)容，如下文所述。

圖1 數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法流程

1.1 數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)挖掘

在建立數(shù)字經(jīng)濟(jì)的靶向路徑模型前，必須明確數(shù)字經(jīng)濟(jì)的靶向路徑模型的建立需求，預(yù)先選擇目標(biāo)數(shù)據(jù)[5]。根據(jù)數(shù)字經(jīng)濟(jì)靶向路徑數(shù)據(jù)的范圍，基于數(shù)據(jù)挖掘算法運(yùn)用K-means 聚類分析數(shù)字經(jīng)濟(jì)靶向路徑數(shù)據(jù)，以此實(shí)現(xiàn)對(duì)數(shù)據(jù)的挖掘，并對(duì)挖掘結(jié)果進(jìn)行分析。數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)挖掘流程如圖2 所示。

圖2 數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)挖掘流程

首先，從不同的數(shù)字經(jīng)濟(jì)信息中任意抽取K個(gè)中心點(diǎn)，選擇初始簇的中心點(diǎn)；在提取數(shù)字經(jīng)濟(jì)的靶向路徑信息之前，先對(duì)其進(jìn)行預(yù)處理，得到較為純凈的數(shù)字經(jīng)濟(jì)信息。其次，將各個(gè)不同的數(shù)字經(jīng)濟(jì)信息數(shù)據(jù)點(diǎn)配置到離該數(shù)據(jù)點(diǎn)最近的中心點(diǎn)，即分樣本簇點(diǎn)。最后，將多個(gè)不同的樣本數(shù)據(jù)簇的點(diǎn)劃分到距離其比較近的中心所表示的樣本簇中，即將與初始簇的中心點(diǎn)比較近的中心點(diǎn)劃分為一類。在該步驟中，引入距離公式得到公式（1）。

式中：d（x，y）為歐幾里得距離；n為數(shù)字經(jīng)濟(jì)信息的維度；i為數(shù)字經(jīng)濟(jì)的靶向路徑條數(shù)，i為實(shí)數(shù)；x、y分別為異種數(shù)字經(jīng)濟(jì)信息。

通過公式（1），以初始簇的中心點(diǎn)距離為指標(biāo)，挖掘數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)，總結(jié)出數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)中潛在的隱藏信息，完成對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)的挖掘。

1.2 刪除數(shù)字經(jīng)濟(jì)的靶向路徑冗余特征

以上述通過數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)挖掘得到的接近真實(shí)的數(shù)字經(jīng)濟(jì)的靶向路徑聚類中心為依據(jù)，考慮到數(shù)字經(jīng)濟(jì)的靶向路徑中存在的冗余特征會(huì)對(duì)模型建立造成干擾[6]；因此，需要對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)進(jìn)行加工，其目的是刪除數(shù)字經(jīng)濟(jì)的靶向路徑冗余特征。在設(shè)計(jì)相關(guān)算法前需要提取數(shù)字經(jīng)濟(jì)的靶向路徑的冗余特征，以實(shí)現(xiàn)對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑的有效識(shí)別。在提取冗余特征的過程中，根據(jù)數(shù)據(jù)特點(diǎn)，從不同維度對(duì)靶向路徑數(shù)據(jù)進(jìn)行分類處理，根據(jù)不同類別數(shù)據(jù)的相關(guān)性對(duì)其進(jìn)行權(quán)值賦值。在完成對(duì)靶向路徑數(shù)據(jù)迭代權(quán)值與訓(xùn)練樣本的定義后，分析其中高權(quán)重信息與低權(quán)值信息，去除低貢獻(xiàn)的低權(quán)值信息，保留高權(quán)值信息，并將其作為靶向路徑數(shù)據(jù)的冗余特征。反復(fù)迭代，構(gòu)建靶向路徑數(shù)據(jù)特征信息的集合。

在構(gòu)建特征信息集合的基礎(chǔ)上，以維護(hù)靶向路徑數(shù)據(jù)分類現(xiàn)狀為目標(biāo)進(jìn)行特征權(quán)值迭代。假設(shè)不同冗余特征之間均存在一定間隔，將存在無效信息的特定面作為靶向路徑數(shù)據(jù)可以識(shí)別的最大距離。確定存在冗余特征的靶向路徑數(shù)據(jù)間隔，如公式（2）所示。

式中：θ為靶向路徑數(shù)據(jù)間隔；x為靶向路徑數(shù)據(jù)；E（x）為距離靶向路徑數(shù)據(jù)x最近的同類冗余特征點(diǎn)；L（x）為與靶向路徑數(shù)據(jù)x屬于非同一類型的同類冗余特征點(diǎn)。

根據(jù)公式（2）獲取靶向路徑數(shù)據(jù)的具體冗余點(diǎn)，該過程為使用m×n表示多維度圖像矩陣。假設(shè)靶向路徑數(shù)據(jù)中存在n個(gè)冗余特征，將定義的n值存入數(shù)據(jù)庫(kù)；將待執(zhí)行訓(xùn)練的圖像中第i個(gè)冗余特征樣本置于靶向路徑數(shù)據(jù)第N列中，假設(shè)靶向路徑數(shù)據(jù)每行或每列的初始化特征權(quán)值表示為0，即Wj=0，則冗余特征樣本的數(shù)據(jù)集合可表示為j=1，2，3，…，N。

同時(shí)，假設(shè)在存在冗余特征的靶向路徑數(shù)據(jù)中，訓(xùn)練樣本的總個(gè)數(shù)為n，則需要在1～n對(duì)i值進(jìn)行反復(fù)賦值。迭代權(quán)值的計(jì)算過程如公式（3）所示。

式中：為靶向路徑數(shù)據(jù)的初始化權(quán)值；xi為數(shù)字經(jīng)濟(jì)靶向路徑中的某一條數(shù)字經(jīng)濟(jì)信息；S為對(duì)靶向路徑數(shù)據(jù)抽樣過程中與xi同類的冗余樣本；Y為不同類的冗余樣本；E（xi）為與xi距離最近的坐標(biāo)點(diǎn)；L（xi）為與xi屬于不同類的最近坐標(biāo)點(diǎn)。

根據(jù)公式（3），在對(duì)存在冗余特征的靶向路徑數(shù)據(jù)進(jìn)行刪除時(shí)，冗余特征樣本分別以同類數(shù)據(jù)與非同類數(shù)據(jù)的方式來表達(dá)，因此可認(rèn)為權(quán)值較大的特征數(shù)據(jù)集合之間冗余特征相似度較高；反之相似度較小。因此，要?jiǎng)h除數(shù)字經(jīng)濟(jì)的靶向路徑冗余特征。

1.3 填補(bǔ)數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)

刪除數(shù)字經(jīng)濟(jì)的靶向路徑冗余特征后，為保證數(shù)字經(jīng)濟(jì)的靶向路徑模型建立的數(shù)字化覆蓋程度，需要采用中位數(shù)填補(bǔ)數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)[7]。完成上述步驟后，選擇數(shù)字經(jīng)濟(jì)的靶向路徑最大的壓縮特征值作為類標(biāo)簽，標(biāo)記為偽標(biāo)記數(shù)據(jù)，設(shè)U類的偽標(biāo)記數(shù)據(jù)個(gè)數(shù)是US，則U類偽標(biāo)記的小波變換計(jì)算公式，如公式（4）所示。

式中：L為帶標(biāo)簽的數(shù)字經(jīng)濟(jì)的靶向路徑壓縮數(shù)據(jù)的個(gè)數(shù)；Lc為靶向路徑壓縮數(shù)據(jù)的最大個(gè)數(shù)；x為靶向路徑數(shù)據(jù)；R為同類偽標(biāo)記數(shù)據(jù)；F為同類帶標(biāo)簽數(shù)字經(jīng)濟(jì)的靶向路徑壓縮數(shù)據(jù)平均相似度；i為數(shù)據(jù)次數(shù)。

結(jié)合公式（4），如果加入的偽標(biāo)記數(shù)據(jù)能夠滿足一定數(shù)字經(jīng)濟(jì)的靶向路徑壓縮條件，則可以通過空值和噪聲點(diǎn)補(bǔ)償所需要滿足的條件，如公式（5）所示。

式中：m為自適應(yīng)壓縮噪聲補(bǔ)償數(shù)據(jù)個(gè)數(shù)；β為分類器錯(cuò)誤率上限；θ為分類器噪聲率上限；R為同類偽標(biāo)記數(shù)據(jù)；F為同類帶標(biāo)簽數(shù)字經(jīng)濟(jì)的靶向路徑壓縮數(shù)據(jù)平均相似度；σ為當(dāng)次迭代中偽標(biāo)記數(shù)據(jù)的數(shù)量。

得出數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)補(bǔ)償函數(shù)后，需要重構(gòu)經(jīng)過壓縮處理的數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)[8]。在建立的模型中填補(bǔ)數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)的優(yōu)勢(shì)在于能夠?qū)⑿〔ㄗ儞Q的模糊隸屬函數(shù)代入壓縮噪聲補(bǔ)償中，減少傳統(tǒng)模型建立方法中根據(jù)平均值進(jìn)行壓縮處理容易丟失細(xì)節(jié)的問題，得到最終數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)編碼，從根本上降低數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)壓縮比，從而保證數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)的數(shù)字化覆蓋程度。

1.4 數(shù)字經(jīng)濟(jì)的靶向路徑特征降維

在填補(bǔ)數(shù)字經(jīng)濟(jì)的靶向路徑空值和噪聲點(diǎn)的基礎(chǔ)上，基于主成分分析（PCA）的方式對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑特征進(jìn)行降維處理，其目的在于減少所考慮的隨機(jī)變量的數(shù)量。首先，構(gòu)建數(shù)字經(jīng)濟(jì)的靶向路徑特征數(shù)學(xué)表達(dá)式，設(shè)其目標(biāo)函數(shù)為C，則有公式（6）。

式中：a為針對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑的影響因素個(gè)數(shù)，a為實(shí)數(shù)；bn為該因素在數(shù)字經(jīng)濟(jì)的靶向路徑特征權(quán)重中的占比；Cn為最大特征值；n為次數(shù)，取值為1～n。

在得出數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)學(xué)表達(dá)式后，采用基于多元線性回歸的TensorFlow 命名機(jī)制修正多重共線性，先將上面的多元線性回歸表達(dá)式轉(zhuǎn)換成對(duì)數(shù)表達(dá)式，則有公式（7）。

通過公式（7）改變表達(dá)式的自變量形式。其基本原理是以相關(guān)聯(lián)的自變量為基礎(chǔ)建立函數(shù)模型，從而達(dá)到降維的目的。假設(shè)最終維度降為N個(gè)，將上述80%的樣本數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)代入修正后的數(shù)字經(jīng)濟(jì)的靶向路徑特征表達(dá)式，回歸計(jì)算分析無關(guān)聯(lián)獨(dú)立影響因素的強(qiáng)度系數(shù)Ci（i=1～n），則有公式（8）。

通過公式（8），得出矩陣的無關(guān)聯(lián)獨(dú)立影響因素的強(qiáng)度系數(shù)，將其作為數(shù)字經(jīng)濟(jì)的靶向路徑特征降維結(jié)果。

1.5 調(diào)整數(shù)字經(jīng)濟(jì)的靶向路徑模型參數(shù)

通過上述操作，完成對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)的預(yù)處理。在該基礎(chǔ)上，調(diào)整數(shù)字經(jīng)濟(jì)的靶向路徑模型參數(shù)，該參數(shù)分別為數(shù)字經(jīng)濟(jì)的靶向路徑常數(shù)誤差平方和以及極大似然估計(jì)值。在選取數(shù)字經(jīng)濟(jì)的靶向路徑模型指標(biāo)的基礎(chǔ)上，為了對(duì)常數(shù)誤差平方和、極大似然估計(jì)值2 個(gè)指標(biāo)進(jìn)行精準(zhǔn)計(jì)算，該文采用最小二乘法，以誤差平方求和的方式計(jì)算數(shù)字經(jīng)濟(jì)的靶向路徑常數(shù)誤差平方和[9]。設(shè)數(shù)字經(jīng)濟(jì)的靶向路徑常數(shù)誤差平方和的計(jì)算表達(dá)式為E，如公式（9）所示。

式中：N為數(shù)字經(jīng)濟(jì)的靶向路徑概率分布；k1為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)高頻特征；fi為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)更新頻率；k2為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)低頻特征；α為網(wǎng)絡(luò)內(nèi)傳輸信號(hào)強(qiáng)度。

通過公式（9）可以計(jì)算出數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)常數(shù)誤差平方和。完成上述步驟后，根據(jù)最小二乘法中的二次函數(shù)，求導(dǎo)計(jì)算數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)常數(shù)誤差平方和，如公式（10）所示。

式中：fi為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)更新頻率；k1為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)高頻特征；k2為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)低頻特征。

基于最小二乘法對(duì)常數(shù)的相位常數(shù)進(jìn)行計(jì)算，利用二次函數(shù)來擬合解空間，在函數(shù)中求極大似然估計(jì)值，優(yōu)化常數(shù)參數(shù)精度。在計(jì)算過程中，目標(biāo)函數(shù)與約束方程的關(guān)鍵參數(shù)均采用復(fù)雜的二次方程式進(jìn)行擬合。設(shè)該目標(biāo)函數(shù)的表達(dá)式為z，則有公式（11）。

式中：γ為數(shù)字經(jīng)濟(jì)的靶向路徑正交特征；Y為數(shù)據(jù)量綱。

通過公式（11）計(jì)算出數(shù)字經(jīng)濟(jì)的靶向路徑極大似然估計(jì)值。根據(jù)計(jì)算得出的結(jié)果，調(diào)整數(shù)字經(jīng)濟(jì)的靶向路徑模型參數(shù)。

1.6 實(shí)現(xiàn)數(shù)字經(jīng)濟(jì)的靶向路徑模型建立

以上文計(jì)算調(diào)整后的數(shù)字經(jīng)濟(jì)的靶向路徑模型參數(shù)為依據(jù)，通過上述公式建立數(shù)字經(jīng)濟(jì)的靶向路徑模型，得到目標(biāo)函數(shù)和約束函數(shù)的回歸方程，確定數(shù)字經(jīng)濟(jì)的靶向路徑參數(shù)中自變量和因變量之間的函數(shù)關(guān)系F（X），如公式（12）所示。

式中：β為數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)高頻時(shí)校正因子。

通過公式（12）計(jì)算出數(shù)字經(jīng)濟(jì)的靶向路徑模型，以此實(shí)現(xiàn)對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑模型的設(shè)計(jì)。

2 實(shí)例分析

2.1 實(shí)驗(yàn)準(zhǔn)備

為驗(yàn)證所建立模型的科學(xué)性與準(zhǔn)確性，選擇某行業(yè)數(shù)字經(jīng)濟(jì)指數(shù)作為實(shí)驗(yàn)對(duì)象進(jìn)行實(shí)例分析。實(shí)例分析內(nèi)容為測(cè)試數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法的適用性。該實(shí)驗(yàn)選用的測(cè)試工具為L(zhǎng)oadrunner，忽略其他會(huì)對(duì)模型運(yùn)行產(chǎn)生影響的外界因素。首先，使用該文的方法建立數(shù)字經(jīng)濟(jì)的靶向路徑模型，使用MATLAB 軟件測(cè)得該行業(yè)的數(shù)字經(jīng)濟(jì)數(shù)字化密度指數(shù)，定義該組為實(shí)驗(yàn)組。同時(shí)采用傳統(tǒng)的方法，建立數(shù)字經(jīng)濟(jì)的靶向路徑模型，同樣使用MATLAB 軟件測(cè)得該行業(yè)的數(shù)字經(jīng)濟(jì)數(shù)字化密度指數(shù)，作為對(duì)照組。為了在同一環(huán)境下完成對(duì)比驗(yàn)證，將多種變量參數(shù)設(shè)定為完全一致，避免其他因素對(duì)實(shí)驗(yàn)結(jié)果的影響。共開展10 次實(shí)驗(yàn)，將計(jì)算所得的數(shù)字化密度指數(shù)計(jì)入數(shù)據(jù)記錄表。數(shù)字化密度指數(shù)越高表示該模型性能越好，能夠?yàn)閿?shù)字經(jīng)濟(jì)的靶向路徑選擇策提供真實(shí)的數(shù)據(jù)。

2.2 實(shí)驗(yàn)結(jié)果分析與結(jié)論

記錄并整理計(jì)算結(jié)果，某行業(yè)的數(shù)字經(jīng)濟(jì)數(shù)字化密度指數(shù)對(duì)比結(jié)果見表1。

表1 數(shù)字化密度指數(shù)對(duì)比表

通過表1 可知，采用該文提出的設(shè)計(jì)方法建立的數(shù)字經(jīng)濟(jì)的靶向路徑模型數(shù)字化密度指數(shù)明顯高于對(duì)照組，證明設(shè)計(jì)模型更具實(shí)際應(yīng)用價(jià)值，值得被大力推廣。

3 結(jié)語(yǔ)

該文對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑模型建立方法進(jìn)行了研究，在完成對(duì)該文研究成果的分析后可知，數(shù)字經(jīng)濟(jì)的靶向路徑模型是一種較為復(fù)雜的模型結(jié)構(gòu)，因此，需要采取數(shù)據(jù)預(yù)處理的方式提高建立模型的精度，并且在建立過程中，應(yīng)注意外界因素對(duì)數(shù)字經(jīng)濟(jì)的靶向路徑數(shù)據(jù)的干擾，避免模型因操作不當(dāng)而出現(xiàn)與實(shí)際不匹配的問題。在未來的研究中，可以以數(shù)字經(jīng)濟(jì)的靶向路徑發(fā)展為主要研究方向，結(jié)合當(dāng)下的國(guó)家政策，指明數(shù)字經(jīng)濟(jì)的靶向路徑主流方向。