作者：苏林茂 王东仁 王振磊
自动化洗碗机来源：《甘肃科技纵横》2022年第01期
pam加药
城市排水 关键词：大数据;人工智能;情报融合;服务;决策
极化片 中图分类号：G2 文献标志码：A
情报融合是对所关注的初始情报进行整编校准以生成更高层次情报的方法。与传统的人工对公共事务的决策方式相比，由于收集和掌握信息有限，决策效果难以精确化，决策质量难以提升，同时随着决策环境的日益复杂，海量数据信息的快速膨胀，多样化的数据信息也不断对数据处理手段提出新的要求，也常常超出普通系统的求解能力。而大数据技术和人工智能的运用已成为我国战略情报服务的重点研究方法和有力工具。大数据技术是人工智能作出精准判断的基石，人工智能的持续发展则促进大数据深入全面地将数据最大价值化。大数据与人工智能两者在技术上的交织日益频密，界限也逐步模糊，所呈现的融合发展趋势已不可逆转。本论述从技术角度研究情报融合主要分三个层次，即大数据与人工智能技术的融合、情报信息处理与决策算法的融合研究、情报融合服务决策的机制。
1大数据与人工智能的技术融合
大数据技术主要是运用大规模并行处理数据库，数据挖掘、分布式数据库、分布式文
件系统等对原始数据进行采集与传输、计算与处理、存储与调度的过程。人工智能重点在于分析和解释数据，用来解决现实问题。主要可以将其分为三层，即基础技术层、AI技术层、AI应用层（如图1所示）。基础技术层主要包含基础数据资源、计算能力和硬件平台，主要与大数据相关技术结合，包括对数据的存储设备;AI技术层主要聚焦算法、模型，其中传统机器学习和神经网络算法为主要算法;AI应用层主要将人工智能与现实领域结合起来，主要有计算机视觉、机器学习、自然语言处理和机器人。
在对情报处理过程中大数据和人工智能的融合应用流程如下：在集中各类数据流的硬件平台上，运用分布式基础架构、集计算环境、流处理环境进行分布式并行处理，协同利用多源数据，最大化的减少数据信息损耗，确保全面性、及时性、多样性和可靠性，保证情报数据的连续性.通过强化学习的方法来感知关注领域的信息与环境特征。通过边缘计算将数据导入分析模型实现数据融合，通过实现情报信息融合，通过机器学习实现了情报融合，生成情报成果体系。
综上所述，大数据与人工智能的融合是以精准获取高价值情报数据为目标，以政府关注的情报信息需求为导向，以大数据为情报信息来源基础，以多元信息融合技术及方法为
手段，利用人工智能对数据进行融合、处理和分析，形成系统性的情报产品，辅助和支持最终决策。
2情报融合与决策算法的体系研究
通过对智能决策的目标和要求看，对决策优化不仅要运用高级算法，更是依赖情报感知能力、平台运算能力的增强。可实现信息采集、数据清洗与匹配、情报处理、决策模拟与优化、情报跟踪反馈等组件功能的开发。在模型框架的基础上，合理选择运用逻辑回归、决策树、支持向量机等算法构建分析临界值，根据信息数据的规模，研究部署模型集成（Ensemble）框架，对构建基于大数据与人工智能融合的决策机制模型提供原理方法和技术支持（如图2所示）。
在信息数据获取中，要求对分布式数据的处理更便捷合理，速度效率更高，在Spark框架中，提供DAG图的分布式并行计算的编程框架，可大大提高迭代式计算的性能，实现批量和流式数据的高性能计算，与Hadoop相比，RDD提供了交互式的集运算接口。极大地提升了数据处理分析速度。
在情报信息处理中，为了有效进行情报实践研究，综合运用计算机图像视觉、自然语言处理、自动推理等方法。经过基础数据收集、关联数据整理、算法模型设计、机器学习训练等步骤，利用边缘计算使得所获取情报信息能够更接近用户的期望。在深度学习中的卷积神经网络（CNN）、LSTM和基于注意力的神经网络技术能够提供图片数据信息和序列数据信息的建模示例，有助于大量非结构信息的获取;计算机视觉通过工程和仿生学的方法，较好地解决目标跟踪研究中的视场、分辨率和实时性三者之间有效性的矛盾问题，可以有效实行情报信息识别、分类和分割;知识图谱技术利用图模型构建知识之间的关联关系，是人工智能向深度发展的重要依托工具;知识地图作为主流知识管理系统的核心模块，通过数学概念图链接知识，成为解决IH数据库智能功能缺失的关键技术，更有利于信息挖掘和分析。
真空磁悬浮列车 在决策模拟与优化中，借助神经网络、逻辑回归、决策树、支持向量机等方法，将现有事件和决策方向相互印证联系进行数据量化，在模型集成（多模型）框架中，通过测试二次整合数据的多模型融合，使用偏差-方差分析指導，寻求决策的最优组合，提高模型在训练集上的拟合能力。随着外部和内部变量的改变，不同的对策会得到不同的反馈。对于动态确定性决策和随机性决策，考虑到空间和时间的联系，加入博弈论和强化学习，通过
深度机器学习，使得测试集的效果更趋近于真实效果。提高模型的泛化能力，以达到加强战略决策的科学性的目的。
在情报跟踪反馈中，运用因果推理与DAG辨识、强化学习和可解释学习等方法结合起来，从大量数据中挖掘关联知识，以达到数据降噪、快速定位和准确解释的目的。情报跟踪反馈的核心是在一个或多个周期内检测决策落实的效果。利用贝叶斯网络（DAG）隔离杂质因素，尽量避免其他事件带来的一些噪音。即将因果推理集成到图的网络中，生成过程因果图，判断是否有某些因素影响决策，避免对跟踪反馈分析产生干扰。反馈主要来自两个方面，一是用户对情报服务的评价和要求，二是系统数据。二者共同确保运行中能够随时发现问题，及时纠正偏差，调整方向。同时反作用于输入情报，对情报的再输出产生影响，进而辅助优化决策。
3“快速响应-分层递阶-智能迭代”决策机制模型构建
对数据驱动模式下的智能-交互-集成化的决策情报服务机制的建立改变了依靠历史经验进行决策的方法。遵循智慧决策理念，依托大数据和人工智能技术，按照精准聚类—递阶控制—整体调控—迭代监控—价值回溯的流程，提出“快速响应-分层递阶-智能迭代”政府
决策机制模型（如图3所示）。
3.1模型构建基本思路
该模型以精准聚类、递阶控制、整体调控、迭代监控、价值回溯为主线。首先利用机器学习对有关数据进行“精准聚类”，到问题来源和依据，再通过“递阶控制”实现对决策支持控制过程控制。综合外部环境、舆情变化等动态信息进行“整体调控”，不断调整完善决策内容。最后还要持续进行“迭代监控”，评估决策落实效果是否达到预期或保持在阈值范围内，最后经验数据通过“价值回溯”流回决策经验数据库。设计此模型的目的是对问题的归类、判断、分析、解决、反馈等决策全过程的系统支持，实现对目标事件的有效控制和规范。该模型服务于政府决策的优点在于：一是通过模型对所关注事件及趋势走向的快速响应有助于提升情报融合采集、情报决策服务、情报决策执行和情报跟踪监测的效率;二是循环反馈机制的智能迭代，有助于决策在实际执行中不断调整优化，确保最优;三是决策经验数据库随着经验数据的不断丰富，有助于促进历史数据的递归循环和高效利用，从而增加数据价值，在制订中长期战略性决策时提供可靠的情报数据支撑。
折叠式集装箱
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议