潘思葳

（哥伦比亚大学，美国 纽约 10027）

0 引言

数字经济的核心为运用数字化的生产要素，通过现代信息网络对经济结构进行优化[1]。基于数字经济的不断发展，为驱动全球经济技术变革提供坚实的力量。杭州G20峰会明确指出：数字经济的重要功能就是促进中国经济高质量发展。数字经济为全球经济的发展带来了全新的机遇与挑战，能够通过数据优势与传统产业相结合，为产业业态创新提供源动力。数字经济的发展是我国经济在全球范围内快速增长的先决条件，因此，必须重视并充分发挥数字经济的能动力[2]。数字经济的靶向路径是依赖数字技术的创新，通过数据要素精准地满足经济发展的需求。作为数字经济中的重要内容，我国建立数字经济靶向路径模型的方法层出不穷，但由于其在建立过程中缺少对数字经济的定量分析，导致数字经济的靶向路径模型数字化密度指数低[3]；因此，对数字经济的靶向路径模型建立方法的相关研究成为学术界研究的热门话题。该文基于此提出数字经济的靶向路径模型建立方法研究，致力于提高靶向路径模型的数字化密度指数。

1 数字经济的靶向路径模型建立方法

在建立数字经济的靶向路径模型的过程中，需要对数字经济的靶向路径进行相关整理与收集，通过标签化的方式对数字经济的靶向路径的相关数据进行预处理，具体方法包括删除数字经济的靶向路径冗余特征、填补数字经济的靶向路径空值和噪声点以及数字经济的靶向路径特征降维。在该基础上，通过模型训练的方式，调整数字经济的靶向路径模型参数，进而建立数字经济的靶向路径模型[4]。该文设计的数字经济的靶向路径模型建立方法整体流程如图1 所示。

图1 中6 步主要流程的具体研究内容，如下文所述。

图1 数字经济的靶向路径模型建立方法流程

1.1 数字经济的靶向路径数据挖掘

在建立数字经济的靶向路径模型前，必须明确数字经济的靶向路径模型的建立需求，预先选择目标数据[5]。根据数字经济靶向路径数据的范围，基于数据挖掘算法运用K-means 聚类分析数字经济靶向路径数据，以此实现对数据的挖掘，并对挖掘结果进行分析。数字经济的靶向路径数据挖掘流程如图2 所示。

图2 数字经济的靶向路径数据挖掘流程

首先，从不同的数字经济信息中任意抽取K个中心点，选择初始簇的中心点；在提取数字经济的靶向路径信息之前，先对其进行预处理，得到较为纯净的数字经济信息。其次，将各个不同的数字经济信息数据点配置到离该数据点最近的中心点，即分样本簇点。最后，将多个不同的样本数据簇的点划分到距离其比较近的中心所表示的样本簇中，即将与初始簇的中心点比较近的中心点划分为一类。在该步骤中，引入距离公式得到公式（1）。

式中：d（x，y）为欧几里得距离；n为数字经济信息的维度；i为数字经济的靶向路径条数，i为实数；x、y分别为异种数字经济信息。

通过公式（1），以初始簇的中心点距离为指标，挖掘数字经济的靶向路径数据，总结出数字经济的靶向路径数据中潜在的隐藏信息，完成对数字经济的靶向路径数据的挖掘。

1.2 删除数字经济的靶向路径冗余特征

以上述通过数字经济的靶向路径数据挖掘得到的接近真实的数字经济的靶向路径聚类中心为依据，考虑到数字经济的靶向路径中存在的冗余特征会对模型建立造成干扰[6]；因此，需要对数字经济的靶向路径数据进行加工，其目的是删除数字经济的靶向路径冗余特征。在设计相关算法前需要提取数字经济的靶向路径的冗余特征，以实现对数字经济的靶向路径的有效识别。在提取冗余特征的过程中，根据数据特点，从不同维度对靶向路径数据进行分类处理，根据不同类别数据的相关性对其进行权值赋值。在完成对靶向路径数据迭代权值与训练样本的定义后，分析其中高权重信息与低权值信息，去除低贡献的低权值信息，保留高权值信息，并将其作为靶向路径数据的冗余特征。反复迭代，构建靶向路径数据特征信息的集合。

在构建特征信息集合的基础上，以维护靶向路径数据分类现状为目标进行特征权值迭代。假设不同冗余特征之间均存在一定间隔，将存在无效信息的特定面作为靶向路径数据可以识别的最大距离。确定存在冗余特征的靶向路径数据间隔，如公式（2）所示。

式中：θ为靶向路径数据间隔；x为靶向路径数据；E（x）为距离靶向路径数据x最近的同类冗余特征点；L（x）为与靶向路径数据x属于非同一类型的同类冗余特征点。

根据公式（2）获取靶向路径数据的具体冗余点，该过程为使用m×n表示多维度图像矩阵。假设靶向路径数据中存在n个冗余特征，将定义的n值存入数据库；将待执行训练的图像中第i个冗余特征样本置于靶向路径数据第N列中，假设靶向路径数据每行或每列的初始化特征权值表示为0，即Wj=0，则冗余特征样本的数据集合可表示为j=1，2，3，…，N。

同时，假设在存在冗余特征的靶向路径数据中，训练样本的总个数为n，则需要在1～n对i值进行反复赋值。迭代权值的计算过程如公式（3）所示。

式中：为靶向路径数据的初始化权值；xi为数字经济靶向路径中的某一条数字经济信息；S为对靶向路径数据抽样过程中与xi同类的冗余样本；Y为不同类的冗余样本；E（xi）为与xi距离最近的坐标点；L（xi）为与xi属于不同类的最近坐标点。

根据公式（3），在对存在冗余特征的靶向路径数据进行删除时，冗余特征样本分别以同类数据与非同类数据的方式来表达，因此可认为权值较大的特征数据集合之间冗余特征相似度较高；反之相似度较小。因此，要删除数字经济的靶向路径冗余特征。

1.3 填补数字经济的靶向路径空值和噪声点

删除数字经济的靶向路径冗余特征后，为保证数字经济的靶向路径模型建立的数字化覆盖程度，需要采用中位数填补数字经济的靶向路径空值和噪声点[7]。完成上述步骤后，选择数字经济的靶向路径最大的压缩特征值作为类标签，标记为伪标记数据，设U类的伪标记数据个数是US，则U类伪标记的小波变换计算公式，如公式（4）所示。

式中：L为带标签的数字经济的靶向路径压缩数据的个数；Lc为靶向路径压缩数据的最大个数；x为靶向路径数据；R为同类伪标记数据；F为同类带标签数字经济的靶向路径压缩数据平均相似度；i为数据次数。

结合公式（4），如果加入的伪标记数据能够满足一定数字经济的靶向路径压缩条件，则可以通过空值和噪声点补偿所需要满足的条件，如公式（5）所示。

式中：m为自适应压缩噪声补偿数据个数；β为分类器错误率上限；θ为分类器噪声率上限；R为同类伪标记数据；F为同类带标签数字经济的靶向路径压缩数据平均相似度；σ为当次迭代中伪标记数据的数量。

得出数字经济的靶向路径空值和噪声点补偿函数后，需要重构经过压缩处理的数字经济的靶向路径数据[8]。在建立的模型中填补数字经济的靶向路径空值和噪声点的优势在于能够将小波变换的模糊隶属函数代入压缩噪声补偿中，减少传统模型建立方法中根据平均值进行压缩处理容易丢失细节的问题，得到最终数字经济的靶向路径数据编码，从根本上降低数字经济的靶向路径数据压缩比，从而保证数字经济的靶向路径数据的数字化覆盖程度。

1.4 数字经济的靶向路径特征降维

在填补数字经济的靶向路径空值和噪声点的基础上，基于主成分分析（PCA）的方式对数字经济的靶向路径特征进行降维处理，其目的在于减少所考虑的随机变量的数量。首先，构建数字经济的靶向路径特征数学表达式，设其目标函数为C，则有公式（6）。

式中：a为针对数字经济的靶向路径的影响因素个数，a为实数；bn为该因素在数字经济的靶向路径特征权重中的占比；Cn为最大特征值；n为次数，取值为1～n。

在得出数字经济的靶向路径数学表达式后，采用基于多元线性回归的TensorFlow 命名机制修正多重共线性，先将上面的多元线性回归表达式转换成对数表达式，则有公式（7）。

通过公式（7）改变表达式的自变量形式。其基本原理是以相关联的自变量为基础建立函数模型，从而达到降维的目的。假设最终维度降为N个，将上述80%的样本数字经济的靶向路径数据代入修正后的数字经济的靶向路径特征表达式，回归计算分析无关联独立影响因素的强度系数Ci（i=1～n），则有公式（8）。

通过公式（8），得出矩阵的无关联独立影响因素的强度系数，将其作为数字经济的靶向路径特征降维结果。

1.5 调整数字经济的靶向路径模型参数

通过上述操作，完成对数字经济的靶向路径数据的预处理。在该基础上，调整数字经济的靶向路径模型参数，该参数分别为数字经济的靶向路径常数误差平方和以及极大似然估计值。在选取数字经济的靶向路径模型指标的基础上，为了对常数误差平方和、极大似然估计值2 个指标进行精准计算，该文采用最小二乘法，以误差平方求和的方式计算数字经济的靶向路径常数误差平方和[9]。设数字经济的靶向路径常数误差平方和的计算表达式为E，如公式（9）所示。

式中：N为数字经济的靶向路径概率分布；k1为数字经济的靶向路径数据高频特征；fi为数字经济的靶向路径数据更新频率；k2为数字经济的靶向路径数据低频特征；α为网络内传输信号强度。

通过公式（9）可以计算出数字经济的靶向路径数据常数误差平方和。完成上述步骤后，根据最小二乘法中的二次函数，求导计算数字经济的靶向路径数据常数误差平方和，如公式（10）所示。

式中：fi为数字经济的靶向路径数据更新频率；k1为数字经济的靶向路径数据高频特征；k2为数字经济的靶向路径数据低频特征。

基于最小二乘法对常数的相位常数进行计算，利用二次函数来拟合解空间，在函数中求极大似然估计值，优化常数参数精度。在计算过程中，目标函数与约束方程的关键参数均采用复杂的二次方程式进行拟合。设该目标函数的表达式为z，则有公式（11）。

式中：γ为数字经济的靶向路径正交特征；Y为数据量纲。

通过公式（11）计算出数字经济的靶向路径极大似然估计值。根据计算得出的结果，调整数字经济的靶向路径模型参数。

1.6 实现数字经济的靶向路径模型建立

以上文计算调整后的数字经济的靶向路径模型参数为依据，通过上述公式建立数字经济的靶向路径模型，得到目标函数和约束函数的回归方程，确定数字经济的靶向路径参数中自变量和因变量之间的函数关系F（X），如公式（12）所示。

式中：β为数字经济的靶向路径数据高频时校正因子。

通过公式（12）计算出数字经济的靶向路径模型，以此实现对数字经济的靶向路径模型的设计。

2 实例分析

2.1 实验准备

为验证所建立模型的科学性与准确性，选择某行业数字经济指数作为实验对象进行实例分析。实例分析内容为测试数字经济的靶向路径模型建立方法的适用性。该实验选用的测试工具为Loadrunner，忽略其他会对模型运行产生影响的外界因素。首先，使用该文的方法建立数字经济的靶向路径模型，使用MATLAB 软件测得该行业的数字经济数字化密度指数，定义该组为实验组。同时采用传统的方法，建立数字经济的靶向路径模型，同样使用MATLAB 软件测得该行业的数字经济数字化密度指数，作为对照组。为了在同一环境下完成对比验证，将多种变量参数设定为完全一致，避免其他因素对实验结果的影响。共开展10 次实验，将计算所得的数字化密度指数计入数据记录表。数字化密度指数越高表示该模型性能越好，能够为数字经济的靶向路径选择策提供真实的数据。

2.2 实验结果分析与结论

记录并整理计算结果，某行业的数字经济数字化密度指数对比结果见表1。

表1 数字化密度指数对比表

通过表1 可知，采用该文提出的设计方法建立的数字经济的靶向路径模型数字化密度指数明显高于对照组，证明设计模型更具实际应用价值，值得被大力推广。

3 结语

该文对数字经济的靶向路径模型建立方法进行了研究，在完成对该文研究成果的分析后可知，数字经济的靶向路径模型是一种较为复杂的模型结构，因此，需要采取数据预处理的方式提高建立模型的精度，并且在建立过程中，应注意外界因素对数字经济的靶向路径数据的干扰，避免模型因操作不当而出现与实际不匹配的问题。在未来的研究中，可以以数字经济的靶向路径发展为主要研究方向，结合当下的国家政策，指明数字经济的靶向路径主流方向。