賓揚帆

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽 421005）

0 引言

創(chuàng)新創(chuàng)業(yè)是當(dāng)今社會的主旋律，但在過程中存在激烈的競爭，需要面對若干不確定因素，導(dǎo)致創(chuàng)新創(chuàng)業(yè)的成功率偏低。高校作為人才培養(yǎng)的基地，有責(zé)任在創(chuàng)新創(chuàng)業(yè)中給予專業(yè)的指導(dǎo)和建設(shè)性的路徑建議?，F(xiàn)實中，由于信息不對等、不及時等原因，高校的創(chuàng)業(yè)路徑指導(dǎo)存在滯后和盲目的問題。為了從技術(shù)層面解決這一問題，應(yīng)用大數(shù)據(jù)分析的思維，將影響創(chuàng)新創(chuàng)業(yè)的因素以數(shù)值化的形式表示，并將其影響效果和相互關(guān)聯(lián)關(guān)系在模型中進(jìn)行詮釋，所得到的結(jié)果是兼顧了歷史、同行、背景、產(chǎn)業(yè)相關(guān)方等豐富數(shù)據(jù)的融合體現(xiàn)，會對創(chuàng)新創(chuàng)業(yè)的方向和路徑起到指引作用，避免了盲目跟從所帶來的風(fēng)險。同時，通過數(shù)據(jù)融合分析的全面性特點，可以在紛繁復(fù)雜的市場關(guān)系中，找到適合創(chuàng)業(yè)者專業(yè)方向的路徑，助力創(chuàng)業(yè)成功。在大數(shù)據(jù)處理技術(shù)領(lǐng)域，“融合”已經(jīng)是一種重要的理念，可以將紛繁復(fù)雜的多元信息進(jìn)行歸一化處理，建立可相互影響的信息處理模型，以實現(xiàn)復(fù)雜問題的簡單化描述。多源信息的融合有助于挖掘數(shù)據(jù)的潛力，提高分析的效率；多源數(shù)據(jù)的相互驗證，可以減少錯誤和疏忽，防止決策失誤。

1 多維度數(shù)據(jù)融合技術(shù)

制約創(chuàng)新創(chuàng)業(yè)成功的因素很多，但是在某一確定行業(yè)領(lǐng)域，單一影響因素的作用效果卻是可以預(yù)先評估的。因此需要在很多因素的海量信息中，提取出對創(chuàng)新創(chuàng)業(yè)的結(jié)果影響最直接、作用最突出的一項或幾項數(shù)據(jù)信息，作為評價該創(chuàng)業(yè)創(chuàng)新路徑成功概率的核心要素。

1.1 數(shù)據(jù)篩選規(guī)則

數(shù)據(jù)篩選規(guī)則針對的是某一確定行業(yè)的相關(guān)單位經(jīng)營業(yè)績、發(fā)展速度、產(chǎn)業(yè)規(guī)模、用工層次、營收額度、納稅信息等龐雜的數(shù)據(jù)信息，采用關(guān)鍵詞過濾的監(jiān)控方式和特定類型數(shù)據(jù)的對比鑒別，收集到關(guān)聯(lián)度高的價值數(shù)據(jù)，實現(xiàn)數(shù)據(jù)挖掘。設(shè)計的具體流程為：SDFR（Service discovery for multi-robot systems，多自動處理系統(tǒng)的服務(wù)發(fā)現(xiàn)）通過網(wǎng)絡(luò)層傳輸?shù)綉?yīng)用層的整體數(shù)據(jù)特性，對數(shù)據(jù)的特征、總量等關(guān)鍵信息進(jìn)行統(tǒng)計類型的描述。SDFR系統(tǒng)具有良好的可擴(kuò)充能力，能夠根據(jù)行為的特征，實現(xiàn)對各種關(guān)鍵詞的處理，包括采樣輸出、原始報文和源資料輸出等。借助SDFR系統(tǒng)核心引擎，以信息融合技術(shù)為基礎(chǔ)的大學(xué)創(chuàng)新創(chuàng)業(yè)路徑規(guī)則體系主要由規(guī)則頭部、規(guī)則本體和規(guī)則行為三大類組成。規(guī)則主體定義特征匹配、計算規(guī)則，以提高規(guī)則的易讀度。在SDFR系統(tǒng)的搜索引擎發(fā)現(xiàn)關(guān)鍵詞后，認(rèn)為該段信息具有價值，則開啟擴(kuò)展搜索，對該信息段的關(guān)聯(lián)信息和上下游信息進(jìn)行加強(qiáng)檢索。過程引擎是多維數(shù)據(jù)融合過濾過程的核心，可以將SDFR轉(zhuǎn)化為一組過濾法則，根據(jù)需求啟動對應(yīng)的數(shù)據(jù)處理，最終實現(xiàn)一個完整的過濾過程。整個處理流程由規(guī)則預(yù)處理、規(guī)則匹配和規(guī)則發(fā)現(xiàn)標(biāo)識3個環(huán)節(jié)組成。該文對所選擇的測值資料采用平均權(quán)重法進(jìn)行分析，其核心是一種特殊的最小二乘估算，如公式（1）所示。

參數(shù)的最小二乘估計如公式（2）所示。

圖1 信息數(shù)據(jù)融合示意圖

式中：觀測矢量∈R，觀測矩陣∈R，未知參數(shù)矢量∈R，∈R為相同分布高斯白噪聲。當(dāng)觀測矩陣=[1，1，...，1]∈R，化簡為式（3）。

對矩陣進(jìn)行分析，發(fā)現(xiàn)該算法與平均法基本一致，驗證了模型的正確性。通過相似的計算程序可以把這種方法稱為最小無偏化計算。該文應(yīng)用了一種基于最小二乘的最大值估計法，即最大偏差二乘法可以對下限進(jìn)行最大程度的估算。在該條件下，算法的最大值會受到限制，應(yīng)用基于數(shù)據(jù)融合的線性偏差估算方法，可以有效地改善篩選的可靠性.

1.2 數(shù)據(jù)預(yù)處理

對規(guī)則進(jìn)行分析，進(jìn)行優(yōu)化匹配。利用SDFR語法分析和詞法分析，規(guī)范了搜索結(jié)果的匹配性；從多維的數(shù)據(jù)集中，提取各個規(guī)則下的不同維度數(shù)據(jù)，按照不同的維度劃分，構(gòu)建起一個多維的規(guī)則，并以此為基礎(chǔ)構(gòu)建了多維數(shù)據(jù)模型，以實現(xiàn)基于Bitmap數(shù)據(jù)下標(biāo)的快速查找。當(dāng)Bitmap發(fā)現(xiàn)滿足條件的矢量結(jié)果，建立鏈接，并設(shè)定標(biāo)志位bit為1，代表相應(yīng)的常點數(shù)；如果bit為0，則代表在匹配處理中匹配結(jié)果發(fā)生了變化?；跀?shù)據(jù)包、報文和深度報文的多維度特征比對，采用基于數(shù)據(jù)流的規(guī)則匹配。網(wǎng)絡(luò)信息的特征包括自定義標(biāo)題、五元組和載體的信息特征和相位特征，包括會話創(chuàng)建、會話重組和會話超時。在對話流程建立的過程中，可以對五個元素組進(jìn)行分析，判斷自定義特征。然后進(jìn)行五個元素相應(yīng)維度的對應(yīng)匹配，并刷新對應(yīng)的結(jié)果矢量；對重新組合的過程不必進(jìn)行任何的匹配；在保證精確度的前提下，對多個層次進(jìn)行多維的匹配，提高數(shù)據(jù)處理的正確性。引入線性模型的典型形式，為式（4）。

未知矢量的最小二乘估計為式（5）。

式中：Λ={λ}，為特征根，為線性變換。α和x之間的關(guān)系如式（6）所示。

式中：是對應(yīng)特征根的標(biāo)準(zhǔn)化正交特征向量，通過對多個單維度Bitmap的結(jié)果矢量進(jìn)行對比和操作，并從該結(jié)果矢量的中間點找到相應(yīng)的規(guī)則ID，從而得到該規(guī)則的真實ID。規(guī)則矩陣是以多個單一維度的法則矢量為基礎(chǔ)，以發(fā)現(xiàn)的結(jié)果為參數(shù)，儲存該規(guī)則的集合。該算法采用了基于2個方向的矩陣模型實現(xiàn)對網(wǎng)絡(luò)數(shù)據(jù)的相似性模擬，并將其劃分成行和列兩種類型變化。

2 基于數(shù)據(jù)融合的創(chuàng)業(yè)路徑體系

2.1 數(shù)據(jù)融合過程

以數(shù)據(jù)整合為基礎(chǔ)的大學(xué)創(chuàng)新創(chuàng)業(yè)路徑引導(dǎo)信息的整合，要求在對創(chuàng)業(yè)成功性進(jìn)行判定時，通過對確定行業(yè)各種特征指數(shù)的分析，結(jié)合輸入的確定信息，進(jìn)行全面剖析，得出對創(chuàng)業(yè)成功率的最后判定。通過對各個目標(biāo)的不同特性描述，對這些信息進(jìn)行分析和加工，根據(jù)一定的規(guī)律對冗余和互補(bǔ)信息進(jìn)行綜合，并對其進(jìn)行選擇和判定，從而得出一個正確的決策結(jié)果。

創(chuàng)業(yè)融合路徑指導(dǎo)利用冗余度的方法對目標(biāo)進(jìn)行分析，并利用補(bǔ)充的數(shù)據(jù)增強(qiáng)了系統(tǒng)的穩(wěn)定性。對這些數(shù)據(jù)，系統(tǒng)并沒有進(jìn)行簡單的分析和整合，而是按照數(shù)據(jù)中的時空特性，按照數(shù)據(jù)的等級進(jìn)行分類，以此實現(xiàn)在一個層面對數(shù)據(jù)進(jìn)行分析，也可以從多個層面進(jìn)行融合。分類過程分為數(shù)據(jù)層、特征層和決策層3個層級。該文根據(jù)以上原理，對有偏差量的可靠度進(jìn)行了量化表達(dá)，在較大程度上反映了被測參量的真實值。在該情況下未知數(shù)矢量的每個元素α的有偏樣本方差為式（7）。

因為α 滿足正態(tài)分布，所以高校大學(xué)生對創(chuàng)新創(chuàng)業(yè)的路徑指導(dǎo)α的概率密度函數(shù)為式（8）。

在對數(shù)據(jù)進(jìn)行分析和合并之前，通過對傳感器的測量結(jié)果進(jìn)行預(yù)處理，以消除噪聲的影響，從而獲得準(zhǔn)確的數(shù)據(jù)。數(shù)據(jù)的特征抽取是在經(jīng)過預(yù)處理后，按照特定的準(zhǔn)則選擇出相應(yīng)的特征，從而獲得最終的融合結(jié)果。最后通過數(shù)據(jù)的融合運算，針對特定的應(yīng)用需求進(jìn)行選擇和運用

[10]。

2.2 數(shù)據(jù)融合層次

通過對各信息進(jìn)行有效的數(shù)據(jù)層次融合，完成對目標(biāo)的最終判斷，從而改善整個創(chuàng)業(yè)路徑的綜合效能。由于數(shù)據(jù)具有多種特性，因此可以按照不同的應(yīng)用需求和數(shù)據(jù)特性對其進(jìn)行多層次、多階段的分析，從而進(jìn)行分級。因為在提取原始數(shù)據(jù)和資料時，必須先概括與原資料完全一致的特征信息，否則無法將2種類型的資料進(jìn)行合并。概括過程不需要預(yù)先進(jìn)行任何的處理步驟，即可將數(shù)據(jù)的全部信息保留下來，從而實現(xiàn)數(shù)據(jù)的融合。利用相關(guān)對象的特征矢量進(jìn)行目標(biāo)環(huán)境的辨識，使用神經(jīng)網(wǎng)絡(luò)算法，決策級集成了各個感知系統(tǒng)的決策信息，從而提高了性能。在決策層面上，各個感知節(jié)點分別接收到各自的數(shù)據(jù)，并對各個獨立的個體進(jìn)行分析判斷，在圖2中顯示了特征級的數(shù)據(jù)融合層次構(gòu)造圖。

圖2 數(shù)據(jù)融合層次圖

針對高校的創(chuàng)新創(chuàng)業(yè)背景下，在進(jìn)行融合的過程中，要從融合方案、資金預(yù)算、檢測參數(shù)以及系統(tǒng)性能等方面進(jìn)行考量，融合效果與融合層次、融合程度和計算能力都息息相關(guān)。所得到的最終決策，綜合了制約創(chuàng)業(yè)成功的影響因素，在多重決策的前提下，實現(xiàn)了相互關(guān)聯(lián)，剔除重復(fù)影響因素，加重了關(guān)鍵影響因素，形成綜合化決策結(jié)果。

3 實例試驗

3.1 試驗準(zhǔn)備

為了更好地理解大學(xué)生創(chuàng)新創(chuàng)業(yè)的意識趨向，該文從基本情況、創(chuàng)新計劃、創(chuàng)業(yè)方向和創(chuàng)業(yè)預(yù)備四個方面入手，將研究對象涵蓋到全體應(yīng)屆畢業(yè)生。大學(xué)生創(chuàng)業(yè)目標(biāo)不夠明確，但在創(chuàng)業(yè)者看來，創(chuàng)業(yè)最大的問題在于缺少經(jīng)驗、缺少人脈、缺少社會資源、缺少創(chuàng)業(yè)精神等。研究結(jié)果表明，目前高校學(xué)生創(chuàng)新創(chuàng)業(yè)存在突出問題變現(xiàn)在：高校創(chuàng)新創(chuàng)業(yè)課程開設(shè)不足、創(chuàng)業(yè)政策和理念認(rèn)識不足；在應(yīng)試教育體系中，營銷意識、理財技能和交流技能基本欠缺；項目選擇盲目，好高騖遠(yuǎn)，創(chuàng)業(yè)技能不足且急于求成；社會資源相對貧乏、人脈積累不足；經(jīng)營管理經(jīng)驗不足，處于“摸著石頭過河”的盲動狀態(tài)；國家和社會層面在政策傾斜、資金支持等多個方面相對欠缺；對現(xiàn)有社會資源、平臺無法合理利用等可能遇到的問題或潛在風(fēng)險。將以上直接或潛在影響因素作為輸入數(shù)據(jù)，進(jìn)行數(shù)據(jù)信息的融合計算，驗證高校創(chuàng)新創(chuàng)業(yè)路徑指導(dǎo)的作用與正確性。

3.2 試驗結(jié)果

為更好地對比研究大學(xué)創(chuàng)新創(chuàng)業(yè)過程中的有偏差和無偏差的測量結(jié)果的可信度，結(jié)合一個統(tǒng)一的基礎(chǔ)標(biāo)準(zhǔn)，在非偏差的對稱范圍中，對有偏差的可靠度進(jìn)行量化表達(dá)，數(shù)據(jù)融合的過程如圖3所示。

圖3 數(shù)據(jù)融合過程

由于測量的可靠性和誤差都是在（+∞，+∞）的范圍之內(nèi)，因此，量化表達(dá)的可靠性必須在一個特定的數(shù)值區(qū)間中進(jìn)行量化評估。例如假定在一個限制條件下，測量的數(shù)值在（+∞，+∞）的區(qū)間中均可以達(dá)到，所以任何一個測量的數(shù)值都是絕對可靠的，明顯不適合于實際情況。在測量的過程中，要力求一個盡可能小的變化范圍和一個可接受的誤差區(qū)間，測量的可靠性必須是高可信度。因此，不能僅依靠一個方差或一個誤差來度量，而是要把誤差和方差結(jié)合起來?？煽啃灾笖?shù)不僅要量化，而且還要給出上限，二者缺一不可，如果只量化可靠性而不給出上限條件，就不可能準(zhǔn)確地判斷其可靠性。將基本情況、創(chuàng)新計劃、創(chuàng)業(yè)方向、創(chuàng)業(yè)準(zhǔn)備四個維度的不同情況數(shù)據(jù)代入模型中計算，融合判定結(jié)果對例如圖4所示。

從圖4可以看出，創(chuàng)業(yè)目標(biāo)明確的創(chuàng)業(yè)大學(xué)生越來越多，該模型可以在不確定的情況下，將數(shù)據(jù)的統(tǒng)計結(jié)果與最小二乘法進(jìn)行比較，制定一種新的路徑指導(dǎo)策略。采用該方法能夠提高指導(dǎo)的可靠性，為創(chuàng)業(yè)學(xué)生提供有針對性的建議，使高校學(xué)生創(chuàng)新創(chuàng)業(yè)的內(nèi)容明確，提高創(chuàng)業(yè)成功率。

圖4 高校大學(xué)生創(chuàng)新創(chuàng)業(yè)指導(dǎo)后變化圖

4 結(jié)語

當(dāng)前，我國高校學(xué)生在創(chuàng)業(yè)的過程中，對創(chuàng)業(yè)的性質(zhì)、創(chuàng)業(yè)目標(biāo)的選擇、創(chuàng)業(yè)方向的選擇、素質(zhì)的培養(yǎng)、可能遇到的問題以及失敗后的對策等都存在較大的誤區(qū)，亟需給予專業(yè)性的指導(dǎo)。在數(shù)據(jù)融合技術(shù)的基礎(chǔ)上，利用數(shù)據(jù)分析技術(shù)，將實測數(shù)據(jù)的平均值或權(quán)重平均與最小二乘法進(jìn)行了等值，并根據(jù)有偏差估算的方差和結(jié)果調(diào)整測量準(zhǔn)確率，并給出了一種具有偏差的數(shù)據(jù)融合算法，可以全面的處理制約學(xué)生創(chuàng)新創(chuàng)業(yè)的影響因素，形成綜合化的指導(dǎo)意見，供學(xué)生參考。通過這種數(shù)學(xué)化的創(chuàng)新創(chuàng)業(yè)路徑指導(dǎo)模型，在總結(jié)前人經(jīng)驗的基礎(chǔ)上規(guī)避創(chuàng)新創(chuàng)業(yè)風(fēng)險，為學(xué)生提供一種融合多方數(shù)據(jù)信息的指導(dǎo)意見，助力創(chuàng)新創(chuàng)業(yè)成功。由于時間的問題，制約創(chuàng)新創(chuàng)業(yè)的影響因素信息等基礎(chǔ)數(shù)據(jù)庫構(gòu)建的還不完善，導(dǎo)致計算過程存在較大的偏差，需要在今后的研究中不斷補(bǔ)充豐富，在迭代提升中提高路徑指導(dǎo)的準(zhǔn)確性。