本发明公开了一种数字征迁智能管理信息发布公告平台，包括：用户管理模块：用于提供用户管理功能；权限管理模块：用于对用户进行权限管理，控制用户可以发布的信息类型、发布信息的位置，以及向哪些用户群体发布信息；用户发布管理模块：用于在用户的权限范围内，提供信息发布功能；边缘计算模块：用于通过部署在各个征迁管理部门内部的边缘计算设备对地质与地形数据和土地征迁管理信息进行存储和管理；信息管理模块：用于对上传到云端服务器中，需要发布的土地征迁管理信息进行信息审核和信息分类。边缘计算模块在离数据源更近的地方进行
权限管理模块：用于对用户进行权限管理，控制用户可以发布的信息类型、发布信息的
边缘计算模块：用于通过部署在各个征迁管理部门内部的边缘计算设备对地质与地形
信息管理模块：用于对上传到云端服务器中，需要发布的土地征迁管理信息进行信息
2.根据权利要求1所述的一种数字征迁智能管理信息发布公告平台，其特征在于，还包
系统安全管理模块：用于防止非法攻击和数据泄露，提供对数据和网络的安全管理，安
3.根据权利要求1所述的一种数字征迁智能管理信息发布公告平台，其特征在于，还包
所述用户管理模块的用户管理功能包括：用户注册、登录和密码重置；所述用户发布管
4.根据权利要求1所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所述
边缘计算模块通过部署在各个征迁管理部门内部的边缘计算设备对地质与地形数据进行
S2：对获取的地质与地形数据进行清洗、去除噪声和均一化处理，并将地质和地形数据
S5：使用地质和地形数据和提取的基本特征和复杂特征对卷积层串联的叠加卷积神经
网络进行训练；并通过Adam算法对卷积层串联的叠加卷积神经网络进行优化训练；
S6：通过梯度下降算法，提取基本特征和复杂特征中最优的特征表示，作为新特征向
S7：通过Encoder‑Decoder神经网络构造压缩编码机制，通编码器将高维的新特征向量
S8：通过PCA降维算法对分类压缩的低维的编码数据进行合并和归一化处理；
S9：对合并和归一化处理后的低维的编码数据在中间节点处分类，并转发到边缘节点。
5.根据权利要求4所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所述
S403：将多个少卷积核的卷积层提取的基本特征和地质和地形数据传递到多卷积核的
卷积层，通过至少一个多卷积核的卷积层串联对图像或地质地形数据进行复杂特征的提
6.根据权利要求5所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所述
少卷积核的卷积层具有5～20个卷积核；所述多卷积核的卷积层具有90～200个卷积核。
7.根据权利要求4所述的一种数字征迁智能管理信息发布公告平台，其特征在于，
所述压缩编码机制通过编码器将通过上采样和下采样方式将高维数据转化为低维数
所述压缩编码机制通过解码器采用反卷积神经网络和全连接层结构，将低维的编码数
8.根据权利要求4所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所述
步骤S5中，通过Adam算法对卷积层串联的叠加卷积神经网络进行优化训练，包括以下步骤：
S501：对VGG卷积神经网络中的初权重和偏置参数进行初始化，梯度累积变量和梯度平
S502：前向传播计算：将地质和地形数据和提取的基本特征和复杂特征作为训练集，将
S505：重复步骤S502至S504，进行多次前向传播和反向传播，直到达到预设的训练次数
S506：更新权重参数：通过Adam算法根据所述步骤3中得到的所有梯度值的累积变量和
所有梯度的平方累积变量计算每个参数的更新量，并更新网络中的权重和偏置参数。
9.根据权利要求8所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所述
通过损失函数对叠加卷积神经网络中偏置值参数和权重参数的导数值，沿着神经网络
根据每个神经元的梯度值，通过梯度下降算法更新叠加卷积神经网络中各个参数的
10.根据权利要求1所述的一种数字征迁智能管理信息发布公告平台，其特征在于，所
述边缘计算模块通过部署在各个征迁管理部门内部的边缘计算设备对土地征迁管理信息
土地征迁管理信息在制定阶段时，土地征迁管理信息存储在部门内部的边缘计算设备
上，各个征迁管理部门之间通过DHT网络进行P2P通信连接，并对土地征迁管理信息进行加
土地征迁管理信息在需要发布时，所述边缘计算设备将土地征迁管理信息传输至云端
服务器，云端服务器将土地征迁管理信息同步到各个征迁管理部门内部的边缘计算设备。
[0001]本发明涉及信息技术领域，具体涉及一种数字征迁智能管理信息发布公告平台。
[0002]数字征迁是通过数字征迁系统的建设，有效改变征地信息公开不规范、不彻底、不
全面的情况，减少依申请公开征迁信息的差错和不足，能够充分维护被征地群众切身利益，
促进社会的和谐稳定。管理信息发布公告平台是一种用于管理组织内部信息发布和公告的
平台。常见于学校、企业、政府机构等组织内部，用来发布组织内部管理、运营、活动等的信
息和公告，管理信息发布公告平台组织内成员可以通过平台统一发布信息，确保信息的统
一性和一致性。通过平台支持多种终端接入方式，如网页访问、手机APP等，保证信息随时随
地都能被访问和查看。平台提供了简单易用的管理界面，管理人员可以轻松地发布、查看、
[0003]现有数字征迁智能管理信息发布技术，需要从云端下载大量土地和地质方面的数
据来制定管理信息，数据传输延迟时间较长，数据处理的效率低；储存在云端的敏感信息有
[0004]本发明的目的在于提供一种数字征迁智能管理信息发布公告平台，解决以下技术
[0005]现有数字征迁智能管理信息发布技术，需要从云端下载大量土地和地质方面的数
据来制定管理信息，数据传输延迟时间较长，数据处理的效率低；储存在云端的敏感信息有
[0009]权限管理模块：用于对用户进行权限管理，控制用户可以发布的信息类型、发布信
[0010]用户发布管理模块：用于在用户的权限范围内，提供信息发布功能；
[0011]边缘计算模块：用于通过部署在各个征迁管理部门内部的边缘计算设备对地质与
[0012]信息管理模块：用于对上传到云端服务器中，需要发布的土地征迁管理信息进行
[0014]用户反馈模块：用于提供用户反馈功能，收集用户反馈信息；优化信息发布策略，
[0015]系统安全管理模块：用于防止非法攻击和数据泄露，提供对数据和网络的安全管
[0017]所述用户管理模块的用户管理功能包括：用户注册、登录和密码重置；所述用户发
[0018]作为本发明进一步的方案：所述边缘计算模块通过部署在各个征迁管理部门内部
[0020]S2：对获取的地质与地形数据进行清洗、去除噪声和均一化处理，并将地质和地形
[0022]S4：通过卷积层串联提取地质和地形数据的基本特征和复杂特征；
[0023]S5：使用地质和地形数据和提取的基本特征和复杂特征对卷积层串联的叠加卷积
神经网络进行训练；并通过Adam算法对卷积层串联的叠加卷积神经网络进行优化训练；
[0024]S6：通过梯度下降算法，提取基本特征和复杂特征中最优的特征表示，作为新特征
[0025]S7：通过Encoder‑Decoder神经网络构造压缩编码机制，通编码器将高维的新特征
[0026]S8：通过PCA降维算法对分类压缩的低维的编码数据进行合并和归一化处理；
[0027]S9：对合并和归一化处理后的低维的编码数据在中间节点处分类，并转发到边缘
[0029]S401：通过多个少卷积核的卷积层串联来提取地质和地形数据的基本特征；
[0030]S402：通过正则化层对少卷积核的卷积层的模型进行Elastic
[0031]S403：将多个少卷积核的卷积层提取的基本特征和地质和地形数据传递到多卷积
核的卷积层，通过至少一个多卷积核的卷积层串联对图像或地质地形数据进行复杂特征的
[0032]作为本发明进一步的方案：所述少卷积核的卷积层具有5～20个卷积核；所述多卷
[0033]作为本发明进一步的方案：所述压缩编码机制通过编码器将通过上采样和下采样
[0034]所述压缩编码机制通过解码器采用反卷积神经网络和全连接层结构，将低维的编
[0035]作为本发明进一步的方案：通过Adam算法对卷积层串联的叠加卷积神经网络进行
[0036]S501：对VGG卷积神经网络中的初权重和偏置参数进行初始化，梯度累积变量和梯
[0037]S502：前向传播计算：将地质和地形数据和提取的基本特征和复杂特征作为训练
集，将训练集的样本通过叠加卷积神经网络进行前向传播计算，并得到预测结果；
[0038]S503：预测结果和实际标签进行比较，计算出相应的损失函数；
[0039]S504：进行反向传播通过误差反向传播算法，计算得到梯度值；
[0040]S505：重复步骤S502至S504，进行多次前向传播和反向传播，直到达到预设的训练
[0041]S506：更新权重参数：通过Adam算法根据所述步骤3中得到的所有梯度值的累积变
量和所有梯度的平方累积变量计算每个参数的更新量，并更新网络中的权重和偏置参数。
[0043]通过误差反向传播算法，得到叠加卷积神经网络中各个神经元的梯度值；
[0044]通过损失函数对叠加卷积神经网络中偏置值参数和权重参数的导数值，沿着神经
[0045]根据每个神经元的梯度值，通过梯度下降算法更新叠加卷积神经网络中各个参数
[0046]作为本发明进一步的方案：所述边缘计算模块通过部署在各个征迁管理部门内部
[0047]土地征迁管理信息在制定阶段时，土地征迁管理信息存储在部门内部的边缘计算
设备上，各个征迁管理部门之间通过DHT网络进行P2P通信连接，并对土地征迁管理信息进
[0048]土地征迁管理信息在需要发布时，所述边缘计算设备将土地征迁管理信息传输至
云端服务器，云端服务器将土地征迁管理信息同步到各个征迁管理部门内部的边缘计算设
[0050]本发明通过将计算和数据处理移到各个征迁管理部门的边缘设备上，边缘计算模
块在离数据源更近的地方进行数据处理，减少了数据传输的延迟，从而提高了数据处理的
效率。这使得各个征迁管理部门可以更加实时地处理和分析土地数据，及时做出决策。通过
边缘计算模块可以将数据处理从云端移动到设备本地，从而可以更好地保护数据的安全性
和机密性。这为各个征迁管理部门的数据提供了更加安全、可控的数据处理环境，防止敏感
信息被泄漏的风险。同时，各个征迁管理部门设置的边缘计算模块，便于将处理分布在多个
设备中，这使得土地管理部门能够更加灵活地配置和部署数据处理任务，并可以根据实际
需要对处理节点进行动态的增加或减少。也减少数据在传输过程中的能耗，同时通过将计
算和存储的任务分摊在设备端和云端之间，减少了云端数据中心的负载，从而实现更加能
[0053]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它
[0054]请参阅图1所示，本发明为一种数字征迁智能管理信息发布公告平台，包括：
[0056]权限管理模块：用于对用户进行权限管理，控制用户可以发布的信息类型、发布信
[0057]用户发布管理模块：用于在用户的权限范围内，提供信息发布功能；
[0058]边缘计算模块：用于通过部署在各个征迁管理部门内部的边缘计算设备对地质与
[0059]信息管理模块：用于对上传到云端服务器中，需要发布的土地征迁管理信息进行
[0060]具体的，边缘计算模块可以在离数据源更近的地方进行数据处理，通过将计算和
数据处理移到各个征迁管理部门的边缘设备上，减少了数据传输的延迟，从而提高了数据
处理的效率。这使得各个征迁管理部门可以更加实时地处理和分析土地数据，及时做出决
[0061]通过边缘计算模块可以将数据处理从云端移动到设备本地，从而可以更好地保护
数据的安全性和机密性。这为各个征迁管理部门的数据提供了更加安全、可控的数据处理
[0062]通过各个征迁管理部门都设置边缘计算模块，便于将处理分布在多个设备中，这
使得土地管理部门能够更加灵活地配置和部署数据处理任务，并可以根据实际需要对处理
[0063]同时，也减少数据在传输过程中的能耗，同时通过将计算和存储的任务分摊在设
备端和云端之间，减少了云端数据中心的负载，从而实现更加能效优化的数据处理。
[0066]系统安全管理模块：用于防止非法攻击和数据泄露，提供对数据和网络的安全管
[0067]具体的，通过用户反馈模块可以及时收到来自用户反馈的信息，优化信息发布策
[0068]在本发明其中一个实施例中，所述用户管理模块的用户管理功能包括：用户注册、
登录和密码重置；所述用户发布管理模块的信息发布功能包括：发布、修改、删除和查看已
[0069]在本发明其中一个实施例中，所述边缘计算模块通过部署在各个征迁管理部门内
[0071]S2：对获取的地质与地形数据进行清洗、去除噪声和均一化处理，并将地质和地形
[0072]S3：通过卷积叠加结构对地质和地形数据进行特征训练；以提取更加丰富和准确
[0073]S4：通过卷积层串联提取地质和地形数据的基本特征和复杂特征；
[0074]S5：使用地质和地形数据和提取的基本特征和复杂特征对卷积层串联的叠加卷积
神经网络进行训练；并通过Adam算法对卷积层串联的叠加卷积神经网络进行优化训练；
[0075]S6：通过梯度下降算法，提取基本特征和复杂特征中最优的特征表示，作为新特征
[0076]S7：通过Encoder‑Decoder神经网络构造压缩编码机制，通编码器将高维的新特征
[0077]S8：通过PCA降维算法对分类压缩的低维的编码数据进行合并和归一化处理；
[0078]S9：对合并和归一化处理后的低维的编码数据在中间节点处分类，并转发到边缘
[0079]具体的，Encoder‑Decoder神经网络主要用于自编码、图像翻译、序列预测等任务。
在对实际媒体数据压缩时，可以根据媒体数据的特性灵活调整Encoder‑Decoder神经网络
的架构和参数，从而实现更好的实现高维数据的压缩编码和还原。在本实施例中，为了提高
压缩率和压缩后数据的质量，通过引入卷积层串联的叠加卷积神经网络，多卷积层串联的
叠加卷积神经网络提取的基本特征和复杂特征，并得到新特征向量，针对得到的复杂的新
特征向量，通过Encoder‑Decoder神经网络，提高压缩编码机制的媒体压缩效果。同时，能够
更好地处理原始数据，保留更多的上下文信息，同时减少特征维度和降低复杂度，从而有助
[0080]同时，由于叠加的卷积神经网络可能会错过一些重要的特征，特别是对于像素级
别的任务来说，通过Encoder‑Decoder神经网络一般采用深度CNN进行特征提取，能够比传
统方法更好地提取出图像中的高级特征。编码器和解码器之间的连接可以帮助网络保留更
多的信息，以更好地探测目标特征。能够更好地处理特征的拥挤，特征之间的相互影响等情
[0081]通过Encoder‑Decoder网络去处理叠加的卷积神经网络中提取出的特征，可以在
保留更多上下文信息的同时，减小分辨率的同时减少信息丢失。这样可以更好地保留图像
[0083]S401：通过多个少卷积核的卷积层串联来提取地质和地形数据的基本特征；
[0084]S402：通过正则化层对少卷积核的卷积层的模型进行Elastic
[0085]S403：将多个少卷积核的卷积层提取的基本特征和地质和地形数据传递到多卷积
核的卷积层，通过至少一个多卷积核的卷积层串联对图像或地质地形数据进行复杂特征的
[0086]具体的，通过多个少卷积核的卷积层串联提取地质和地形数据的基本特征，使用
少量的较小卷积核进行特征提取，可以大大减少卷积层的参数数量，避免了卷积层串联造
成特征遗漏，保证提取的基本特征的准确性；较小的卷积核只考虑邻近像素之间的关联性，
[0087]通过在少卷积核的卷积层和多卷积核的卷积层之间加上正则化层，可以减少过拟
合情况，提高模型的泛化能力。有效的防止卷积叠加结构出现过拟合情况。在本实施方式的
[0088]通过多个少卷积核的卷积层串联提取的基本特征传递到多卷积核的卷积层，进行
复杂特征的提取，使用多种卷积核串联的卷积层，相较于使用单个卷积层进行特征提取，可
以更深层次地挖掘图像特征，增加网络的有效感受野，提高模型的精度。使用较小的卷积核
进行特征提取可以捕获图像局部特征，而串联多个卷积核的卷积层可以进一步提高特征表
[0089]在本发明其中一个实施例中，所述少卷积核的卷积层具有5～20个卷积核；所述多
[0090]在本发明其中一个实施例中，所述压缩编码机制通过编码器将通过上采样和下采
[0091]所述压缩编码机制通过解码器采用反卷积神经网络和全连接层结构，将低维的编
[0092]在本发明其中一个实施例中，通过Adam算法对卷积层串联的叠加卷积神经网络进
[0093]S501：对VGG卷积神经网络中的初权重和偏置参数进行初始化，梯度累积变量和梯
[0094]S502：前向传播计算：将地质和地形数据和提取的基本特征和复杂特征作为训练
集，将训练集的样本通过叠加卷积神经网络进行前向传播计算，并得到预测结果；
[0095]S503：预测结果和实际标签进行比较，计算出相应的损失函数；
[0096]S504：进行反向传播通过误差反向传播算法，计算得到梯度值；
[0097]S505：重复步骤S502至S504，进行多次前向传播和反向传播，直到达到预设的训练
[0098]S506：更新权重参数：通过Adam算法根据所述步骤3中得到的所有梯度值的累积变
量和所有梯度的平方累积变量计算每个参数的更新量，并更新网络中的权重和偏置参数。
[0099]具体的，数据样本通过网络进行前向传播计算，得到一个预测结果。这个预测结果
需要与实际标签进行比较，计算出相应的损失函数。接着通过误差反向传播算法，计算出网
络中各个神经元的梯度值，从而更新网络中各个参数的值，使得网络的预测结果更加接近
真实标签。通过一个训练样本就完成了一次前向传播和反向传播的计算。通过不断的迭代，
[0100]在本发明其中一个实施例中，所述步骤S504中，包括以下步骤：
[0101]通过误差反向传播算法，得到叠加卷积神经网络中各个神经元的梯度值；
[0102]通过损失函数对叠加卷积神经网络中偏置值参数和权重参数的导数值，沿着神经
[0103]根据每个神经元的梯度值，通过梯度下降算法更新叠加卷积神经网络中各个参数
[0104]在本发明其中一个实施例中，所述边缘计算模块通过部署在各个征迁管理部门内
[0105]土地征迁管理信息在制定阶段时，土地征迁管理信息存储在部门内部的边缘计算
设备上，各个征迁管理部门之间通过DHT网络进行P2P通信连接，并对土地征迁管理信息进
[0106]土地征迁管理信息在需要发布时，所述边缘计算设备将土地征迁管理信息传输至
云端服务器，云端服务器将土地征迁管理信息同步到各个征迁管理部门内部的边缘计算设
[0107]在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示方位或位置
关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指
示或暗示所指的装置或元件必须具有特定的方位，以及特定的方位构造和操作，因此，不能
理解为对本发明的限制。此外，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示
相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可
以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含
[0108]在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相
连”“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；
可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以
是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在
[0109]以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施
例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者