基于多源數(shù)據(jù)的智慧資助方法研究

關(guān)鍵詞： 智慧資助；資助對(duì)象識(shí)別；支持向量機(jī)；多源數(shù)據(jù)融合

0 引言

學(xué)生資助工作是學(xué)生工作的重要組成部分，準(zhǔn)確地識(shí)別資助對(duì)象是實(shí)現(xiàn)“精準(zhǔn)資助”的前提和基礎(chǔ)，也是資助工作的重點(diǎn)和難點(diǎn)。現(xiàn)實(shí)資助工作中，由于學(xué)生數(shù)量眾多且情況各不相同，常出現(xiàn)資助對(duì)象識(shí)別不準(zhǔn)確的情況。

目前，學(xué)生資助普遍采用是學(xué)生先申請(qǐng)?jiān)龠M(jìn)行人工審核的傳統(tǒng)模式。具體操作辦法是讓學(xué)生填寫(xiě)申請(qǐng)表格，輔導(dǎo)員及學(xué)校資助工作人員再通過(guò)佐證核實(shí)、個(gè)體訪談、數(shù)據(jù)比對(duì)、民主評(píng)議、名單公示等方式進(jìn)行資助對(duì)象的確定以及后續(xù)的資助工作[1]。傳統(tǒng)資助模式高度依賴(lài)學(xué)生申請(qǐng)和人工審核，存在流程煩瑣、耗時(shí)長(zhǎng)、資助對(duì)象識(shí)別準(zhǔn)確率難以保證的缺點(diǎn)。隨著信息技術(shù)的發(fā)展，各學(xué)校陸續(xù)建設(shè)了包含資助信息管理功能的學(xué)工系統(tǒng)。資助工作由過(guò)去的線下申請(qǐng)審核逐漸轉(zhuǎn)向線上辦理，但辦理流程和資助對(duì)象識(shí)別方式并未發(fā)生實(shí)質(zhì)變化?！半[性貧困”和“虛假貧困”一直是資助對(duì)象識(shí)別過(guò)程中需要克服的難題，嚴(yán)重影響了資助工作的質(zhì)量[2]。“隱性貧困”指的是應(yīng)當(dāng)獲取資助的困難學(xué)生在實(shí)際資助工作中未獲取資助?！半[性貧困”主要是由于學(xué)生對(duì)資助政策不了解或心理因素等原因?qū)е挛粗鲃?dòng)申請(qǐng)或申請(qǐng)后在資助審核過(guò)程中未被認(rèn)定為資助對(duì)象。“虛假貧困”指的是不應(yīng)接受資助的普通學(xué)生在實(shí)際工作中被錯(cuò)誤認(rèn)定為資助對(duì)象?！疤摷儇毨А敝饕怯捎趯W(xué)生提供的佐證信息不實(shí)或資助工作人員工作經(jīng)驗(yàn)不足等原因?qū)е碌摹榱吮苊狻半[形貧困”和“虛假貧困”，傳統(tǒng)資助模式下需要多次宣傳動(dòng)員，讓學(xué)生根據(jù)實(shí)際情況積極申請(qǐng)，同時(shí)也需要經(jīng)驗(yàn)豐富的資助工作人員多角度仔細(xì)審核，需要耗費(fèi)大量的時(shí)間及人力資源才能保證資助對(duì)象識(shí)別的準(zhǔn)確率。

近年來(lái)，包括智慧資助在內(nèi)的智慧校園建設(shè)工作不斷推進(jìn)，部分學(xué)校開(kāi)始將大數(shù)據(jù)、人工智能等技術(shù)應(yīng)用到學(xué)生資助工作上，提出了多種利用學(xué)生一卡通消費(fèi)記錄、校園活動(dòng)記錄等校園動(dòng)態(tài)數(shù)據(jù)識(shí)別資助對(duì)象的方法[3]。這類(lèi)方法不依賴(lài)學(xué)生的主動(dòng)申請(qǐng)和資助工作人員的逐層審核，簡(jiǎn)化了資助工作流程，保護(hù)了學(xué)生的隱私，提高了資助工作的效率。但隨著外賣(mài)就餐、網(wǎng)絡(luò)購(gòu)物越來(lái)越高，支付寶、微信等第三方支付平臺(tái)使用率越來(lái)越頻繁，當(dāng)下相當(dāng)比例的學(xué)生會(huì)進(jìn)行網(wǎng)絡(luò)消費(fèi)，校內(nèi)消費(fèi)也有部分通過(guò)微信、支付寶等第三方支付平臺(tái)實(shí)現(xiàn)。相較于過(guò)去學(xué)生的消費(fèi)行為主要依賴(lài)校園一卡通在校內(nèi)產(chǎn)生，這些網(wǎng)絡(luò)消費(fèi)及第三方支付平臺(tái)難以在一卡通數(shù)據(jù)上體現(xiàn)。缺少了這些數(shù)據(jù)統(tǒng)計(jì)，單從校園一卡通數(shù)據(jù)來(lái)看，這部分學(xué)生容易被誤判為需要資助的困難學(xué)生，導(dǎo)致“虛假貧困”現(xiàn)象的產(chǎn)生。依靠校園一卡通及校內(nèi)活動(dòng)記錄的智慧資助方法為了保證資助對(duì)象檢測(cè)的準(zhǔn)確性，往往需要獲取學(xué)生的網(wǎng)絡(luò)購(gòu)物、外賣(mài)就餐、第三方支付等動(dòng)態(tài)信息作為輔助。現(xiàn)實(shí)工作中及時(shí)準(zhǔn)確獲取這些校外動(dòng)態(tài)信息的難度較大，對(duì)于學(xué)校的校外動(dòng)態(tài)信息獲取能力提出了較高要求。

1 理論基礎(chǔ)與特征選擇

本文提出了一種不依賴(lài)學(xué)生申請(qǐng)和人工審核的智慧資助方法，利用學(xué)生基礎(chǔ)信息、國(guó)家資助系統(tǒng)推送、歷史資助、勤工助學(xué)等容易獲取的數(shù)據(jù)實(shí)現(xiàn)資助對(duì)象的識(shí)別。在這些數(shù)據(jù)中選擇與學(xué)生家庭經(jīng)濟(jì)情況相關(guān)性較高的特征設(shè)計(jì)支持向量機(jī)分類(lèi)器，再利用設(shè)計(jì)的分類(lèi)器將學(xué)生分為“資助對(duì)象”和“普通學(xué)生”兩類(lèi)人群，實(shí)現(xiàn)資助對(duì)象的識(shí)別。

1.1 支持向量機(jī)

支持向量機(jī)（support vector machine，SVM） 是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的監(jiān)督式機(jī)器學(xué)習(xí)方法，主要用于分類(lèi)和回歸分析。如圖1所示其基本原理是通過(guò)構(gòu)造一個(gè)最優(yōu)的超平面來(lái)將兩類(lèi)數(shù)據(jù)分開(kāi)。其核心問(wèn)題是獲取便于實(shí)現(xiàn)分類(lèi)的超平面，實(shí)現(xiàn)正例與負(fù)例之間的隔離邊緣最大化，從而有助于實(shí)現(xiàn)更好地識(shí)別與分類(lèi)。

對(duì)于實(shí)際應(yīng)用過(guò)程中更常見(jiàn)的非線性可分的問(wèn)題，SVM一般通過(guò)將多類(lèi)問(wèn)題轉(zhuǎn)換成便于分類(lèi)的二分類(lèi)的方式來(lái)實(shí)現(xiàn)求解。在這個(gè)過(guò)程中不需要進(jìn)行復(fù)雜的運(yùn)算，而是利用如線性核、高斯函數(shù)核、多項(xiàng)式核等核函數(shù)將輸入數(shù)據(jù)從原始空間映射到更高維度的特征空間，從而尋找一個(gè)線性可分的超平面，可以實(shí)現(xiàn)復(fù)雜計(jì)算過(guò)程有效的簡(jiǎn)化，因此具備較強(qiáng)的解決復(fù)雜模式的能力，使用較多的幾種核函數(shù)如下列公式所示[4]：

SVM訓(xùn)練過(guò)程中不直接擬合所有數(shù)據(jù)點(diǎn)，而是主要關(guān)注對(duì)決策邊界影響大的支持向量。這一特點(diǎn)使SVM模型對(duì)于噪聲和異常值相對(duì)魯棒。實(shí)際工程應(yīng)用中SVM在小樣本、非線性、高維模式識(shí)別的諸多問(wèn)題上效果出眾，已被廣泛應(yīng)用于智慧資助等各類(lèi)分類(lèi)應(yīng)用中。相較于其他模式識(shí)別算法，支持向量機(jī)由于結(jié)構(gòu)簡(jiǎn)單，也具有運(yùn)算速度較快的優(yōu)點(diǎn)?；谥С窒蛄繖C(jī)的這些優(yōu)點(diǎn)和校內(nèi)資助數(shù)據(jù)特點(diǎn)，本文選擇支持向量機(jī)分類(lèi)器用于資助對(duì)象的識(shí)別和分類(lèi)工作。

1.2 數(shù)據(jù)源及分類(lèi)特征選擇

本文在選擇數(shù)據(jù)源時(shí)主要考慮數(shù)據(jù)準(zhǔn)確及數(shù)據(jù)易獲取兩個(gè)要素。數(shù)據(jù)準(zhǔn)確可以減少后續(xù)算法的誤差，保證資助對(duì)象檢測(cè)的準(zhǔn)確性。數(shù)據(jù)易獲取則有利于算法在實(shí)際工作中的應(yīng)用和推廣，各個(gè)學(xué)校的資助發(fā)展水平并不一致，很多學(xué)校暫不具備及時(shí)準(zhǔn)確獲取學(xué)生的網(wǎng)絡(luò)購(gòu)物、外賣(mài)就餐、第三方支付等校外動(dòng)態(tài)信息的能力。恰當(dāng)?shù)姆诸?lèi)特征選擇在支持向量機(jī)中起著至關(guān)重要的作用，可以提高模型分類(lèi)性能同時(shí)減少噪聲影響。本文在基于源數(shù)據(jù)的分類(lèi)特征選擇時(shí)主要考慮與家庭情況的相關(guān)性，并盡可能地減少數(shù)據(jù)冗余、減少數(shù)據(jù)的維度。本著以上原則，主要的數(shù)據(jù)來(lái)源及特征選擇如下：

1） 學(xué)生基礎(chǔ)信息

各學(xué)校在學(xué)生錄取及入學(xué)時(shí)都會(huì)進(jìn)行學(xué)生基礎(chǔ)信息的統(tǒng)計(jì)，該信息在校期間也會(huì)進(jìn)行及時(shí)的更新及維護(hù)?；A(chǔ)信息中學(xué)生父母的職業(yè)、家庭條件等信息與學(xué)生是否需要資助有較高的相關(guān)性。同時(shí)，由于基礎(chǔ)數(shù)據(jù)涉及多部門(mén)使用，該項(xiàng)數(shù)據(jù)各學(xué)校都較容易獲取且數(shù)據(jù)準(zhǔn)確。鑒于此，本文選擇學(xué)生基礎(chǔ)信息中的“家庭背景”作為分類(lèi)器訓(xùn)練的特征之一，“家庭背景”根據(jù)父母職業(yè)及困難信息登記分為“困難”和“普通”兩類(lèi)。

2） 全國(guó)學(xué)生資助管理信息系統(tǒng)

全國(guó)學(xué)生資助管理信息系統(tǒng)是由國(guó)家資助中心建立的一個(gè)覆蓋全學(xué)段的資助管理系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了與國(guó)務(wù)院建檔立卡系統(tǒng)、民政部低保系統(tǒng)、中國(guó)殘聯(lián)殘疾人信息管理系統(tǒng)的信息共享。該系統(tǒng)會(huì)定期給各學(xué)校推送國(guó)務(wù)院建檔立卡系統(tǒng)、民政部低保系統(tǒng)、中國(guó)殘聯(lián)殘疾人信息管理系統(tǒng)共享的信息供學(xué)校資助工作人員參考。在實(shí)際工作中發(fā)現(xiàn)國(guó)家資助系統(tǒng)推送的學(xué)生，除學(xué)籍異動(dòng)等個(gè)別情況，經(jīng)核實(shí)后絕大部分都是需要資助的。國(guó)家系統(tǒng)是否推送與學(xué)生是否需要資助有較高的相關(guān)性。實(shí)際接受資助的學(xué)生中有部分并不是國(guó)家資助系統(tǒng)推送的學(xué)生，但國(guó)家資助系統(tǒng)推送的學(xué)生絕大部分都是最終接受資助的學(xué)生，同時(shí)該項(xiàng)信息是由國(guó)家資助系統(tǒng)推送，數(shù)據(jù)準(zhǔn)確且獲取容易。鑒于此，本文選擇全國(guó)學(xué)生資助管理信息系統(tǒng)中的“國(guó)家資助系統(tǒng)推送”作為分類(lèi)器訓(xùn)練的特征之一。

3） 歷史資助數(shù)據(jù)

在國(guó)家資助中心的指導(dǎo)下各學(xué)校都根據(jù)實(shí)際情況建立了符合政策要求的“獎(jiǎng)、助、貸、減、補(bǔ)、勤”學(xué)生資助體系。實(shí)際資助工作中，各學(xué)校大多會(huì)以學(xué)年或?qū)W期進(jìn)行家庭情況的評(píng)定，即每學(xué)年或每學(xué)期重新評(píng)定困難學(xué)生并在評(píng)定基礎(chǔ)上給予資助。由于家庭情況變化等原因，會(huì)出現(xiàn)上個(gè)資助周期是資助對(duì)象的學(xué)生因家庭條件好轉(zhuǎn)導(dǎo)致在新周期不再是資助對(duì)象，也會(huì)出現(xiàn)原本不是資助對(duì)象的學(xué)生在新周期因?yàn)榧彝ネ话l(fā)變故而變?yōu)橘Y助對(duì)象。同一學(xué)生在校期間的家庭經(jīng)濟(jì)情況會(huì)發(fā)生變化，但實(shí)際工作中發(fā)現(xiàn)這種變化占學(xué)生總?cè)藬?shù)的比例不大。上個(gè)資助周期是否接受資助，特別是助學(xué)金、學(xué)費(fèi)減免這類(lèi)金額較大的資助與新的資助周期是否為資助對(duì)象有較高的相關(guān)性。資助工作由于涉及資金發(fā)放，各學(xué)校都會(huì)對(duì)實(shí)際發(fā)生的資助數(shù)據(jù)做好記錄并存檔，這項(xiàng)數(shù)據(jù)準(zhǔn)確同時(shí)獲取容易?？紤]到“獎(jiǎng)、助、貸、減、補(bǔ)、勤”中的獎(jiǎng)學(xué)金與學(xué)生家庭情況相關(guān)性不大，勤工助學(xué)由于情況特殊單獨(dú)作為一個(gè)特征統(tǒng)計(jì)。鑒于此，本文對(duì)“獎(jiǎng)、助、貸、減、補(bǔ)、勤”中除去獎(jiǎng)學(xué)金及勤工助學(xué)部分的資助金額進(jìn)行求和來(lái)計(jì)算“歷史受助金額”，并作為分類(lèi)器訓(xùn)練的特征之一。

4） 勤工助學(xué)數(shù)據(jù)

勤工助學(xué)作為高?！蔼?jiǎng)、助、貸、減、補(bǔ)、勤”資助體系的重要部分，具有將扶貧與扶志相結(jié)合的特點(diǎn)，區(qū)別于其他直接發(fā)放或減免資金的資助項(xiàng)目，勤工助學(xué)需要學(xué)生付出相應(yīng)勞動(dòng)才能拿到報(bào)酬[5]。每月最多480 元的勞動(dòng)報(bào)酬對(duì)于在校學(xué)生來(lái)說(shuō)能在一定程度上解決基本生活問(wèn)題。原先不是資助對(duì)象的學(xué)生在突發(fā)家庭困難后往往會(huì)通過(guò)申請(qǐng)勤工助學(xué)崗位等手段解決生活問(wèn)題。由于需要付出相應(yīng)勞動(dòng)才能獲取報(bào)酬，部分家庭條件好轉(zhuǎn)的學(xué)生如無(wú)自我鍛煉的需求往往不會(huì)再選擇勤工助學(xué)崗位。實(shí)際資助工作中發(fā)現(xiàn)勤工助學(xué)崗位的申請(qǐng)變動(dòng)及工作時(shí)長(zhǎng)與是否需要資助具有較大的相關(guān)性，同時(shí)學(xué)生處的這項(xiàng)數(shù)據(jù)準(zhǔn)確且獲取容易。鑒于此，本文選擇勤工助學(xué)數(shù)據(jù)中的“勤工助學(xué)申請(qǐng)變動(dòng)及工作時(shí)長(zhǎng)”作為分類(lèi)器訓(xùn)練的特征之一。

2 算法設(shè)計(jì)與實(shí)驗(yàn)分析

2.1 數(shù)據(jù)獲取與預(yù)處理

本著準(zhǔn)確易獲取的原則，從國(guó)家資助平臺(tái)、校內(nèi)學(xué)工平臺(tái)獲取原始數(shù)據(jù)。在原始數(shù)據(jù)中選擇家庭背景、國(guó)家資助系統(tǒng)推送、歷史受助金額、勤工助學(xué)變動(dòng)及金額作為特征進(jìn)行分類(lèi)。這些不同來(lái)源的數(shù)據(jù)格式不同，為了提高數(shù)據(jù)的質(zhì)量和可用性在數(shù)據(jù)分析使用前需要進(jìn)行預(yù)處理，預(yù)處理的質(zhì)量直接影響到后續(xù)分析的準(zhǔn)確性和可靠性。

原始數(shù)據(jù)需要進(jìn)行數(shù)據(jù)清洗和填充并將異構(gòu)數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式的數(shù)據(jù)。去除數(shù)據(jù)中如姓名、學(xué)號(hào)、身份證號(hào)等重復(fù)記錄的冗余數(shù)據(jù)，便于將維度較高的特征數(shù)據(jù)轉(zhuǎn)換為低維度的特征數(shù)據(jù)。在基礎(chǔ)信息統(tǒng)計(jì)及錄入時(shí)會(huì)有少量信息缺失值以及異常值的出現(xiàn)，可根據(jù)數(shù)據(jù)情況采取刪除、插補(bǔ)等方法進(jìn)行處理。為了避免某些特征因?yàn)閿?shù)值過(guò)大或過(guò)小而在模型中占據(jù)主導(dǎo)地位，將不同量綱的數(shù)據(jù)轉(zhuǎn)化到同一尺度進(jìn)行歸一化處理，并按實(shí)際資助工作經(jīng)驗(yàn)設(shè)計(jì)特征權(quán)重。

2.2 支持向量機(jī)分類(lèi)器訓(xùn)練

支持向量機(jī)的訓(xùn)練集主要用于支持向量機(jī)分類(lèi)器的訓(xùn)練，測(cè)試集是未參與過(guò)訓(xùn)練的部分?jǐn)?shù)據(jù)，用來(lái)測(cè)試評(píng)估分類(lèi)器的性能。選擇安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院2022級(jí)共4 000名學(xué)生的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，通過(guò)數(shù)據(jù)清洗等預(yù)處理后刪除了221例數(shù)據(jù)，選擇3 779例數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。按照數(shù)據(jù)集和測(cè)試集約占總數(shù)80% 和20%的比例進(jìn)行劃分，從實(shí)驗(yàn)數(shù)據(jù)中選擇2 979例數(shù)據(jù)用于產(chǎn)生支持向量機(jī)分類(lèi)器的訓(xùn)練樣本集，剩下800例數(shù)據(jù)用來(lái)測(cè)試算法的整體性能。

以2023年學(xué)校審核通過(guò)并已完成資助的結(jié)果為標(biāo)準(zhǔn)，將訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)標(biāo)記生成“普通學(xué)生”和“資助對(duì)象”兩個(gè)訓(xùn)練樣本集，提取預(yù)處理過(guò)的數(shù)據(jù)的家庭背景、國(guó)家資助系統(tǒng)推送、歷史受助金額、勤工助學(xué)變動(dòng)及金額作為特征進(jìn)行訓(xùn)練，生成支持向量機(jī)分類(lèi)器。

2.3 實(shí)現(xiàn)分類(lèi)與結(jié)果分析

將測(cè)試數(shù)據(jù)分成四組，每組200例數(shù)據(jù)，進(jìn)行算法的分類(lèi)性能測(cè)試。以2023年學(xué)校審核通過(guò)并已完成資助的信息作為準(zhǔn)確結(jié)果，統(tǒng)計(jì)本文所提資助算法的檢測(cè)效果。采用召回率（Recall） 、虛警率（False Alarm） 、準(zhǔn)確率（Accuracy） 來(lái)衡量智慧資助算法的性能。其中召回率的定義為檢測(cè)學(xué)生中被正確識(shí)別為需資助的學(xué)生占真實(shí)需要資助學(xué)生的比例，取值范圍在0到1之間，比例越高說(shuō)明“隱形貧困”的學(xué)生占學(xué)生總數(shù)比例越少，算法性能越好。虛警率的定義為被識(shí)別為需資助的學(xué)生中不是真實(shí)需要資助的學(xué)生的比例，取值范圍在0到1之間，比例越低說(shuō)明“虛假貧困”的學(xué)生占學(xué)生總數(shù)比例越少，算法性能越好。準(zhǔn)確率表明算法正確識(shí)別的學(xué)生占學(xué)生總數(shù)的比例，體現(xiàn)算法的總體檢測(cè)能力，取值范圍在0到1之間，越高說(shuō)明算法整體性能越好。召回率、虛警率、準(zhǔn)確率的計(jì)算公式如下[6]：

式中：TP為智慧資助算法正確識(shí)別的需資助學(xué)生的數(shù)量，F(xiàn)N為被智慧資助算法誤判的需資助學(xué)生的數(shù)量，F(xiàn)P為被智慧資助算法誤判為需資助學(xué)生的普通學(xué)生數(shù)量，TN為智慧資助檢測(cè)算法正確識(shí)別的普通學(xué)生的數(shù)量，Ｎ為學(xué)生總數(shù)。表1為算法的測(cè)試結(jié)果。

由表1可見(jiàn)，對(duì)于四組測(cè)試數(shù)據(jù)，本文提出的基于支持向量機(jī)的智慧資助算法均能實(shí)現(xiàn)有效檢測(cè)。平均召回率為94.5%， 即被算法正確識(shí)別為需資助的學(xué)生占真實(shí)困難學(xué)生的比例較高，接近最大值1，證明能夠有效避免“隱形貧困”。平均虛警率為7.8%，即被算法錯(cuò)誤識(shí)別為困難學(xué)生中的普通學(xué)生的比例較低，接近最小值0，證明算法能夠有效避免“虛假貧困”現(xiàn)象。平均檢測(cè)準(zhǔn)確率為96.4%，接近最大值1，證明算法整體檢測(cè)準(zhǔn)確率較高。

3 結(jié)論

本文設(shè)計(jì)的智慧資助方法利用“資助對(duì)象”與“普通學(xué)生”在基礎(chǔ)信息、國(guó)家資助系統(tǒng)推送、歷史資助、勤工助學(xué)方面的特征差異，采取支持向量機(jī)實(shí)現(xiàn)資助對(duì)象的分類(lèi)。實(shí)驗(yàn)結(jié)果表明，方法具有較高的檢測(cè)準(zhǔn)確率，能夠在一定程度上減少“隱性貧困”與“虛假貧困”現(xiàn)象，從而助力實(shí)現(xiàn)“精準(zhǔn)資助”。相較于傳統(tǒng)的學(xué)生資助方法，在不依賴(lài)學(xué)生申請(qǐng)和人工審核的條件下能夠?qū)崿F(xiàn)有效的資助對(duì)象檢測(cè)，在實(shí)現(xiàn)較高檢測(cè)準(zhǔn)確率的同時(shí)簡(jiǎn)化了資助對(duì)象的識(shí)別流程，提升了識(shí)別效率。相較于利用學(xué)生一卡通消費(fèi)記錄、校園活動(dòng)記錄等校園動(dòng)態(tài)數(shù)據(jù)的智慧資助方法，本文方法使用的源數(shù)據(jù)更容易獲取，不涉及校外動(dòng)態(tài)信息，適應(yīng)性更強(qiáng)。本文算法在對(duì)資助對(duì)象的進(jìn)一步細(xì)化分類(lèi)上并沒(méi)有涉及，同時(shí)檢測(cè)準(zhǔn)確率方面也還有進(jìn)一步提升空間，后續(xù)研究將重點(diǎn)針對(duì)這兩點(diǎn)不足進(jìn)行完善。