CN112270362A - 一种物联网健康大数据态势感知方法 - Google Patents
一种物联网健康大数据态势感知方法 Download PDFInfo
- Publication number
- CN112270362A CN112270362A CN202011201905.7A CN202011201905A CN112270362A CN 112270362 A CN112270362 A CN 112270362A CN 202011201905 A CN202011201905 A CN 202011201905A CN 112270362 A CN112270362 A CN 112270362A
- Authority
- CN
- China
- Prior art keywords
- internet
- data
- things
- big data
- health
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 230000006855 networking Effects 0.000 claims abstract description 6
- 231100000279 safety data Toxicity 0.000 claims abstract description 4
- 230000008447 perception Effects 0.000 claims abstract 2
- 238000004891 communication Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 abstract description 6
- 238000013499 data model Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Child & Adolescent Psychology (AREA)
Abstract
本发明公开了一种物联网健康大数据态势感知方法，包括以下步骤，首先确定物联网健康医疗大数据的安全数据格式要求，接着对已经进行预处理的不同的物联网健康医疗大数据进行特征提取、分类和分级，接着用矢量表示对物联网健康大数据集，接着构建物联网健康大数据集进行评价函数，接着采用神经网络对物联网健康大数据进行机器学习，然后针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化并对m个训练集进行训练，然后根据要部署的数据网络的逻辑层级确定节点数和隐含神经元的数目获得态势模型。本数据模型更加精确，促进了物联网医疗健康大数据态势预测、风险排查、治理。
Description
技术领域
本发明涉及物联网健康大数据安全领域，具体地，涉及一种物联网健康大数据态势感知方法。
背景技术
近来年，大数据在健康领域的不断应用和发展，已为广大群众提供了优质、便捷的服务，也为健康领域的科技发展带来动力。目前健康医疗大数据平台汇集了医疗服务、疾病防治、妇幼健康、人口家庭、电子健康档案、家医签约服务、行业监管等方面的数据资源，主要包括门诊住院信息，住院病案信息，人口个案信息，电子健康档案，电子健康卡注册使用信息，数据量都达到了万亿条以上，健康医疗大数据资源体系已初具规模。
目前的医疗健康大数据安全方面采用加密、数据库审计、防篡改等技术，网络安全方面通过等级保护实现基本安全，但是隐私数据安全还是没有一个妥善的机制。
采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型，并通过安全风险分级管理机制和风险排查治理机制相结合的模式对物联网医疗健康大数据网络安全领域可实现高精准的等级保护，隐私数据安全也能及早预测和及时治理。
发明内容
为了解决如何对物联网健康大数据多种数据样本进行安全风险管理、风险态势预测、排查、治理的问题，本发明提供一种物联网健康大数据态势感知方法。
根据本发明实施例的物联网健康大数据态势感知方法，包括如下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的数据等异常数据进行数据采集和预处理后统一编码；
S2、对已经进行预处理的不同的物联网健康医疗大数据进行特征提取、分类和分级；
S3、用矢量表示对物联网健康大数据集，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S4、构建物联网健康大数据集进行评价函数：有n个评价对象，m个数据指标，评价对象因素指标集U＝{u1,u2,…,un}；评价集V＝{v1,v2,…,vm}，评价分数是：
S5、采用神经网络对物联网健康大数据进行机器学习，假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
；算法的最大迭代次数为T，初始迭代次数为1；
S6、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S7、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S8、根据要部署的数据网络的逻辑层级确定节点数和隐含神经元的数目；
S9、根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型以及一个安全的物联网健康大数据存储以及传输环境。
根据本发明的一些实施例，在所述步骤S1中，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
根据本发明的一些实施例，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
根据本发明的一些实施例，在所述步骤S3中,评价函数的权重来自于外部攻击，权重最高；通信节点的数据量大小，权重按大小分配；通信交叉点越多，权重越大。
根据本发明的一些实施例，在所述步骤S5中,所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性。
根据本发明实施例的物联网健康大数据态势感知方法，数据模型更加精确，运用神经网络模式处理数据，大大促进了物联网医疗健康大数据态势预测、风险排查、治理，隐私数据安全采用风险分级管控模式可以更好的对隐私数据进行等级保护，可以辅助安全相关部门及早做好应对措施。
附图说明
图1为本发明实施例的物联网健康大数据态势感知方法的流程图。
图2为本发明实施例的物联网健康大数据态势感知方法的结构示意图。
具体实施方式
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、完整地描述，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面参照图1描述根据本发明实施例的物联网健康大数据态势感知方法。
根据本发明实施例的物联网健康大数据态势感知方法，包括如下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的数据等异常数据进行数据采集和预处理后统一编码；其中，物联网健康医疗大数据包括：患者的住院信息、住院病案信息、人口个案信息、电子健康档案和电子健康卡注册使用信息等，这些信息都记录在各大医院、社区等的服务器数据库，网络协议/网络IP地址以及连接方式等也都不尽相同，健康数据的显示/存储方式主要有电子文档、图像、纸质文件、不同尺寸/材质的影像图片等，针对不同的数据类型进行风险分级，产生不同的分类，并定期进行风险排查的方式进行漏洞扫描，降低预测误差，保证数据安全可靠。
S2、对已经进行预处理的不同的物联网健康医疗大数据进行特征提取、分类和分级；
S3、用矢量表示对物联网健康大数据集，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S4、构建物联网健康大数据集进行评价函数：有n个评价对象，m个数据指标，评价对象因素指标集U＝{u1,u2,…,un}；评价集V＝{v1,v2,…,vm}，评价分数是：
S5、采用神经网络对物联网健康大数据进行机器学习，假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
；算法的最大迭代次数为T，初始迭代次数为1；
S6、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S7、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S8、根据要部署的数据网络的逻辑层级确定节点数和隐含神经元的数目；
S9、根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型以及一个安全的物联网健康大数据存储以及传输环境。
根据本发明的一些实施例，在所述步骤S1中，不同数据类型的实时网络数据流(包括MAC层、网络层、传输层、应用层)，由数据采集模块进行收集进入，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
根据本发明的一些实施例，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
具体而言，对步骤S1采集到的数据由分级引擎模块进行风险分级处理，分级引擎模块由两个小模块组成，分别是特征提取模块和分级模型模块。
根据本发明的一些实施例，在所述步骤S3中,评价函数的权重来自于外部攻击，权重最高；通信节点的数据量大小，权重按大小分配；通信交叉点越多，权重越大。
方法是：对在节点采集到的数据进行特征提取，并利用不同的特征子集对物联网健康大数据样本进行分类，具体包括如下步骤：
对物联网健康大数据集采用规范化矢量表示，
即V(d)＝{d1，w1(d),d2，w2(d),...,dn，wn(d)}，其中dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，
权重的评价函数如下：
(1)外部攻击，权重最高；
(2)通信节点的数据量大小，权重按大小分配；
(3)通信交叉点越多，权重越大。
在所述步骤S4中，对物联网健康大数据集进行评价函数构建，评价函数过程如下：
S41、假设有n个评价对象，m个数据指标；
S42、建立评价对象因素指标集U＝{u1,u2,…,un}；
S43、建立评价集V＝{v1,v2,…,vm}；
S44、建立单因素评价，即建立一个从U到F(V)的映射；
γ：→F(V)
由γ可以诱导出基本关系，得到相关矩阵:
S45、确定评价函数，
设A＝(a1,…,am)表示各因素权重，则评价函数为：
采用算子(·，+)计算，
且
，对向量(b1,…bm)去模糊化，m个评价依次记为1，2，…，m，整体评价分数为：
根据本发明的一些实施例，在所述步骤S5中,分类算法采用神经网络对物联网健康大数据进行特征学习的方法，建立物联网健康大数据网络态势初始模型，再采用AdaBoost集成学习方法，对这个初始模型进行迭代优化，也就是进行异常数据的排查，形成物联网健康大数据网络态势模型，其中，机器学习主要包括以下步骤：首先确定网络层数，接着选取节点数，接着选择隐含神经元数目，最后设计算法。
所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(也就是变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性，体步骤如下：
S51、假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
；算法的最大迭代次数为T，初始迭代次数为1；
S52、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S53、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S54、计算并保存第t次的物联网健康大数据网络态势模型ht的权重ωt，根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型：
以此，可以根据现有数据以及新增数据进行风险排查迭代模拟，提前将影响到物联网医疗健康大数据安全的各项安全隐患设置防护措施，降低风险。
根据本发明实施例的物联网健康大数据态势感知方法，数据模型更加精确，运用神经网络模式处理数据，大大促进了物联网医疗健康大数据态势预测、风险排查、治理，隐私数据安全采用风险分级管控模式可以更好的对隐私数据进行等级保护，可以辅助安全相关部门及早做好应对措施。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种物联网健康大数据态势感知方法，其特征在于，包括以下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的数据等异常数据进行数据采集和预处理后统一编码；
S2、对已经进行预处理的不同的物联网健康医疗大数据进行特征提取、分类和分级；
S3、用矢量表示对物联网健康大数据集，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S4、构建物联网健康大数据集进行评价函数：有n个评价对象，m个数据指标，评价对象因素指标集U＝{u1,u2,…,un}；评价集V＝{v1,v2,…,vm}，评价分数是：
S5、采用神经网络对物联网健康大数据进行机器学习，假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
算法的最大迭代次数为T，初始迭代次数为1；
S6、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S7、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S8、根据要部署的数据网络的逻辑层级确定节点数和隐含神经元的数目；
S9、根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型以及一个安全的物联网健康大数据存储以及传输环境。
2.根据权利要求1所述物联网健康大数据态势感知方法，其特征在于，在所述步骤S1中，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
3.根据权利要求1所述物联网健康大数据态势感知方法，其特征在于，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
4.根据权利要求1所述物联网健康大数据态势感知方法，其特征在于，在所述步骤S3中,评价函数的权重来自于外部攻击，权重最高；通信节点的数据量大小，权重按大小分配；通信交叉点越多，权重越大。
5.根据权利要求1所述物联网健康大数据态势感知方法，其特征在于，在所述步骤S5中,所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201905.7A CN112270362A (zh) | 2020-11-02 | 2020-11-02 | 一种物联网健康大数据态势感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201905.7A CN112270362A (zh) | 2020-11-02 | 2020-11-02 | 一种物联网健康大数据态势感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112270362A true CN112270362A (zh) | 2021-01-26 |
Family
ID=74344553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011201905.7A Pending CN112270362A (zh) | 2020-11-02 | 2020-11-02 | 一种物联网健康大数据态势感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270362A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN110445801A (zh) * | 2019-08-16 | 2019-11-12 | 武汉思普崚技术有限公司 | 一种物联网的态势感知方法和系统 |
| CN110620696A (zh) * | 2019-09-29 | 2019-12-27 | 杭州安恒信息技术股份有限公司 | 针对企业网络安全态势感知的评分方法和装置 |
| CN111143445A (zh) * | 2019-11-22 | 2020-05-12 | 安徽四创电子股份有限公司 | 一种基于大数据的戒毒场所安全态势分析方法及系统 |
-
2020
- 2020-11-02 CN CN202011201905.7A patent/CN112270362A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN110445801A (zh) * | 2019-08-16 | 2019-11-12 | 武汉思普崚技术有限公司 | 一种物联网的态势感知方法和系统 |
| CN110620696A (zh) * | 2019-09-29 | 2019-12-27 | 杭州安恒信息技术股份有限公司 | 针对企业网络安全态势感知的评分方法和装置 |
| CN111143445A (zh) * | 2019-11-22 | 2020-05-12 | 安徽四创电子股份有限公司 | 一种基于大数据的戒毒场所安全态势分析方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 康琦 等: "《机器学习中的不平衡分类方法》", 31 October 2017, 同济大学出版社 * |
| 蓝盾股份订阅号: "蓝盾股份创新医疗安全解决方案—等保2.0+网络安全态势感知", 《微信公众号：HTTPS://MP.WEIXIN.QQ.COM/S?SRC=11&TIMESTAMP=1618884492&VER=3019&SIGNATURE=DIDFLKQJR6VFEP3LRHCAR4WOJJOFONKDNP4REN8VAXXAFPRNPI6JT2ZSRZHC*SI3-SIIRFAFJEZDXRUWGUT27G7KT2NERJZMIAL*F5DT0JCSYU2R3H16M5P-XEH7TQVV&NEW=1》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mobiny et al. | Dropconnect is effective in modeling uncertainty of bayesian deep networks | |
| Adnan et al. | Improving spatial agreement in machine learning-based landslide susceptibility mapping | |
| Heidari et al. | A privacy-aware method for COVID-19 detection in chest CT images using lightweight deep conventional neural network and blockchain | |
| CN111222500A (zh) | 一种标签提取方法及装置 | |
| CN111292195A (zh) | 风险账户的识别方法及装置 | |
| CN110929806B (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
| Al-Ali et al. | ANFIS-Net for automatic detection of COVID-19 | |
| CN114462520A (zh) | 一种基于流量分类的网络入侵检测方法 | |
| CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
| Haffar et al. | Explaining predictions and attacks in federated learning via random forests | |
| CN112269907B (zh) | 一种物联网健康大数据的处理方法 | |
| CN110580570B (zh) | 执法分析方法、装置及介质 | |
| Lapid et al. | An evolutionary, gradient-free, query-efficient, black-box algorithm for generating adversarial instances in deep convolutional neural networks | |
| CN115658934A (zh) | 一种基于多类注意力机制的图文跨模态检索方法 | |
| CN113591892A (zh) | 一种训练数据的处理方法及装置 | |
| CN112270362A (zh) | 一种物联网健康大数据态势感知方法 | |
| Zhang et al. | DDoS attack security situation assessment model using fusion feature based on fuzzy C-means clustering algorithm | |
| CN116665093A (zh) | 一种解决特征中和效应的多模态虚假新闻检测方法及装置 | |
| CN115620342A (zh) | 跨模态行人重识别方法、系统及计算机 | |
| CN116091276A (zh) | 基于深度学习的长时间序列预测方法、装置、设备及介质 | |
| CN112749686B (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
| CN116257786A (zh) | 一种基于多元时序图结构的异步时间序列分类方法 | |
| Zhong | A convolutional neural network based online teaching method using edge-cloud computing platform | |
| Venkatesh et al. | Certain Investigations of Diabetes Classification Model in Smart Embedded IoT Environment Using Machine Learning Approaches | |
| Sun et al. | Image steganalysis based on convolutional neural network and feature selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210126 |
|
| RJ01 | Rejection of invention patent application after publication |