CN117831779A - 基于数据挖掘的职工一体化疗休养服务数据处理方法 - Google Patents

基于数据挖掘的职工一体化疗休养服务数据处理方法 Download PDF

Info

Publication number
CN117831779A
CN117831779A CN202310324347.0A CN202310324347A CN117831779A CN 117831779 A CN117831779 A CN 117831779A CN 202310324347 A CN202310324347 A CN 202310324347A CN 117831779 A CN117831779 A CN 117831779A
Authority
CN
China
Prior art keywords
module
data
data information
information
integrated
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
Application number
CN202310324347.0A
Other languages
English (en)
Inventor
周晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310324347.0A priority Critical patent/CN117831779A/zh
Publication of CN117831779A publication Critical patent/CN117831779A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于数据挖掘的职工一体化疗休养服务数据处理方法，涉及大数据处理技术领域，采用的方案是，包括以下步骤：步骤一、获取职工一体化疗休养服务数据库中职工数据信息；步骤二、分析职工一体化疗休养服务数据库中职工数据信息；步骤三、挖掘职工数据信息，并对挖掘出的数据信息进行评估；步骤四、输出挖掘后的数据信息，本发明通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用，其中Kalman滤波校正算法模型包括PLC通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用。本发明大大提高了职工数据信息的分析能力和应用能力。

Description

基于数据挖掘的职工一体化疗休养服务数据处理方法
技术领域
本发明涉及数字信息识别与处理技术领域，且更具体地涉及一种基于数据挖掘的职工一体化疗休养服务数据处理方法。
背景技术
每年参加疗休养人员的数量由本单位工会商行政并根据本单位工作任务和福利费可用于职工疗休养额度情况合理安排。职工一体化疗修养过程中，其健康照护、休养护理等康养活动是用户关注的要点。现有技术中，职工一体化疗休养服务涉及到多种数据信息活动，比如预约挂号、康复、挂号、诊断等不同的活动很容易产生大量的数据信息，这些数据信息在具体应用过程中容易造成数据分析能力滞后、数据应用效率低下，以及在数据信息应用过程中难以挖掘职工一体化疗休养服务数据内隐含的其他数学含义，比如通过挂号、疗养，如何评定职工身体状态，如果通过同一种疾病或者同一种药物需求者信息，挖掘某一时间段或者某一个时期内，职工所处的工作状态、职工处于何种阶段等。
现有技术中大多通过大数据统计的方法实现数据信息分析，这种方法虽然在一定程度上能够提高职工一体化医疗服务水平或者标准，但分析能力有限，数据分析精度不高，难以提高职工一体化疗休养服务数据处理能力，在大数据飞速发展和膨胀的时代下，这种分析技术能力目前是一种技术缺憾。
发明内容
针对上述技术的不足，本发明公开一种基于数据挖掘的职工一体化疗休养服务数据处理方法，通过数据挖掘能够深入挖掘职工一体化疗休养服务数据处理数据，大大提高职工一体化疗休养服务数据处理能力和分析能力，继而提高职工一体化疗休养服务水平。
本发明采用以下技术方案：
一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其中包括以下步骤：
步骤一、获取职工一体化疗休养服务数据库中职工数据信息；
步骤二、分析职工一体化疗休养服务数据库中职工数据信息；
通过改进型神经网络模型对提取的职工数据信息进行数据信息分析，其中所述改进型神经网络模型包括信息输入模块、分类模块、CNN压缩模块、小波变换模块和信息评估模块；其中所述信息输入模块的输出端与分类模块的输入端连接，所述分类模块的输出端与CNN压缩模块的输入端连接，所述CNN压缩模块的输出端与小波变换模块的输入端连接，所述小波变换模块的输出端与信息评估模块的输入端连接；其中信息输入模块设置有DSP主处理器和FPGA处理器，其中所述DSP主处理器连接有双口RAM模块和主机接口，所述FPGA处理器连接以配置存储器、存储器和显示器；
步骤三、挖掘职工数据信息，并对挖掘出的数据信息进行评估；
步骤四、输出挖掘后的数据信息，通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用，其中Kalman滤波校正算法模型包括PLC可编程控制器和与所述PLC可编程控制器连接的自回归滤波器、加速器、分类编码器、误差计算模块和校正模块，其中所述自回归滤波器用于对输入的分类数据信息即挖掘后的数据信息进行过滤，所述加速器用于提高输入的分类数据信息计算速度，所述分类编码器用于对输入的分类数据信息的位置或者数据信息进行编码，所述误差计算模块用于对输入的分类数据信息进行误差计算，所述校正模块用于对输入的分类数据信息进行校正。
作为本发明进一步的技术方案，分类模块包括属性选择模型、特征提取模块、信息匹配模块和信息编码归类模块，其中所述属性选择模型用于选择职工一体化疗休养服务数据库中职工数据信息的属性，所述特征提取模块用于提取职工一体化疗休养服务数据库中职工数据信息的信息特征，所述信息匹配模块用于将提取到的数据信息特征与分类属性设置的数据信息特征进行比对，所述信息编码归类模块用于将输入的分类数据信息归类，以提高数据信息分析能力。
作为本发明进一步的技术方案，属性选择模型包括图像选择、文本选择或者数据信息选择。
作为本发明进一步的技术方案，特征提取模块包括图像信息提取、文本信息提取、数据信息提取或者纹波数据信息提取。
作为本发明进一步的技术方案，信息匹配模块的工作方法为：
步骤(1)、由通信协议模块计算职工一体化疗休养服务数据信息的特征值；
步骤(2)、由计算出的职工一体化疗休养服务数据信息的特征值访问数据库总表，若访问无效，则重新进行访问，如果访问有效，则从数据库总表中获取输入职工一体化疗休养服务数据信息的入口地址；
步骤(3)、从访问数据入口地址读取链表中的信息匹配规则；
步骤(4)、将读取的信息匹配规则与从总链表中读取的信息匹配规则进行匹配，若匹配成功，则进入步骤(5)；如果匹配不成功，则重新返回步骤(3)，重新进行匹配；
步骤(5)、对整个职工一体化疗休养服务数据信息库进行检测，探测是否到达总链表的尾部，若没有到达，则读取总链表中的下一个信息匹配规则，直到输出匹配结果为止。
作为本发明进一步的技术方案，信息编码归类模块为改进型曼彻斯特编码模块，所述改进型曼彻斯特编码模块包括数据加速器，其中数据加速器包括主控模块和与所述主控模块连接的级联指数乘法器，所述级联指数乘法器包含指数计算模块，所述指数计算模块用于生成指数计算规则，所述级联指数乘法器还连接有矢量转换模块。
作为本发明进一步的技术方案，其特征在于指数计算模块通过指数数据编码，将数据信息生成指数循环数据序列，通过指数运算提高数据信息计算能力，假设生成的数据信息为f(x)，指数记作为k位，指数计算模块输出函数为：
在公式(1)中，G(x)表示职工疗养服务数据库生成多项式，r(x)为校验码，Q(x)为数据加速倍数，k为产生指数多项式的幂值。
作为本发明进一步的技术方案，其特征在于CNN压缩模块用于压缩职工一体化数据信息，其中所述CNN压缩模块包括格式转换模块和编码器，格式转换模块用于转换职工一体化数据信息格式，编码器用于对输入的数据信息进行编码，以提高数据信息的兼容性。
作为本发明进一步的技术方案，小波变换模块用于将输入的压缩职工一体化数据信息转化为识别能力高的微观信息，以提高数据信息计算能力，信息评估模块包含中央处理单元和与所述中央处理单元连接的删除模块和用户终端。
作为本发明进一步的技术方案，Kalman滤波校正算法模型的工作方法：
构建Kalman滤波校正函数，函数输出为：
在公式(2)中，Xk表示疗休养服务数据在k时刻下数据信息动态输出量，Zk表示在k时刻下分类模块观测矩阵信息，η表示数据接收有效率，φk，k-1表示分类模块检测信息状态转移矩阵，Γk，k-1表示Kalman滤波校正算法模型噪声矢量，Hk表示在k时刻下测量分类数据信息的矩阵，Wk-1表示数据信息动态输出量矢量值，γ表示分类功能受外界数据信息影响的参数，Vk表示测量分类输出噪声矢量。
作为本发明进一步的实施例，Kalman滤波校正算法模型还包含数据校准模块，其中数据校准模块的工作方法为：
构建数据信息动态输出量校正函数分解模型，数据信息动态输出量校正函数分解模型为：
式(3)中，用为傅里叶变换系数，ω表示傅里叶变换系数参数，校正函数小波变换模型为：
式(4)是离散型二进制小波分析函数，其中离散型二级制数据的离散值为：
通过式(5)完成冗余数据信息剔除工作，判断函数为：
式(6)中，分别用ki、kj表示Kalman滤波校正算法模型分析出职工一体化数据信息的异常状态和正常状态值，用gi、gi表示运行状态的先验概率，用hi、hj表示分类模型中的错判代价因子，用ki(a)、kj(a)表示数据信息处理过程中的概率密度函数；异常诊断函数为：
式(7)中，kq(a)表示异常诊断函数，kq(a)中的q表示异常诊断标识，i表示诊断数据序列，n表示诊断数据序列总数，λ表示平滑数据处理的参数，Nq表示异常诊断函数中的模型影响量总量，ki表示诊断模式中的信号量，aqi数据信号诊断的速度。本发明区别于现有技术积极有益效果在于：
本发明获取职工一体化疗休养服务数据库中职工数据信息；分析职工一体化疗休养服务数据库中职工数据信息；通过改进型神经网络模型对提取的职工数据信息进行数据信息分析，其中所述改进型神经网络模型包括信息输入模块、分类模块、CNN压缩模块、小波变换模块和信息评估模块；进而实现挖掘职工数据信息，并对挖掘出的数据信息进行评估；然后输出挖掘后的数据信息，通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用。通过数据校准模块提高了Kalman滤波校正算法模型能力，本发明大大提高了职工数据信息的分析能力和应用能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明总体结构示意图；
图2为本发明中信息输入模块一种实施例示意图；
图3为本发明中信息输入模块一种I/O接口示意图；
图4为本发明中数据加速器的一种实施例示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
如图1-图4所示，一种基于数据挖掘的职工一体化疗休养服务数据处理方法，包括以下步骤：
步骤一、获取职工一体化疗休养服务数据库中职工数据信息；
在本步骤中，对获取到的职工一体化疗休养服务数据库中职工数据信息进行数据信息分析，以提高数据信息过滤和分析能力；
步骤二、分析职工一体化疗休养服务数据库中职工数据信息；
通过改进型神经网络模型对提取的职工数据信息进行数据信息分析，其中所述改进型神经网络模型包括信息输入模块、分类模块、CNN压缩模块、小波变换模块和信息评估模块；其中所述信息输入模块的输出端与分类模块的输入端连接，所述分类模块的输出端与CNN压缩模块的输入端连接，所述CNN压缩模块的输出端与小波变换模块的输入端连接，所述小波变换模块的输出端与信息评估模块的输入端连接；
步骤三、挖掘职工数据信息，并对挖掘出的数据信息进行评估；
步骤四、输出挖掘后的数据信息，通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用。
针对步骤一，可以通过数据信息过滤提高数据处理，在进行处理信息处理时，通过数据包过滤(packet filtering)提高数据包的纯洁性，以提高职工一体化疗休养服务数据库中职工数据信息获取能力。在获取数据信息时，可以是图像信息、文字信息或者其他任何格式的数据信息。
针对步骤二中，信息输入模块设置有DSP主处理器和FPGA处理器，其中所述DSP主处理器连接有双口RAM模块和主机接口，所述FPGA处理器连接以配置存储器、存储器和显示器。
如图2和图3所示，在具体实施例中，通过设置有DSP主处理器和FPGA处理器，以提高信息输入模块的控制能力，必要的话，通过选择设备选择线、数据线、命令线或者状态线实现数据信息的交互。
在具体实施例中，设备选择线：设备选择线是用来传送设备码的，他的根数取决于I/O指令中设备码的位数。
数据线：数据线是I/O设备与主机之间数据代码的传送线，其根数一般等于存储字长的位数或字符的位数，它通常是双向的，也可以是单向的。
命令线：主要是用来传输CPU向设备发出的各种信号。例如，启动、清除、屏蔽、读、写等。他是一组单向总线，其根数与命令信号多少有关。
状态线：是将I/O设备的状态向主机报告的信号线，例如，设备是否准备就绪，是否向CPU发送中断请求等。他也是一组单向总线。
针对步骤二中，分类模块包括属性选择模型、特征提取模块、信息匹配模块和信息编码归类模块，其中所述属性选择模型用于选择职工一体化疗休养服务数据库中职工数据信息的属性，所述特征提取模块用于提取职工一体化疗休养服务数据库中职工数据信息的信息特征，所述信息匹配模块用于将提取到的数据信息特征与分类属性设置的数据信息特征进行比对，所述信息编码归类模块用于将输入的分类数据信息归类，以提高数据信息分析能力。
在具体实施例中，属性选择模型包括图像选择、文本选择或者数据信息选择。
在具体实施例中，特征提取模块包括图像信息提取、文本信息提取、数据信息提取或者纹波数据信息提取。
在具体实施例中，信息匹配模块的工作方法为：
步骤(1)、由通信协议模块计算职工一体化疗休养服务数据信息的特征值；
步骤(2)、由计算出的职工一体化疗休养服务数据信息的特征值访问数据库总表，若访问无效，则重新进行访问，如果访问有效，则从数据库总表中获取输入职工一体化疗休养服务数据信息的入口地址；
步骤(3)、从访问数据入口地址读取链表中的信息匹配规则；
步骤(4)、将读取的信息匹配规则与从总链表中读取的信息匹配规则进行匹配，若匹配成功，则进入步骤(5)；如果匹配不成功，则重新返回步骤(3)，重新进行匹配；
步骤(5)、对整个职工一体化疗休养服务数据信息库进行检测，探测是否到达总链表的尾部，若没有到达，则读取总链表中的下一个信息匹配规则，直到输出匹配结果为止。
在进一步的实施例中，其中信息编码归类模块为改进型曼彻斯特编码模块，所述改进型曼彻斯特编码模块包括数据加速器，其中数据加速器包括主控模块和与所述主控模块连接的级联指数乘法器，所述级联指数乘法器包含指数计算模块，所述指数计算模块用于生成指数计算规则，所述级联指数乘法器还连接有矢量转换模块。
在具体实施例中，曼彻斯特编码(Manchester)又称裂相码、同步码、相位编码，是一种用电平跳变来表示1或0的编码方法，其变化规则很简单，即每个码元均用两个不同相位的电平信号表示，也就是一个周期的方波，但0码和1码的相位正好相反。由于曼彻斯特码在每个时钟位都必须有一次变化，因此，其编码的效率仅可达到50％左右，基于此，本发明中加入了数据加速器，以提高数据加速能力。
在具体实施例中，指数计算模块通过指数数据编码，将数据信息生成指数循环数据序列，通过指数运算提高数据信息计算能力，假设生成的数据信息为f(x)，指数记作为k位，指数计算模块输出函数为：
在公式(1)中，G(x)表示职工疗养服务数据库生成多项式，r(x)为校验码，Q(x)为数据加速倍数，k为产生指数多项式的幂值。
在具体实施例中，指数计算模块的输出接口作为校验模块的接收接口，生成校验码后输出到数据发送模块。在进行数据信息处理时，还可以通过数据信息聚类，通过数据信息聚类进行分类与聚类。为了对非结构化数据进行聚类，以JSON文档形式提供的职工一体化图像/音频/视频/文本等多种元数据作为CLU算法的输入，通过以下方法进行生成数据加速信息。
在算法1中，CLU算法从DT系统获取非结构化数据聚类属性作为输入，并在每个记录中搜索聚类属性的值。对于每个非结构化数据记录创建一个节点，其中包含字段recordID和集群属性的值。如果JSON格式的图像元非结构化数据以集群属性作为输入，记录的群集属性包含多个值，则为每个值为同一记录创建一个单独的节点。从每个记录中提取聚类属性的值后，将形成的节点附加在一起以形成单个链表。遍历链表期间执行的步骤如算法2所示。
在具体应用中还可以引入极限学习机(ELM)使用随机分配且不用更新的单个隐藏层，ELM工作速度极快，以提高数据信息计算能力。
CNN压缩模块用于压缩职工一体化数据信息，其中所述CNN压缩模块包括格式转换模块和编码器，格式转换模块用于转换职工一体化数据信息格式，编码器用于对输入的数据信息进行编码，以提高数据信息的兼容性。
在具体实施例中，卷积神经网络(Convolutional Neural Networks,CNN)是深度学习中非常常见的算法(模型)，输入层的前向传播是CNN前向传播算法的第一步。一般输入层对应的都是卷积层，在本发明中，应用CNN算法模型能够通过输入层前向传播到卷积层。在输入层X构建职工一体化数据信息矩阵，矩阵的值等于图片的各个像素位置的值(在具体实施例中，比如通过图像信息获取的的职工数据信息)。这时和卷积层相连的卷积核W就也是矩阵。如果样本都是有RGB的彩色图片，这样输入X就是3个矩阵，即分别对应R，G和B的矩阵，或者说是一个张量。这时和卷积层相连的卷积核W就也是张量，对应的最后一维的维度为3.即每个卷积核都是3个子矩阵组成。同样的方法，对于3D的彩色图片之类的样本，则输入X可以是4维，5维的张量，则对应的卷积核W也是个高维的张量。通过这种方法能够提高数据信息的处理能力。
小波变换模块用于将输入的压缩职工一体化数据信息转化为识别能力高的微观信息，以提高数据信息计算能力。
小波变换(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。在本发明中能够提高职工一体化数据信息处理能力。
信息评估模块包含中央处理单元和与所述中央处理单元连接的删除模块和用户终端。
在具体实施例中，在中央处理单元作用下，能够实现职工一体化数据信息的计算和应用能力，通过数据信息删除和计算，以提高信息评估能力。
在具体实施例中，Kalman滤波校正算法模型的工作方法：
构建Kalman滤波校正函数，函数输出为：
在公式(2)中，Xk表示疗休养服务数据在k时刻下数据信息动态输出量，Zk表示在k时刻下分类模块观测矩阵信息，η表示数据接收有效率，φk，k-1表示分类模块检测信息状态转移矩阵，Γk，k-1表示Kalman滤波校正算法模型噪声矢量，Hk表示在k时刻下测量分类数据信息的矩阵，Wk-1表示数据信息动态输出量矢量值，γ表示分类功能受外界数据信息影响的参数，Vk表示测量分类输出噪声矢量；
在具体实施例中，Kalman滤波校正算法模型在具体应用中，卡尔曼滤波(Kalmanfilter)作为一种高效的自回归滤波器，它能在存在诸多不确定性情况的组合信息中估计动态系统的状态，是一种强大的、通用性极强的工具。
通过Xk表示疗休养服务数据在k时刻下数据信息动态输出量能够实时记录分类信息，通过Zk表示在k时刻下分类模块观测矩阵信息能够将将观测到的数据信息，η表示分类监测过程数据接收有效率、数据接收的有效性，通过φk，k-1表示分类模块检测信息状态转移矩阵能够提高分类模块数据信息接收过程中的有用性，以有效地衡量分类模块进行分类能力，通过Γk，k-1表示Kalman滤波校正算法模型噪声矢量能够提高Kalman滤波校正算法模型工作性能，通过Hk表示在k时刻下测量分类数据信息的矩阵能够提高数据信息分类能力，通过Wk-1表示数据信息动态输出量矢量值能够动态反映分类过程中的性能，将分类转换为数学模型以提高数据信息计算能力，通过γ表示分类功能受外界数据信息影响的参数能够从侧面反映分类能力受外界信息影响程度，比如检测环境、噪声、温度、湿度等不同的数据参数信息，通过Vk表示测量分类输出噪声矢量能够提高分类分析能力，将宏观的数学思维分析转换为微观的数学分析，以提高疗休养服务数据在应用过程中的检测能力。
在上述实施例中，Kalman滤波校正算法模型包括PLC可编程控制器和与所述PLC可编程控制器连接的自回归滤波器、加速器、分类编码器、误差计算模块和校正模块，其中所述自回归滤波器用于对输入的分类数据信息即挖掘后的数据信息进行过滤，所述加速器用于提高输入的分类数据信息计算速度，所述分类编码器用于对输入的分类数据信息的位置或者数据信息进行编码，所述误差计算模块用于对输入的分类数据信息进行误差计算，所述校正模块用于对输入的分类数据信息进行校正。
在具体实施例中，自回归滤波器通过在微处理器处理的作用下，对疗休养服务数据运行状态进行控制处理，通过预测误差滤波器系数，以提高监测能力。
加速器能够提高Kalman滤波校正算法模型的计算速度，在Kalman滤波校正算法模型中，通过压缩编码的方式，将输入Kalman滤波校正算法模型中的数据信息空间压缩，格式转换，以满足Kalman滤波校正算法模型的计算需求，通过设置多通道数据信息通道能够提高Kalman滤波校正算法模型计算能力。
分类编码器是通过将分类数据信息通过编码器实现数据信息的编码，在具体应用中，通过PLC控制器实现数据编码控制，通过PLC控制器控制伺服或者步进电机来实现分类的，通过光电编码器对分类信息编码，通过紧密仪器来腐蚀雕刻了很多条细小的缝，相当于把一个360度，细分成很多等分，比如成1024组，这样每组之间的角度差是360/1024度＝0.3515625度。分类编码器通过在进行编码时，通过将这些数据信息转换为脉冲编码信号，以将分类编码信息转换为分类监测输出，提高监测能力。
误差计算模块通过将获取的误差数据信息与标准数据信息进行对比，以提高数据信息计算能力，通过计算误差，再通过校正模块对分类功能进行核对。在上述实施例中，所述分类监测模块还设置有具有位置标识的可视化显示模块，比如可视化编程串行控制中文字库液晶显示模块VLCM320240等。
在进一步的实施例中，Kalman滤波校正算法模型还包含数据校准模块，其中数据校准模块的工作方法为：
为了准确地处理采集到的计算数据，识别疗休养服务数据在计算过程中的异常状态，本申请在Kalman滤波校正算法模型选用了小波分析法，根据小波分析法的工作原理，数据信息动态输出量校正函数分解模型为：
式(3)中，用为傅里叶变换系数，ω表示傅里叶变换系数参数，将进行数据融合处理后的计算数据以式(3)的形式进行转换，当某一数据不能转换成式(3)的形式时，将该数据信息剔除。在将所有的运行数据信息转换之后，很可能会产生信息冗余的现象，这将导致进行运行状态识别的时间变长。这时采用小波变换分析法，将处理后的离散型二进制数据进行处理分析，将数据信息参数设置为v＝2i；z＝2il；i,l∈R，则校正函数小波变换模型为：
式(4)是离散型二进制小波分析函数，该函数分析计算数据信号时，时间变量是连续性的，因此离散型二级制数据的离散值为：
通过式(5)完成冗余数据信息剔除工作后，将其余数据信息进行解构，采集这些数据信号的特征值，根据特征值，对照预设的标准值进行计算状态判断，判断过程可表示为：
式(6)中，分别用ki、kj表示Kalman滤波校正算法模型分析出职工一体化数据信息的异常状态和正常状态值，用gi、gi表示运行状态的先验概率，用hi、hj表示分类模型中的错判代价因子，用ki(a)、kj(a)表示数据信息处理过程中的概率密度函数；经式(5)进行冗余数据信息剔除后的结果输入至式(6)中，这样就可以进行Kalman滤波校正算法模型数据计算和分解过程中数据信息识别，大大提高数据识别和应用能力，能够在k时刻下测量任意矩阵数据信息值，为精准的识别出Kalman滤波校正算法模型在分解职工一体化疗休养服务数据信息的不同工作状态，本申请对计算信息区域数据信息的校准函数进行了异常诊断，异常诊断函数为：
式(7)中，kq(a)表示异常诊断函数，kq(a)中的q表示异常诊断标识，i表示诊断数据序列，n表示诊断数据序列总数，λ表示平滑数据处理的参数，Nq表示异常诊断函数中的模型影响量总量，ki表示诊断模式中的信号量，aqi数据信号诊断的速度。
通过上述方法，Kalman滤波校正算法模型在应用过程中，能够快速对获取的职工一体化疗休养服务数据进行计算。在具体应用中，通过Kalman滤波校正算法模型，对分析出职工一体化数据信息的异常状态和正常状态值通常显示器进行显示和计算，比如异常状态，比如信息获取不到位、信息获取不精准、信息分析不正确，信息分析不到位，信息分析不恰当。正常状态值比如通过检索职工身份证，能够检测出与该职工相关的多种数据信息。虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：包括以下步骤：
步骤一、获取职工一体化疗休养服务数据库中职工数据信息；
步骤二、分析职工一体化疗休养服务数据库中职工数据信息；
通过改进型神经网络模型对提取的职工数据信息进行数据信息分析，其中所述改进型神经网络模型包括信息输入模块、分类模块、CNN压缩模块、小波变换模块和信息评估模块；其中所述信息输入模块的输出端与分类模块的输入端连接，所述分类模块的输出端与CNN压缩模块的输入端连接，所述CNN压缩模块的输出端与小波变换模块的输入端连接，所述小波变换模块的输出端与信息评估模块的输入端连接；其中信息输入模块设置有DSP主处理器和FPGA处理器，其中所述DSP主处理器连接有双口RAM模块和主机接口，所述FPGA处理器连接以配置存储器、存储器和显示器；
步骤三、挖掘职工数据信息，并对挖掘出的数据信息进行评估；
步骤四、输出挖掘后的数据信息，通过基于Kalman滤波校正算法模型的校正模块对挖掘后的数据信息进行应用，其中Kalman滤波校正算法模型包括PLC可编程控制器和与所述PLC可编程控制器连接的自回归滤波器、加速器、分类编码器、误差计算模块和校正模块，其中所述自回归滤波器用于对输入的分类数据信息即挖掘后的数据信息进行过滤，所述加速器用于提高输入的分类数据信息计算速度，所述分类编码器用于对输入的分类数据信息的位置或者数据信息进行编码，所述误差计算模块用于对输入的分类数据信息进行误差计算，所述校正模块用于对输入的分类数据信息进行校正。
2.根据权利要求1所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：分类模块包括属性选择模型、特征提取模块、信息匹配模块和信息编码归类模块，其中所述属性选择模型用于选择职工一体化疗休养服务数据库中职工数据信息的属性，所述特征提取模块用于提取职工一体化疗休养服务数据库中职工数据信息的信息特征，所述信息匹配模块用于将提取到的数据信息特征与分类属性设置的数据信息特征进行比对，所述信息编码归类模块用于将输入的分类数据信息归类，以提高数据信息分析能力。
3.根据权利要求2所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：属性选择模型包括图像选择、文本选择或者数据信息选择。
4.根据权利要求2所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：特征提取模块包括图像信息提取、文本信息提取、数据信息提取或者纹波数据信息提取。
5.根据权利要求2所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：信息匹配模块的工作方法为：
步骤(1)、由通信协议模块计算职工一体化疗休养服务数据信息的特征值；
步骤(2)、由计算出的职工一体化疗休养服务数据信息的特征值访问数据库总表，若访问无效，则重新进行访问，如果访问有效，则从数据库总表中获取输入职工一体化疗休养服务数据信息的入口地址；
步骤(3)、从访问数据入口地址读取链表中的信息匹配规则；
步骤(4)、将读取的信息匹配规则与从总链表中读取的信息匹配规则进行匹配，若匹配成功，则进入步骤(5)；如果匹配不成功，则重新返回步骤(3)，重新进行匹配；
步骤(5)、对整个职工一体化疗休养服务数据信息库进行检测，探测是否到达总链表的尾部，若没有到达，则读取总链表中的下一个信息匹配规则，直到输出匹配结果为止。
6.根据权利要求2所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：信息编码归类模块为改进型曼彻斯特编码模块，所述改进型曼彻斯特编码模块包括数据加速器，其中数据加速器包括主控模块和与所述主控模块连接的级联指数乘法器，所述级联指数乘法器包含指数计算模块，所述指数计算模块用于生成指数计算规则，所述级联指数乘法器还连接有矢量转换模块。
7.根据权利要求6所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于指数计算模块通过指数数据编码，将数据信息生成指数循环数据序列，通过指数运算提高数据信息计算能力，假设生成的数据信息为f(x)，指数记作为k位，指数计算模块输出函数为：
在公式(1)中，G(x)表示职工疗养服务数据库生成多项式，r(x)为校验码，Q(x)为数据加速倍数，k为产生指数多项式的幂值。
8.根据权利要求1所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于CNN压缩模块用于压缩职工一体化数据信息，其中所述CNN压缩模块包括格式转换模块和编码器，格式转换模块用于转换职工一体化数据信息格式，编码器用于对输入的数据信息进行编码，以提高数据信息的兼容性。
9.根据权利要求1所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：小波变换模块用于将输入的压缩职工一体化数据信息转化为识别能力高的微观信息，以提高数据信息计算能力，信息评估模块包含中央处理单元和与所述中央处理单元连接的删除模块和用户终端。
10.根据权利要求1所述的一种基于数据挖掘的职工一体化疗休养服务数据处理方法，其特征在于：Kalman滤波校正算法模型的工作方法：
构建Kalman滤波校正函数，函数输出为：
在公式(2)中，Xk表示疗休养服务数据在k时刻下数据信息动态输出量，Zk表示在k时刻下分类模块观测矩阵信息，η表示数据接收有效率，φk，k-1表示分类模块检测信息状态转移矩阵，Γk，k-1表示Kalman滤波校正算法模型噪声矢量，Hk表示在k时刻下测量分类数据信息的矩阵，Wk-1表示数据信息动态输出量矢量值，γ表示分类功能受外界数据信息影响的参数，Vk表示测量分类输出噪声矢量；
Kalman滤波校正算法模型还包含数据校准模块，其中数据校准模块的工作方法为：
构建数据信息动态输出量校正函数分解模型，数据信息动态输出量校正函数分解模型为：
式(3)中，用为傅里叶变换系数，ω表示傅里叶变换系数参数，校正函数小波变换模型为：
式(4)是离散型二进制小波分析函数，其中离散型二级制数据的离散值为：
通过式(5)完成冗余数据信息剔除工作，判断函数为：
式(6)中，分别用ki、kj表示Kalman滤波校正算法模型分析出职工一体化数据信息的异常状态和正常状态值，用gi、gi表示运行状态的先验概率，用hi、hj表示分类模型中的错判代价因子，用ki(a)、kj(a)表示数据信息处理过程中的概率密度函数；异常诊断函数为：
式(7)中，kq(a)表示异常诊断函数，kq(a)中的q表示异常诊断标识，i表示诊断数据序列，n表示诊断数据序列总数，λ表示平滑数据处理的参数，Nq表示异常诊断函数中的模型影响量总量，ki表示诊断模式中的信号量，aqi数据信号诊断的速度。
CN202310324347.0A 2023-03-29 2023-03-29 基于数据挖掘的职工一体化疗休养服务数据处理方法 Pending CN117831779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310324347.0A CN117831779A (zh) 2023-03-29 2023-03-29 基于数据挖掘的职工一体化疗休养服务数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310324347.0A CN117831779A (zh) 2023-03-29 2023-03-29 基于数据挖掘的职工一体化疗休养服务数据处理方法

Publications (1)

Publication Number Publication Date
CN117831779A true CN117831779A (zh) 2024-04-05

Family

ID=90504545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310324347.0A Pending CN117831779A (zh) 2023-03-29 2023-03-29 基于数据挖掘的职工一体化疗休养服务数据处理方法

Country Status (1)

Country Link
CN (1) CN117831779A (zh)

Similar Documents

Publication Publication Date Title
CN112131383B (zh) 特定目标的情感极性分类方法
CN110111885B (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
CN118098482B (zh) 基于5g技术的智慧医疗管理系统及方法
CN113592769B (zh) 异常图像的检测、模型的训练方法、装置、设备及介质
CN112257578A (zh) 人脸关键点检测方法、装置、电子设备及存储介质
CN106096286A (zh) 临床路径制定方法及装置
CN109887606B (zh) 一种基于注意力的双向递归神经网络的诊断预测方法
CN115130656A (zh) 异常检测模型的训练方法、装置、设备及存储介质
CN114708952B (zh) 一种图像标注方法、装置、存储介质和电子设备
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质
CN113096756A (zh) 病情演变分类方法、装置、电子设备和存储介质
CN113822439A (zh) 任务预测方法、装置、设备及存储介质
EP4449441A1 (en) A computer implemented method and a system
CN117149998A (zh) 基于多目标优化的智能就诊推荐方法及系统
CN113092083B (zh) 一种基于分形维数和神经网络的机泵故障诊断方法和装置
CN116484878B (zh) 电力异质数据的语义关联方法、装置、设备及存储介质
CN117831779A (zh) 基于数据挖掘的职工一体化疗休养服务数据处理方法
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
CN114712643A (zh) 基于图神经网络的机械通气人机异步检测方法、装置
CN114169433A (zh) 一种基于联邦学习+图学习+cnn的工业故障预测方法
Pivithuru et al. E-patient Card: An Integrated Electronic Health Recording System for Patient
CN118135229B (zh) 一种医学图像分割方法、系统及计算机
CN111986740B (zh) 化合物分类方法及相关设备
CN117766133A (zh) 一种基于智能算法的中医证候辨识方法及装置
Bencsik et al. THEORETICAL BACKGROUND OF NUMERICAL-BASED INPUT DATA EXTENSION AND RELIABILITY ANALYSIS FOR MACHINE LEARNING.

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