張喆 湯永利

摘? 要： 設(shè)計基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng)，實現(xiàn)健康大數(shù)據(jù)的高效率、高精度整合。管理員操作管理操作層實現(xiàn)系統(tǒng)控制、調(diào)控以及應(yīng)用;大數(shù)據(jù)分析層通過ELM預(yù)測模型的參數(shù)單步預(yù)測方法獲取融合多維參數(shù)信息的健康數(shù)據(jù)預(yù)測結(jié)果，并采用Bagging集成學(xué)習(xí)方法融合ELM預(yù)測模型獲取高精度的強學(xué)習(xí)模型，實現(xiàn)差異多維全云化健康大數(shù)據(jù)的有效判讀;通過全云化健康大數(shù)據(jù)整合層中的整合管理器以及整合運行引擎整合健康大數(shù)據(jù)，并通過調(diào)控層將整合后的健康大數(shù)據(jù)反饋到大數(shù)據(jù)資源層中，存儲到該層中的臨時數(shù)據(jù)庫以及元數(shù)據(jù)庫中，同時這些數(shù)據(jù)庫中的數(shù)據(jù)為應(yīng)用軟件數(shù)據(jù)庫提供數(shù)據(jù)調(diào)度服務(wù)。實驗結(jié)果說明，該系統(tǒng)整合健康大數(shù)據(jù)的整合量和整合效率高，且具有較高的空間存儲容量和并發(fā)數(shù)據(jù)處理性能。

關(guān)鍵詞： 健康大數(shù)據(jù); 整合系統(tǒng); 系統(tǒng)設(shè)計; 集成學(xué)習(xí); 預(yù)測建模; 數(shù)據(jù)存儲

中圖分類號： TN919?34; TP311? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）22?0173?04

Abstract： A all?cloud health big data integration system based on integrated learning is designed to achieve the high efficiency and high precision integration of health big data. The administrator can perform operation management of the operation layer to realize the system control， regulation and application. The big data analysis layer is used to obtain the health data prediction results integrating multi?dimensional parameter information by means of the parameter single?step prediction method of the ELM prediction model， and the Bagging integrated learning method is used to integrate the ELM prediction model to obtain the high?precision strong learning model， so as to realize the effective judgment of the differentiated multi?dimensional all?cloud health big data. The integration manager and integrated running engine in the all?cloud health big data integration layer are used to integrate the health big data， and the integrated health big data is fed back to the big data layer by means of the regulating layer and stored in the temporary database and metadata database in the layer. The data in these databases is used to provide data scheduling service for the application software database. The experimental results show that the system has high integration capacity and efficiency in integrating health big data， as well as high spatial storage capacity and concurrent data processing performance.

Keywords： health big data; integration system; system design; integrated learning; prediction modeling; data storage

0? 引? 言

健康大數(shù)據(jù)（Healthy Big Data）是通過常規(guī)軟件工具在不能接收的時間界限內(nèi)對數(shù)據(jù)進(jìn)行采集、操控和處理的健康數(shù)據(jù)的集合[1]，是隨著信息時代發(fā)展出現(xiàn)的新名詞，具有諸多優(yōu)勢，應(yīng)用范圍十分廣泛。隨著全云化時代的到來，健康大數(shù)據(jù)越來越多地和計算機組合到了一起，讓健康大數(shù)據(jù)走進(jìn)每一家。因此，全云化健康大數(shù)據(jù)智能化分析方法成為相關(guān)人員研究的熱點問題。該方法無需先驗知識，分析歷史采集數(shù)據(jù)判斷規(guī)范，可實現(xiàn)不同類型健康大數(shù)據(jù)的有效判斷和整合。通常采用基于數(shù)據(jù)預(yù)測的全云化健康大數(shù)據(jù)智能分析方法，實現(xiàn)健康大數(shù)據(jù)整合。因為極限學(xué)習(xí)機（Extreme Learning Machine，ELM） 預(yù)測模型是一種新的參數(shù)訓(xùn)練方法，其具有很多如訓(xùn)練速度快、精度高、擁有極少參數(shù)設(shè)置等優(yōu)點。集成學(xué)習(xí)（Ensemble Learning）又稱多分類器系統(tǒng)，其功能組成構(gòu)造是通過多個學(xué)習(xí)器的組建和結(jié)合完成學(xué)習(xí)任務(wù)，具有準(zhǔn)確性高和多樣性強等功能。集成學(xué)習(xí)應(yīng)用十分廣范，如在計算機、電子醫(yī)療輔助等領(lǐng)域[2]。因此，本文設(shè)計的基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng)，采用Bagging集成學(xué)習(xí)方法融合極限學(xué)習(xí)機（Extreme Learning Machine，ELM） 預(yù)測模型實現(xiàn)健康大數(shù)據(jù)的有效預(yù)測后，通過整合層和資源層，完成健康大數(shù)據(jù)的整合和存儲，本文系統(tǒng)不僅實現(xiàn)了全云化大健康數(shù)據(jù)的整合，也為今后大數(shù)據(jù)發(fā)展提供了可靠依據(jù)[3]。

2.2? 全云化健康大數(shù)據(jù)整合效率

由圖5可知，隨著實驗物流公司大數(shù)據(jù)存儲量的不斷增加，本文系統(tǒng)整合全云化健康大數(shù)據(jù)效率遠(yuǎn)遠(yuǎn)高于物聯(lián)網(wǎng)整合系統(tǒng)。本文系統(tǒng)整合時間在200～500 ms之間，而物聯(lián)網(wǎng)整合系統(tǒng)的整合時間在300～900 ms之間，說明本文系統(tǒng)整合全云化健康大數(shù)據(jù)效率較高。

2.3? 存儲空間容量對比

設(shè)置實驗兩種系統(tǒng)的基本存儲參數(shù)為0.83，存儲空間容量極限參考數(shù)為7.1×28 TB，在這些條件下，檢測兩種系統(tǒng)進(jìn)行實驗物流公司2016年8—10月期間全部健康大數(shù)據(jù)整合過程中耗費的存儲空間容量情況，結(jié)果見表1。

2.4? 并發(fā)度對性能影響分析

分析圖6可知，隨著時間的增加，本文系統(tǒng)在處理對全云化健康大數(shù)據(jù)處理性能并發(fā)數(shù)量上遠(yuǎn)遠(yuǎn)大于基于物聯(lián)網(wǎng)的健康大數(shù)據(jù)整合系統(tǒng)，說明本文系統(tǒng)對全云化健康大數(shù)據(jù)處理性能更高。

3? 結(jié)? 論

本文設(shè)計的全云化健康大數(shù)據(jù)整合系統(tǒng)是一個多層體系結(jié)構(gòu)，通過管理操作層、大數(shù)據(jù)分析層、全云化健康大數(shù)據(jù)整合層和全云化健康大數(shù)據(jù)資源層間的協(xié)同合作，實現(xiàn)全云化健康大數(shù)據(jù)的有效整合。其中，大數(shù)據(jù)分析層和大數(shù)據(jù)整合層是總體系統(tǒng)的關(guān)鍵組成部分，分析層采用Bagging集成學(xué)習(xí)方法和ELM預(yù)測模型組成強學(xué)習(xí)方式，實現(xiàn)健康大數(shù)據(jù)的有效預(yù)測和判讀后，通過整合層實現(xiàn)健康大數(shù)據(jù)的有效整合。隨著5G時代的發(fā)展，健康大數(shù)據(jù)越來越多地呈現(xiàn)在人們的視野中，本文系統(tǒng)會讓更多的全云化健康大數(shù)據(jù)走進(jìn)人們的生活中，帶給人們方便快捷的使用效果，為今后大數(shù)據(jù)的發(fā)展奠定了有效的基礎(chǔ)。

參考文獻(xiàn)

[1] 艾科，馬國帥，楊凱凱，等.一種基于集成學(xué)習(xí)的科研合作者潛力預(yù)測分類方法[J].計算機研究與發(fā)展，2019，56（7）：1383?1395.

[2] 劉勝娃，蘇興華，詹勝，等.面向鉆井大數(shù)據(jù)的數(shù)據(jù)集成及分析系統(tǒng)的設(shè)計與實現(xiàn)[J].微電子學(xué)與計算機，2018，35（1）：128?132.

[3] 周敏，岳麗娜.基于物聯(lián)網(wǎng)和云技術(shù)的橋梁結(jié)構(gòu)安全信息平臺設(shè)計[J].武漢理工大學(xué)學(xué)報（信息與管理工程版），2017，39（6）：765?768.

[4] 饒川，茍先太，金煒東.基于選擇性集成學(xué)習(xí)的高速列車故障識別研究[J].計算機應(yīng)用研究，2018，35（5）：1365?1367.

[5] 臧艷輝，趙雪章，席運江.基于MF?R和AWS密鑰管理機制的物聯(lián)網(wǎng)健康監(jiān)測大數(shù)據(jù)分析系統(tǒng)[J].計算機應(yīng)用研究，2019，36（7）：2065?2069.

[6] 劉浩，文廣超，謝洪波，等.大數(shù)據(jù)背景下礦井水害案例庫系統(tǒng)建設(shè)[J].工礦自動化，2017，43（1）：69?73.

[7] 劉伯德，張森.基于網(wǎng)絡(luò)化大數(shù)據(jù)的城市軌道交通安檢系統(tǒng)[J].城市軌道交通研究，2019，22（6）：182?186.

[8] 李俊楠，李偉，李會君，等.基于大數(shù)據(jù)云平臺的電力能源大數(shù)據(jù)采集與應(yīng)用研究[J].電測與儀表，2019，56（12）：104?109.

[9] 劉洪霞，馮益明，曹曉明，等.荒漠生態(tài)系統(tǒng)大數(shù)據(jù)資源平臺建設(shè)與服務(wù)[J].干旱區(qū)資源與環(huán)境，2018，32（9）：126?131.

[10] 韋麗華，張敏.合肥城鄉(xiāng)規(guī)劃數(shù)據(jù)采集及集成系統(tǒng)研究[J].規(guī)劃師，2018，34（z1）：26?28.

[11] 李超強，侯文軍，李豪.“量化自我”?復(fù)雜信息系統(tǒng)人因功效評估大數(shù)據(jù)分析平臺的建設(shè)[J].中國電子科學(xué)研究院學(xué)報，2017，12（6）：563?569.

[12] 歐強新，李海奎，雷相東，等.基于清查數(shù)據(jù)的福建省馬尾松生物量轉(zhuǎn)換和擴展因子估算差異解析：3種集成學(xué)習(xí)決策樹模型的比較[J].應(yīng)用生態(tài)學(xué)報，2018，29（6）：2007?2016.

[13] 徐禹洪，黃沛杰.基于優(yōu)化樣本分布抽樣集成學(xué)習(xí)的半監(jiān)督文本分類方法研究[J].中文信息學(xué)報，2017，31（6）：180?189.

[14] 高慧云，陸慧娟，嚴(yán)珂，等.基于差異性和準(zhǔn)確性的加權(quán)調(diào)和平均度量的基因表達(dá)數(shù)據(jù)選擇性集成算法[J].計算機應(yīng)用，2018，38（5）：1512?1516.

[15] 張燕，杜紅樂.基于異構(gòu)距離的集成分類算法研究[J].智能系統(tǒng)學(xué)報，2019，14（4）：733?742.