基于甲型H1N1防御系统数据分析系统算法描述.docVIP

基于甲型H1N1防御系统数据分析系统算法描述 　　 [摘要] 本文介绍了甲型H1Nl疫情防御决策支持系统的基本框架,重点描述了防御系统的数据分析系统算法。 　　[关键词]甲型H1N1;数据挖掘;模糊集与信息推理;集对分析 　　 　　一、前言 　　笔者参与设计的甲型H1N1防御系统,运用了多种智能化方法,可以从大量数据中找出规律,同时建造智能型的决策支持系统,是应付甲型H1N1流感这样的突发性传染病的有效方法。 　　本文探讨的重点为该系统中的数据分析系统算法。 　　二、相关技术介绍 　　1. 数据挖掘技术及其基本过程 　　数据挖掘是近年来随着数据库和人工智能技术的发展而出现的一种全新信息技术,是指从数据中识别出有效的、新颖的、潜在有用的,且可以最终被理解的模式的非平凡过程。数据挖掘又是一种决策支持过程,它能高度自动化地分析数据仓库中原有的数据,做出归纳性推理,从中挖掘出潜在的模式,帮助决策者做出正确决策。 　　数据挖掘的一般过程可分为“数据准备”、“数据挖掘”、“结果解释和评价”三个阶段。 　　2. 医学数据的特点 　　医学信息系统中的数据具有自身的一些特殊性,主要表现在以下几方面: 　　(1) 隐私性:医学数据不可避免地涉及到患者的一些隐私信息,医学数据挖掘者有义务和职责在保护患者隐私的基础上进行科学研究,并且确保这些医学数据的安全性和机密性。 　　(2) 多态性:医学信息包括纯数据(如体征参数、化验结果)、信号(如肌电信号、脑电信号等)、图像(如B超、CT 等医学成像设备的检测结果)、文字(如病人的身份记录、症状描述、检测和诊断结果的文字表述),以及用于科普、咨询的动画、语音和视频信息。医学信息的多模式特性是它区分其他领域数据的最显著特征,加大了医学数据挖掘的难度。 　　(3)不完整性:病例和病案的有限性使医学数据库不可能对任何一种疾病信息都能全面地反映,表现为医学信息的不完全性。 　　(4)时间性:医学检测的波形、图像都是时间的函数;还有一部分医学信息,比如病人的身份记录等静态数据,虽然不带有时序性,但都是对病人在某一时刻医疗活动的记录。 　　(5)冗余性:医学数据库是一个庞大的数据资源,每天都会有大量相同的或部分相同的信息存储在其中。 　　三、甲型H1Nl疫情防御决策支持系统基本框架 　　甲型H1Nl疫情防御决策支持系统基本框架如图1所示。 　　系统首先对历史甲型H1Nl流感数据进行收集、处理,并在此基础上构造预测和模拟甲型H1Nl流感发展的模型。当有甲型H1Nl流感疫情出现的时候,要及时对最新发展情况进行搜集和分析处理,以获得有效的决策数据。随后将有效的甲型H1Nl流感疫情数据输入应急子系统,经系统处理得到甲型H1Nl流感疫情的发展预测信息。在此基础上通过诊治子系统制定相应的诊治策略。因此,所讨论的决策支持系统由3个子系统组成:数据采集分析子系统、应急子系统、诊治子系统。 　　四、基于甲型H1N1防御系统的数据分析系统算法描述 　　1. 模糊集与信息推理 　　随着科学的深化,研究的对象越来越复杂,这些复杂的东西越来越难以精确化。在一个大型系统中,当它的复杂性增加时,将它精确化的能力将会降低,在达到一定阈值以上时,复杂性和精确性将相互排斥,产生由复杂性引起的模糊性问题。在甲型H1N1发生的过程中人们所得到的信息常常是不精确、不完全或模糊的,为此需用Fuzzy集理论来处理这些问题。在甲型H1N1防治中,首先建立模糊规则库,它是由若干??糊推理规则库组成的。模糊规则库可以通过向专家咨询得到,把专家的经验抽象成模糊与可拓规则的规则库,也可以通过自学习的方式得到。将甲型H1N1传播过程中收集到的各项信息输入规则库中,进行模糊推理,提高信息的精确性。此外,还可以利用灰色关联分析、可拓学3―4―4法对这些模糊信息进行处理。 　　2. 确定决策目标及指标体系 　　为确定决策目标及指标体系,首先聘请一些专家并为每一位专家分配权重。WAS权重分配系统,通过对所聘专家的权威质量、熟悉度、谨慎度g、知识广度e、智力激发度w等方面进行评判分析,确定各专家的权重,然后将极值统计与专家的权重结合起来确定一个任务的各指标权重。再让专家对数据进行初步的分析后,根据问题的复杂程度,调用不同的系统来对局势进行分析并给出评估结果。 　　如果问题不复杂,只需要调用WAS即可,如果问题比较复杂,则必须调用模糊灰色物元空间(FHW)或其最新进展的VGES,有效地组织专家、咨询专家、进行群决策。它是建立在多级专家决策系统基础上,可以全面吸收从中央到地方的各级领导、专家的意见,并对这些意见进行加权处理,发挥专家的正确意见,而舍弃那些不全面的意见。 　　通过分析专家们的分析结果,选择一些能够反映客观状况的实际指标。