基于机器学习的网络流量识别方法与实现

这是一篇关于网络流量识别,机器学习,BP神经网络,SVM,PSO的论文, 主要内容为随着计算机网络技术的飞速发展和信息时代的到来,网络使用频率的不断增加造成了互联网的数据流量爆发式增长；网络新应用的不断出现造成了网络通信协议使用更加灵活、混杂；网络病毒、窃听和恶意攻击等行为不断增多造成了网络安全成为社会和政府部门关注的热点。这些问题可以通过网络流量识别得到很好的解决。因此,网络流量识也越来越受到人们的重视。 已经有许多不同的流量识别方法,但从研究和应用角度人们越来越关注流量识别的可行性和有效性,即如何快速地处理海量的数据和如何正确地识别网络中的各种应用。面临不断变化的网络环境,本论文主要研究基于机器学习(Machine Learning, ML)的网络流量识别方法,重点采用了后向传播(Back Propagation, BP)神经网络和支持向量机(Support Vector Machine, SVM)两种监督学习算法。 BP神经网络采用分布、并行的网状结构进行训练学习,使其容错性更高,处理速度更快；BP神经网络具有很好的非线性映射能力,可以模拟输入与输出的非线性关系；同时,BP神经网络是通过全局寻优的方式进行训练的,因此BP网络也具有很高的泛化能力。SVM则是针对小样本的机器学习方法,并且通过内积核函数将低维样本空间非线性映射到高维空间,其具有比较完善的理论基础。SVM采用“转导推理”(Transductive Inference)方法可以很容易的解决非线性多分类问题。SVM的最优分类超平面只由边界上有限的支持向量构成,使得SVM方法不仅简单有效,而且具有很好的鲁棒性。这两种机器学习算法都能够适应网络环境中的大数据和多样性,都能够快速有效的识别网络流量的应用类型。 本论文的流量识别系统是以家庭中的网络流为识别对象,该系统从功能上分为家庭网关和后台服务器两部分。家庭网关实时抓取数据包、提取特征,并通过机器学习的方法进行流量识别,然后将识别结果传送给后台服务器；后台服务器将识别结果存入数据库,并显示当前网络中流量的应用类型,便于管理者进行监管。论文研究的主要贡献如下： 1、通过对网络流量识别和机器学习的研究与分析,BP神经网络能够适应互联网的大数据和多样性特点,在此基础上选择了基于BP神经网络的流量识别方法。即选择三层的BP神经网络作为实现方案,其分类能力满足流量识别的要求并且结构简单易于实现。选择S型函数作为BP神经网络隐含层的转移函数,实现对网络流特征等输入信息的非线性映射。虽然BP神经网络容易陷入误差曲面的局部极小,但是通过粒子群算法(Particle Swarm Optimization, PSO)寻找具有全局最优特性的初始化权值,保证BP神经网络训练时能够进入误差曲面的全局最小。实验结果表明,经过PSO算法优化的BP神经网络能够很快寻找到误差曲面的全局最小值,并准确识别流量的网络应用类型。 2、仔细研究SVM解决线性和非线性分类问题的原理,在此基础上提出了基于SVM的流量识别方法,将SVM应用于网络流量识别领域。选择径向基函数作为SVM的核函数,实现从低维的网络流特征空间向更高维空间的非线性映射。并通过一对一方法(One-Against-One)构造了SVM多值分类器,使SVM能够识别多种网络应用类型。SVM在高维空间中生成最优超平面,实现对空间的划分和多种网络应用的分类,这是一种全局寻优的方式因此SVM的识别方法具有很好的泛化能力。实验结果表明,SVM非常适合解决网络流量识别这种非线性多分类问题,而且所需训练样本少,计算复杂度低,能够进行实时识别。 3、在家庭局域网中设计和实现了流量识别系统。根据机器学习的系统模型和监督学习的实现方法,设计了网络流量识别的总体架构,将其分为实时在线流量识别和离线训练学习两部分,具体过程包含抓取网络流的数据包,生成网络流的特征,选择训练集和测试集,对机器学习算法进行训练,和测试两种流量识别算法的分类效果。在系统实现方面,将BP神经网络和SVM的流量识别算法编写为程序,并移植到家庭网关(家庭网关由路由器搭建)中。在后台服务器的Linux平台上搭建Web服务器和安装MySQL数据库,实现家庭网关与后台服务器之间的交互通信、信息处理和存储。管理员则可以通过Web浏览器登录后台服务器观察当前家庭网络中流量识别结果。

基于知识图谱的数据链路智能分析系统的研究与设计

这是一篇关于数据链路,故障分析,知识图谱,PSO,XGBoost的论文, 主要内容为为实现“三型两网、世界一流”战略目标,国家电网公司目前正努力打造数据可见、组件成熟、体系规范的数据中台,其中重点任务为构建公司数据全链路体系,实现公司总部、省、地市三级数据贯通。由于数据系统规模庞大,业务系统之间的数据流转链路具有环节多、周期长等特点,导致数据链路仍存在数据传输实效性低、问题环节难以定位和缺少链路故障预警机制等问题。针对上述问题,本文首先提出了基于粒子群算法优化的极度梯度提升(PSO-XGBoost)模型实现数据链路当前故障分类预测,其次设计了基于Jaccard系数的SWRL推理规则以构建数据链路故障领域知识图谱,实现数据链路未来故障预警,最后设计与实现了基于知识图谱的数据链路智能分析系统。主要研究工作如下:第一,提出了 PSO-XGBoost数据链路故障分类模型。通过对SG-UEP纵向链路数据特性的分析,选择极度梯度提升(Extreme Gradient Boosting,XGBoost)算法作为模型基础,采用粒子群优化(Particle swarm optimization,PSO)算法对XGBoost模型中的重要参数进行自动优化,构建得到PSO-XGBoost故障分类模型,通过与支持向量机模型、BP神经网络模型和普通XGBoost模型的实验对比,论证了模型的有效性,为后续的关联故障预警提供当前数据链路异常情况。第二,设计了基于Jaccard系数的推理规则并构建了数据链路故障领域知识图谱。利用知识图谱在关联分析方面的优势,采用本体建模工具Protege建立链路故障领域本体模型并创建实例,基于Jaccard系数分析故障之间相似度并构建SWRL(Semantic Web Rule Language)规则库,通过本体推理机制和SWRL规则描述结合,使用Jena推理机对已建立的故障间关系进行知识推理,分析故障之间的关联关系。最后应用图数据库Neo4j的图形化表达能力构建数据链路故障可视化知识图谱,实现数据链路故障预警,提高数据链路的运行效率和维护效率。第三,设计实现了基于知识图谱的数据链路智能分析系统。基于上述研究成果,分析系统需求,设计系统架构,形成机器学习故障分类模块和知识图谱故障预警模块这两个主要功能模块,实现基于知识图谱的数据链路智能分析系统。

多约束下的纸盒矩形化智能排样系统的研究与实现

这是一篇关于纸盒排样,BL算法,PSO,成本核算,Java的论文, 主要内容为随着各行各业的兴起,产品的纸盒包装需求量急剧上升,包装工艺种类不断增多,纸盒结构也愈见复杂。为此,国内外很多公司研发自主排样系统,比利时的AritosCAD、荷兰的PackDesign、中国的Founder Pack系统等但价格昂贵,专用性强,难以满足大多数中小企业的实际需求。目前大多数中小型企业仍采用人工排样或计价,严重影响了工作效率。因此,为节省成本,提高效率,基于包装工艺实际的多约束条件下,本文研发了一种纸盒矩形化智能排样软件系统,具体研究内容如下:首先,分析了常用纸质包装纸盒的实际工艺的多约束条件,具体包括根据模切压痕工艺特点确定了排样纸盒间隔和边距尺寸,通过现有纸板尺寸规范合理对纸盒类型进行分类,并依据纸板纹向设计结合纸盒结构特点确定合适的旋转角度。其次,在总结近似矩形算法、启发式算法和智能算法等二维排样算法的基础上,纸盒工艺的多约束条件下,设计了一种纸盒矩形化智能排样算法,具体地,针对大批量同种纸盒需求基于平面图结构特点进行离散化预处理,并利用BL启发式进行位置变换的结构化拼版。针对小批量不同纸盒需求采用最小包络预处理,以纸盒排样交换序列和位置变异序列作为粒子运动位置来构造PSO,得到较大的排样利用率。再次,分析了国内外包装纸盒排样软件系统的研究现状,基于实地企业运作模式和客户需求分析调查,按照界面化设计模块、智能排样模块、工艺成本核算模块、盒形DXF格式解析库模块的功能模块划分,并以Java为设计语言,基于SSM、adminLTE、Gentelella-master的技术框架,在Eclipse,Android Studio的开发平台上,结合腾讯云服务器,设计并实现了集合后台管理系统、WEB端及APP端操作平台的纸盒排样软件系统。最后,完成了纸质包装排样系统的性能测试。系统测试表明:本文设计的系统能根据用户实际需求制定不同的最优或次优的排样方案,有效实现了智能排样及成本快速报价,具有一定实用价值。

基于数据挖掘的商家选址模型研究及应用

这是一篇关于Ball＿DBSCAN,LXGBoost,PSO,商圈聚类,选址模型的论文, 主要内容为选址的研究内容非常广泛,从城市规划、机场建设到配送中心、零售店的位置决策都是选址研究的范畴。随着当代社会发展和智慧城市建设,商家选址成为市总体规划中的重要一环。商家选址关系着城市商业的繁荣发展,关系着商家的经济收益,直接影响进店客流、服务内容和运营成本。因此,科学合理的选址对商家而言至关重要。早期获取数据的途径和数量有限,选址决策易掺杂着主观因素,导致准确率不高。随着互联网的发展,可以通过多种途径获得海量数据,为选址提供强有力的数据支持。为了给商家提供一个更准确、更高效的选址建议,本文提出基于数据挖掘的商家选址模型。论文的主要工作包括以下几个方面:第一,本文使用基于密度的商圈聚类算法来界定商圈范围。首先使用爬虫框架Scrapy获得人口、交通、餐饮、娱乐等多维度数据,然后对其进行多源数据融合、地理坐标系校正、异常点检测。最后使用Ball＿DBSCAN聚类算法进行商圈聚类,该算法在DBSCAN算法的基础上加入Ball Tree最近邻搜索算法以提高算法的运行效率,并使用OPTICS算法实现距离阈值自适应。第二,本文构建了基于时空的选址模型和基于多目标的选址模型。针对单点选址问题,使用基于LXGBoost的时空选址模型。统计并加权商家门店周边包含餐饮店数量、平均租金、人口密度在内的多维空间特征和营收的时间变化特征,融合Light GBM和XGBoost集成学习算法构建基于LXGBoost的时空选址模型。对范围选址问题,使用PSO群体智能算法构建多目标优化的选址模型,最后使用网格搜索得到较优的选址模型。第三,本文设计实现了一个二维地理信息可视化的商家选址系统。本系统采用前后端分离框架,前端使用Vue,后端使用Spring Boot微服务框架,使用Web GIS技术向用户直观地展示所选门店的地理信息。系统界面简洁优美、操作简单,能自动调用选址模型进行选址评估,快捷方便。针对商家选址问题,本文使用爬虫技术获得大量多维度数据,对商圈进行聚类分析,构建基于时空的选址模型和基于多目标的选址模型,并设计一个商家选址系统,为商家提供一个准确、高效的选址建议。

基于ZigBee的奶牛体征监测与定位系统研究

这是一篇关于ZigBee,体征监测,WSN节点定位,PSO,上位机软件开发的论文, 主要内容为传统奶牛养殖管理模式中,常需人工采集奶牛的部分体征信息,以便对奶牛发情、排卵及疾病等状况进行评估。然而随着近年来我国奶牛养殖产业不断向着规模化方向发展,通过人工方式完成奶牛体征信息采集将限制养殖效率和经济性。当前,部分大型奶牛养殖场已经配备了一定奶牛体征在线监测系统,可以实现奶牛体征信息的自动采集与数字化管理;然而,目前此类系统鲜少配备奶牛在线定位功能,无法实现对于体征异常或其它待寻找奶牛的快速定位,这在一定程度上会限制奶牛养殖管理效率。基于此,本文结合Zig Bee、无线传感器网络(Wireless Sensor Network,WSN)节点定位以及Java FX上位机开发等技术搭建了一套可用于奶牛体征在线监测与定位的软硬件系统。本文首先阐述了奶牛养殖管理中所需关注的几个问题,并基于此确定了本系统的体征监测指标为奶牛体温及心率;而后通过参数及支持性对比确定了奶牛体征测量传感器并完成了Zig Bee芯片选型;通过模块化的分层设计思想搭建了本系统的Zig Bee节点通用硬件平台;经硬件测试,平台稳定有效。其次,结合基于距离的(Range Based,RB)定位的一般流程,对RB定位中的三大模型分别进行了推导、仿真与分析对比,确定了以接收信号强度指示(Received Signal Strength Indicator,RSSI)作为RB定位的测距模型;并以高斯滤波作为RSSI样本处理模型;定位算法方面,经详细推导,确定了常用极大似然估计定位模型公式所存在的两处简化,并据此引入了粒子群优化(Particle Swarm Optimization,PSO)算法以完成简化前模型的求解,后经PSO模型改进,在保证定位精度的情况下,将PSO定位模型求解时间进行了有效缩短。随后,基于PSO定位较耗算力的特点,本文采用了分布式与集中式相结合的定位求解策略,并结合Z-Stack协议栈完成了三类节点的Zig Bee嵌入式系统开发;其后,基于Java FX技术开发了配套的上位机在线监测软件系统。最后,经实验验证,系统对于奶牛的体征监测性能稳定,且在锚节点数为4,锚节点间距为20m,RSSI测距采样次数为30的条件下,系统定位精度为1.97m;另外,在所有试验中,上位机软件均显示正常;系统预设目标基本达成。因此,本文所设计的系统可为规模化牛场中奶牛体征监测与定位系统的开发提供一种参考模型。

基于机器学习的网络流量识别方法与实现

这是一篇关于网络流量识别,机器学习,BP神经网络,SVM,PSO的论文, 主要内容为随着计算机网络技术的飞速发展和信息时代的到来,网络使用频率的不断增加造成了互联网的数据流量爆发式增长；网络新应用的不断出现造成了网络通信协议使用更加灵活、混杂；网络病毒、窃听和恶意攻击等行为不断增多造成了网络安全成为社会和政府部门关注的热点。这些问题可以通过网络流量识别得到很好的解决。因此,网络流量识也越来越受到人们的重视。 已经有许多不同的流量识别方法,但从研究和应用角度人们越来越关注流量识别的可行性和有效性,即如何快速地处理海量的数据和如何正确地识别网络中的各种应用。面临不断变化的网络环境,本论文主要研究基于机器学习(Machine Learning, ML)的网络流量识别方法,重点采用了后向传播(Back Propagation, BP)神经网络和支持向量机(Support Vector Machine, SVM)两种监督学习算法。 BP神经网络采用分布、并行的网状结构进行训练学习,使其容错性更高,处理速度更快；BP神经网络具有很好的非线性映射能力,可以模拟输入与输出的非线性关系；同时,BP神经网络是通过全局寻优的方式进行训练的,因此BP网络也具有很高的泛化能力。SVM则是针对小样本的机器学习方法,并且通过内积核函数将低维样本空间非线性映射到高维空间,其具有比较完善的理论基础。SVM采用“转导推理”(Transductive Inference)方法可以很容易的解决非线性多分类问题。SVM的最优分类超平面只由边界上有限的支持向量构成,使得SVM方法不仅简单有效,而且具有很好的鲁棒性。这两种机器学习算法都能够适应网络环境中的大数据和多样性,都能够快速有效的识别网络流量的应用类型。 本论文的流量识别系统是以家庭中的网络流为识别对象,该系统从功能上分为家庭网关和后台服务器两部分。家庭网关实时抓取数据包、提取特征,并通过机器学习的方法进行流量识别,然后将识别结果传送给后台服务器；后台服务器将识别结果存入数据库,并显示当前网络中流量的应用类型,便于管理者进行监管。论文研究的主要贡献如下： 1、通过对网络流量识别和机器学习的研究与分析,BP神经网络能够适应互联网的大数据和多样性特点,在此基础上选择了基于BP神经网络的流量识别方法。即选择三层的BP神经网络作为实现方案,其分类能力满足流量识别的要求并且结构简单易于实现。选择S型函数作为BP神经网络隐含层的转移函数,实现对网络流特征等输入信息的非线性映射。虽然BP神经网络容易陷入误差曲面的局部极小,但是通过粒子群算法(Particle Swarm Optimization, PSO)寻找具有全局最优特性的初始化权值,保证BP神经网络训练时能够进入误差曲面的全局最小。实验结果表明,经过PSO算法优化的BP神经网络能够很快寻找到误差曲面的全局最小值,并准确识别流量的网络应用类型。 2、仔细研究SVM解决线性和非线性分类问题的原理,在此基础上提出了基于SVM的流量识别方法,将SVM应用于网络流量识别领域。选择径向基函数作为SVM的核函数,实现从低维的网络流特征空间向更高维空间的非线性映射。并通过一对一方法(One-Against-One)构造了SVM多值分类器,使SVM能够识别多种网络应用类型。SVM在高维空间中生成最优超平面,实现对空间的划分和多种网络应用的分类,这是一种全局寻优的方式因此SVM的识别方法具有很好的泛化能力。实验结果表明,SVM非常适合解决网络流量识别这种非线性多分类问题,而且所需训练样本少,计算复杂度低,能够进行实时识别。 3、在家庭局域网中设计和实现了流量识别系统。根据机器学习的系统模型和监督学习的实现方法,设计了网络流量识别的总体架构,将其分为实时在线流量识别和离线训练学习两部分,具体过程包含抓取网络流的数据包,生成网络流的特征,选择训练集和测试集,对机器学习算法进行训练,和测试两种流量识别算法的分类效果。在系统实现方面,将BP神经网络和SVM的流量识别算法编写为程序,并移植到家庭网关(家庭网关由路由器搭建)中。在后台服务器的Linux平台上搭建Web服务器和安装MySQL数据库,实现家庭网关与后台服务器之间的交互通信、信息处理和存储。管理员则可以通过Web浏览器登录后台服务器观察当前家庭网络中流量识别结果。

基于机器学习的网络流量识别方法与实现

这是一篇关于网络流量识别,机器学习,BP神经网络,SVM,PSO的论文, 主要内容为随着计算机网络技术的飞速发展和信息时代的到来,网络使用频率的不断增加造成了互联网的数据流量爆发式增长；网络新应用的不断出现造成了网络通信协议使用更加灵活、混杂；网络病毒、窃听和恶意攻击等行为不断增多造成了网络安全成为社会和政府部门关注的热点。这些问题可以通过网络流量识别得到很好的解决。因此,网络流量识也越来越受到人们的重视。 已经有许多不同的流量识别方法,但从研究和应用角度人们越来越关注流量识别的可行性和有效性,即如何快速地处理海量的数据和如何正确地识别网络中的各种应用。面临不断变化的网络环境,本论文主要研究基于机器学习(Machine Learning, ML)的网络流量识别方法,重点采用了后向传播(Back Propagation, BP)神经网络和支持向量机(Support Vector Machine, SVM)两种监督学习算法。 BP神经网络采用分布、并行的网状结构进行训练学习,使其容错性更高,处理速度更快；BP神经网络具有很好的非线性映射能力,可以模拟输入与输出的非线性关系；同时,BP神经网络是通过全局寻优的方式进行训练的,因此BP网络也具有很高的泛化能力。SVM则是针对小样本的机器学习方法,并且通过内积核函数将低维样本空间非线性映射到高维空间,其具有比较完善的理论基础。SVM采用“转导推理”(Transductive Inference)方法可以很容易的解决非线性多分类问题。SVM的最优分类超平面只由边界上有限的支持向量构成,使得SVM方法不仅简单有效,而且具有很好的鲁棒性。这两种机器学习算法都能够适应网络环境中的大数据和多样性,都能够快速有效的识别网络流量的应用类型。 本论文的流量识别系统是以家庭中的网络流为识别对象,该系统从功能上分为家庭网关和后台服务器两部分。家庭网关实时抓取数据包、提取特征,并通过机器学习的方法进行流量识别,然后将识别结果传送给后台服务器；后台服务器将识别结果存入数据库,并显示当前网络中流量的应用类型,便于管理者进行监管。论文研究的主要贡献如下： 1、通过对网络流量识别和机器学习的研究与分析,BP神经网络能够适应互联网的大数据和多样性特点,在此基础上选择了基于BP神经网络的流量识别方法。即选择三层的BP神经网络作为实现方案,其分类能力满足流量识别的要求并且结构简单易于实现。选择S型函数作为BP神经网络隐含层的转移函数,实现对网络流特征等输入信息的非线性映射。虽然BP神经网络容易陷入误差曲面的局部极小,但是通过粒子群算法(Particle Swarm Optimization, PSO)寻找具有全局最优特性的初始化权值,保证BP神经网络训练时能够进入误差曲面的全局最小。实验结果表明,经过PSO算法优化的BP神经网络能够很快寻找到误差曲面的全局最小值,并准确识别流量的网络应用类型。 2、仔细研究SVM解决线性和非线性分类问题的原理,在此基础上提出了基于SVM的流量识别方法,将SVM应用于网络流量识别领域。选择径向基函数作为SVM的核函数,实现从低维的网络流特征空间向更高维空间的非线性映射。并通过一对一方法(One-Against-One)构造了SVM多值分类器,使SVM能够识别多种网络应用类型。SVM在高维空间中生成最优超平面,实现对空间的划分和多种网络应用的分类,这是一种全局寻优的方式因此SVM的识别方法具有很好的泛化能力。实验结果表明,SVM非常适合解决网络流量识别这种非线性多分类问题,而且所需训练样本少,计算复杂度低,能够进行实时识别。 3、在家庭局域网中设计和实现了流量识别系统。根据机器学习的系统模型和监督学习的实现方法,设计了网络流量识别的总体架构,将其分为实时在线流量识别和离线训练学习两部分,具体过程包含抓取网络流的数据包,生成网络流的特征,选择训练集和测试集,对机器学习算法进行训练,和测试两种流量识别算法的分类效果。在系统实现方面,将BP神经网络和SVM的流量识别算法编写为程序,并移植到家庭网关(家庭网关由路由器搭建)中。在后台服务器的Linux平台上搭建Web服务器和安装MySQL数据库,实现家庭网关与后台服务器之间的交互通信、信息处理和存储。管理员则可以通过Web浏览器登录后台服务器观察当前家庭网络中流量识别结果。

基于数据挖掘的商家选址模型研究及应用

这是一篇关于Ball＿DBSCAN,LXGBoost,PSO,商圈聚类,选址模型的论文, 主要内容为选址的研究内容非常广泛,从城市规划、机场建设到配送中心、零售店的位置决策都是选址研究的范畴。随着当代社会发展和智慧城市建设,商家选址成为市总体规划中的重要一环。商家选址关系着城市商业的繁荣发展,关系着商家的经济收益,直接影响进店客流、服务内容和运营成本。因此,科学合理的选址对商家而言至关重要。早期获取数据的途径和数量有限,选址决策易掺杂着主观因素,导致准确率不高。随着互联网的发展,可以通过多种途径获得海量数据,为选址提供强有力的数据支持。为了给商家提供一个更准确、更高效的选址建议,本文提出基于数据挖掘的商家选址模型。论文的主要工作包括以下几个方面:第一,本文使用基于密度的商圈聚类算法来界定商圈范围。首先使用爬虫框架Scrapy获得人口、交通、餐饮、娱乐等多维度数据,然后对其进行多源数据融合、地理坐标系校正、异常点检测。最后使用Ball＿DBSCAN聚类算法进行商圈聚类,该算法在DBSCAN算法的基础上加入Ball Tree最近邻搜索算法以提高算法的运行效率,并使用OPTICS算法实现距离阈值自适应。第二,本文构建了基于时空的选址模型和基于多目标的选址模型。针对单点选址问题,使用基于LXGBoost的时空选址模型。统计并加权商家门店周边包含餐饮店数量、平均租金、人口密度在内的多维空间特征和营收的时间变化特征,融合Light GBM和XGBoost集成学习算法构建基于LXGBoost的时空选址模型。对范围选址问题,使用PSO群体智能算法构建多目标优化的选址模型,最后使用网格搜索得到较优的选址模型。第三,本文设计实现了一个二维地理信息可视化的商家选址系统。本系统采用前后端分离框架,前端使用Vue,后端使用Spring Boot微服务框架,使用Web GIS技术向用户直观地展示所选门店的地理信息。系统界面简洁优美、操作简单,能自动调用选址模型进行选址评估,快捷方便。针对商家选址问题,本文使用爬虫技术获得大量多维度数据,对商圈进行聚类分析,构建基于时空的选址模型和基于多目标的选址模型,并设计一个商家选址系统,为商家提供一个准确、高效的选址建议。

医保定点医疗机构决策支持系统的设计与实现

这是一篇关于决策支持系统,组合框架,数据挖掘,PSO,K均值聚类算法的论文, 主要内容为定点医疗机构历史业务数据往往存在需求不到位、标准不统一和信息不直观等问题,使得决策者难于从中挖掘到有价值的信息和知识；本文针对此问题设计开发了一个决策支持系统。本文把数据仓库、数据挖掘、模型库结合起来形成智能型决策支持系统,系统逻辑结构包含三个主体：人机对话部件、数据部件和模型部件。采用B/S结构,决策者利用浏览器可以很方便地使用决策支持系统；在现有的B/S技术框架中,J2EE的EJB过于复杂,而Struts2+Spring组合框架开发的应用用户体验效果不佳；针对这两个问题,本文通过引入Flex技术,提出Flex+Struts2+Spring组合框架,基于软件构件化的设计思想,设计了一个四层的B/S框架：视图层、控制层、业务层和持久层；这样的设计,开发人员不但可以把主要精力放在具体的业务开发上,而且还可以创建RIA(富互联网应用),极大改善用户体验效果。通过定量描述定点医疗机构业务,把其看作空间中的点,使用K均值聚类算法,可以有效的对定点医疗机构进行无监督的分类。然而,随机初始值对K均值聚类算法的结果影响很大,且算法也极易收敛到局部最优解；针对这个问题,本文通过把K均值聚类问题转化为最小化SSE(误差平方和)的最优化问题,引入粒子群优化算法(简称PSO),提出了基于PSO的K均值聚类算法,结合PSO全局搜索能力,帮助K均值算法收敛到全局最优解,阻止早熟现象的发生。并通过两种方法优化算法,一是随迭代次数递减w惯性权值,另一是w惯性权值自适应改变。四组实验结果表明基于PSO的K均值聚类算法能有效的收敛到全局最优解。最后,基于上文系统的设计,实现了医保定点医疗机构决策支持系统。通过对定点医疗机构数据采用星型结构建模,并使用在事实表里增加冗余字段和对医疗机构ID进行编码两种方法避免了多表关联查询,从而极大提高数据访问速度；运用时问序列ARMA模型和上文提出的基于PSO的K均值聚类算法,对定点医疗机构业务进行相关预测和聚类分析,从而帮助决策者发掘数据背后的潜在信息,获得有价值的知识,为劳动保障部门提供决策支持。