一种自适应动态数据处理方法.pdf

本发明涉及的一种自适应动态数据处理方法包含七个核心组成部分分别为动态参考数据、单数据结构体、海量数据结构体、数据判别模型、动态目标数据、特征点集合、单数据结构体。其中动态参考数据包含三个处理过程分别为：动态数据采集、同类型比较、特征点提取；动态目标数据包含三个处理过程分别为：动态数据采集、同类型比较、特征点提取。一种自适应动态数据处理方法的特征在于随着每一次数据增加数据判别模型需要进行不断的重建和调整，不断适应新增加数据的特征情况进行判断。

权利要求书
1.  一种自适应动态数据处理方法，其特征在于该方法的具体操作步骤如下：
第1步、首先从动态参考数据中获得以往的判断参考数据，
第1.1、动态参考数据采集
从动态参考数据中获得以往的动态参考数据，由于以往的动态参考数据已经做出了相应的判断，并且指出了数据中所包含的判断依据，经过对动态参考数据进行采集获得这些判断所依据的参考数据；
第1.2、进行同类型比较
随后对采集的动态参考数据进行同类型比较，得出单个参考数据中包含有多少需要进行判断的特征类型，并且确定这些类型的相互关系怎样；
第1.3、特征点提取
经过特征点提取，获得做出判断所依靠的数个特征，构成单数据结构体；
由于参考数据会不断增加这是一个动态过程，因此获得的单数据结构体数量会越来越多，这些不断增加的单数据结构体的集合构成动态参考数据；
第2步、海量数据结构体构建
第1步中构成的单数据结构体中已经将动态参考数据根据特征类型分为判断处理结果和判断特征两部分，判断特征具体包括：判断特征A、判断特征B、C、D…；由众多的单数据结构体构成了海量数据结构体；
第3步、构建数据判别模型
在海量数据结构体中，根据每个单数据结构体中的各个判断特征出现的比重以及对判断结果产生的影响，获得每个判断特征在影响判断结果中的权重，据此构建数据判别模型；
第4步、动态目标数据的获得与处理
第4.1步、动态目标数据的采集
动态目标数据是不断增加和不断变化的，根据不同的判断处理需要，对不同的目标数据进行采集获得动态目标数据；
第4.2步、进行同类型比较
对获得的动态目标数据进行同类型比较，以便获得数据特征类型情况；
第4.3步、特征点提取
经过特征点提取，获得包含了判断特征a、判断特征b、判断特征c、d…的特征点集合；
第5步、用数据判别模型对动态目标数据进行处理和判断
将第4步获得的特征点集合送入第3步构建的数据判别模型中进行处理，通过数据判别模型的处理和判断最终获得判断结果以及判断特征，并由这些数据构成单数据结构体；
同时，将所构成的单数据结构体送入动态参考数据中供循环采集使用；
第6步、数据判别模型的再建立
将第5步构成的新的单数据结构体输入海量数据结构体中再次对数据判别模型进行调整和再建立，同时等待下一次处理。

说明书一种自适应动态数据处理方法
技术领域
 本发明属于计算机应用技术领域。
背景技术
数据处理是对数据的采集、存储、检索、加工、变换和传输。数据是对事实、概念或指令的一种表达形式，可由人工或自动化装置进行处理。数据经过解释并赋予一定的意义之后，便成为信息。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理技术的发展及其应用的广度和深度，极大地影响着人类社会发展的进程。
自适应是指处理和分析过程中,根据处理数据的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件,使其与所处理数据的统计分布特征、结构特征相适应,以取得最佳的处理效果。
在处理实际问题中，对于事物的决策和判断主要是通过人工或者认为经验去进行处理和判断，人工智能以及自适应数据处理还未能实际投入使用，由于人工判断对信息获取总量的不足和信息实时性的延后，造成了无法判断和决策，无法根据当前的实际情况进行处理，在未来海量数据的时代，对数据有效的分析和整理，可以大大提高判断和决策的准确性和实效性，因此自适应处理方法有着巨大的应用潜力。
发明内容
本发明的目的是解决在处理实际问题中，人工判断对信息获取总量的不足和信息实时性的延后，造成了无法判断和决策，无法根据当前的实际情况进行处理的问题，以及在面对不断变化的海量数据时，如果以现有的参考数据为基础，随着变化的数据不断调整判断数据模型，根据变化的动态数据特点进行数据判别、数据处理，提供一种自适应动态数据处理方法。
本发明在数据处理过程的循环中不断的根据新输入的数据特征调整着数据判别模型，从而影响数据处理和判别的结果。在数据循环中每一次的数据判别结果又将作为新的参考数据进入数据处理的循环中，进而影响海量数据结构体组成、特征点集合，最终影响数据判别模型，调整后的数据判别模型影响新的数据判别结果——即自适应动态数据处理。
本发明技术方案
一种自适应动态数据处理方法，该方法的具体操作步骤如下：
第1步、首先从动态参考数据中获得以往的判断参考数据，
第1.1、动态参考数据采集
从动态参考数据中获得以往的动态参考数据，由于以往的动态参考数据已经做出了相应的判断，并且指出了数据中所包含的判断依据，经过对动态参考数据进行采集获得这些判断所依据的参考数据；
第1.2、进行同类型比较
随后对采集的动态参考数据进行同类型比较，得出单个参考数据中包含有多少需要进行判断的特征类型，并且这些类型相互关系怎样；
第1.3、特征点提取
经过特征点提取，获得做出判断所依靠的数个特征，构成单数据结构体。
由于参考数据会不断增加这是一个动态过程，因此获得的单数据结构体数量会越来越多，这些不断增加的单数据结构体的集合构成动态参考数据。
第2步、海量数据结构体构建
第1步中构成的单数据结构体中已经将动态参考数据根据特征类型分为判断处理结果和判断特征两部分，判断特征具体包括：判断特征A、判断特征B、C、D…；众多单数据结构体构成了海量数据结构体。
第3步、构建数据判别模型
在海量数据结构体中，根据每个单数据结构体中的各个判断特征出现的比重以及对判断结果产生的影响，获得每个判断特征在影响判断结果中的权重，据此构建数据判别模型。
第4步、动态目标数据的获得与处理
第4.1步、动态目标数据的采集
动态目标数据是不断增加和不断变化的，根据不同的判断处理需要，对不同的目标数据进行采集获得动态目标数据；
第4.2步、进行同类型比较
对获得的动态目标数据进行同类型比较，以便获得数据特征类型情况；
第4.3步、特征点提取
经过特征点提取，获得包含了判断特征a、判断特征b、判断特征c、d…的特征点集合；
第5步、用数据判别模型对动态目标数据进行处理和判断
将第4步获得的特征点集合送入第3步构建的数据判别模型中进行处理，通过数据判别模型的处理和判断最终获得判断结果以及判断特征，并由这些数据构成单数据结构体；
同时，将所构成的单数据结构体送入动态参考数据中供循环采集使用。
第6步、数据判别模型的再建立
单数据结构体包含判断特征A、判断特征B、C、D…；将第5步构成的新的单数据结构体输入海量数据结构体中再次进行数据判别模型的调整和再建立，同时等待下一次处理。
本发明的优点和有益效果：
本发明针对处理实际问题中，人工判断对信息获取总量的不足和信息实时性的延后，造成了无法判断和决策无法根据当前的实际情况进行处理的问题，提出了一种自适应动态数据处理方法，该方法的特征在于随着每一次数据增加，数据判别模型需要进行不断的重建和调整，不断适应新增加数据的特征情况进行判断。在未来海量数据的时代，对数据有效的分析和整理，可以大大提高判断和决策的准确性和实效性，因此自适应处理方法有着巨大的应用潜力。
附图说明
图1为发明提供的一种自适应动态数据处理方法架构图；
其中，100-动态参考数据，针对100-动态参考数据的操作包含101-动态数据采集；102-同类型比较；103特征点提取。
200-单数据结构体；
300-海量数据结构体，针对300-海量数据结构体的操作包含301-数据判别模型构建。
400-数据判别模型；
500-动态目标数据，针对500-动态目标数据的操作包含501动态数据采集；502-同类型比较；503-特征点提取；
600特征点集合；
700单数据结构体。
具体实施方式：
如图1所示，本发明自适应动态数据处理方法的具体步骤如下：
第1、首先获得以往的判断参考数据，即动态参考数据100。
该动态参考数据已经做出了相应的判断，并且参考数据会不断增加，因此这是动态过程。
判断结果包含两种情况——是与否。针对不同的处理数据，是与否所代表的含义不同，例如在处理医疗领域患者转诊或者转院的情况时，是——代表可以进行转诊转院；否——代表不可以进行转诊转院。例如在处理道路交通车辆遇到拥堵时，根据各条道路车流数据情况判断在十字路口转弯或者直行，是——代表按原计划行驶；否——代表需要调整线路。
针对动态参考数据100的处理过程分为三步：
第1.1、动态参数采集101
通过网络或者其他通信手段对已经完成数据进行采集，获得动态参考数据。
第1.2、同类型比较102
对获得的动态参考数据进行同类型比较的目的是为了得出单个参考数据中包含有多少需要进行判断的特征类型，并且这些类型相互关系怎样。
第1.3、特征点提取103
经过同类型比较获得的特征类型作为提取数据目标，使用特征点和判断结构作为标签将单个动态参考数据构成单数据结构体。
第2、单数据结构体200
在200-单数据结构体中已经将100-动态参考数据根据特征类型分为判断处理结果、判断特征A、判断特征B、C、D…，众多200-单数据结构体构成了300-海量数据结构体。
第3、海量数据结构体300
300-海量数据结构体中每个数据单体都包含有判断处理结果、判断特征A、判断特征B、C、D…，在大量数据中根据每个判断特征出现比重对判断结果产生的影响，获得每个判断特征的在影响判断结果的权重。
第3.1、数据判别模型构建
数据判别模型的构建过程是在获得了海量数据结构体300后，由做出判断的结果与判断特征的相关情况获得每个特征点的权重，例如100个做出判断“是”的单数据结构体中包含判断特征A有90个，那么A的权重为0.9。
第4、数据判别模型400
由判断特征与其相关判断权重一一对应，例如判断特征A与A权重，每个判断特征通过人为事先设定基础数值，与判断阈值一同构成400-数据判别模型，数据判别模型运行过程为将每个特征的基础数值与权重相乘，依次相加获得数值与阈值相比较，超过阈值则输出“是”判别结果，低于阈值则输出“否”判别结果。由该模型做为新导入的目标数据的判别方法。
第4.1、阈值的确定
数据判别模型的阈值的确定可以通过几种数学方法确定——较为简单的方法例如最小值法：在众多数据中单个数据每个特征的基础数值与权重相乘，随后依次相加获得数值中的最小值，将最小值作为阈值；中值法：单个数据每个特征的基础数值与权重相乘，随后依次相加获得数值中的最小值，将平均值作为阈值；较为复杂的方法例如基于自回归模型的自适应阈值算法【《航空动力学报》2005年 第6期】、一种基于递归最优阈值选择算法等许多方法。可以根据不同的应用领域选择阈值的算法。
第5、动态目标数据500
500-动态目标数据是指不断增加的不同的目标数据，首先进行501-动态数据采集获得数据，经过502-同类型比较获得数据特征类型情况，经过503特征点提取获得600-特征点集合。
第6、特征点集合600
600-特征点集合中包含了判断特征a、判断特征c、d…，此时将判断特征a、判断特征c、d…通过400-数据判别模型进行处理最终获得700-单数据结构体。
第7、单数据结构体700
700-单数据结构体包含判断特征A、判断特征B、C、D…，将700-单数据结构体输入300-海量数据结构体中再次进行400-数据判别模型的建立。
第8、动态循环自适应处理
随着数据量的增加，200-单数据结构体和700-单数据结构体数量不断增加，300-海量数据结构体总量不断增加，每一次数据的增加都要进行301-数据判别模型构建从而形成新的400-数据判别模型，新形成400-数据判别模型会再一次进入500-动态目标数据的判别过程，整个处理过程循环进行，因此400-数据判别模型会进行不断的重建和调整，不断适应新增加数据的特征情况进行判断。
下面以医疗领域的村镇医院向综合性大医院转诊情况为例具体说明：
第1、首先获得已经发生医院间转院具体病例情况和医院床位等医疗资源情况作为判断参考数据，即动态参考数据100。此时处理医疗领域患者转诊或者转院，当患者在当前村镇医疗不满足治疗患者的情况下需要进行转院治疗，同时在上级综合性医院有能力接纳更多的病人的情况下才能实施转院治疗。是——代表可以进行转诊转院；否——代表不可以进行转诊转院。
针对动态参考数据100的处理过程分为三步：
动态参数采集101——通过网络或者其他通信手段对患者病例数据、转入转出两方医院床位仪器设备等医疗资源数据进行采集，获得动态参考数据，例如：王某，脑淤血，症状：头痛并呕吐、意识短暂中断，转入某综合性医院ICU病房；吴某，脑淤血，意识模糊、 意识丧失、恶心与呕吐、头痛，转入某综合性医院ICU病房并进行开颅手术治疗。朱某，脑震荡，恶心与呕吐、头痛，留院观察治疗。
同类型比较102——对获得的动态参考数据进行同类型比较的目的是为了得出单个参考数据中包含有多少需要进行判断的特征类型，诊判断结果转院——是、患者病症特征A——头痛、患者病症特征B——恶心与呕吐、患者病症特征C——意识丧失。
特征点提取103——经过同类型比较获得的患者特征症状以及转入的医院需要具备医疗设备资源A——开颅手术、医疗设备资源B——ICU病房，作为提取数据目标构成单数据结构体200。
第2、单数据结构体200包括是否转诊判断结果、患者病症特征A、B、C、医疗设备A、B构成了300-海量数据结构体。
第3、海量数据结构体300中每个数据单体都包含是否转诊判断结果、患者病症特征A、B、C；医疗设备A、B，在大量数据中根据每个判断特征出现比重对判断结果产生的影响，获得每个判断特征的在影响判断结果的权重。例如患者病症特征出现A症状的情况下,做出转诊判断的总数为76个，病例总数为100个，那么A的权重为76%。
第4、数据判别模型400，预先人为设定患者病症特征A、B、C的数值分别为50、50、100以及医疗设备A、B的数值分别为100、100，根据动态参考数据的三个例子情况，患者病症特征A、B、C的权重为100%、100%、100%，以及医疗设备A、B特征的权重为100%、100%，使用较为简单的最小值算法最终构建400-数据判别模型的判别阈值为400。由该模型做为新导入的目标数据的判别方法。
第5、动态目标数据500——新入院的有转院需求的患者数据，由患者数量不断增加并且患者的症状特征也是不断变化的，例如新病例：冯某，年龄67岁，性别男，就医时间2015年1月28日星期三中午，症状：间断性头痛，伴有恶心呕吐，治疗期间发现其存在意识短暂中断现象。首先对新进病例数据进行501-动态数据采集，经过502-同类型比较获得数据患者病症特征类型：冯某，症状A头痛、B恶心呕吐、C意识中断，经过503特征点提取获得600-特征点集合。此时村镇医疗机构医疗设施可能无法继续治疗患者，因此需要进行转院，此时获得临近综合医院甲、乙、丙手术设备A、ICU病房B情况。此时甲医院ICU病房注满，因此甲医院的医疗资源B值为0，乙医院的同类手术已经买满因此乙医院的医疗资源A值为0，丙医院的手术资源资源和ICU病房情况均满足条件，因此丙医院的医疗资源A、B的值均为100。
第6、特征点集合600
600-特征点集合中包含了患者冯某数据，症状A头痛、B恶心呕吐、C意识中断，A、B、C的值均为100，权重100%、100%、100%，需要转院治疗所需丙医院手术设备A、ICU病房B，A、B的值均为100，阈值为400，通过400-数据判别模型进行处理，处理结果为：判断结果“是”——需要进行转院，并且需要转入丙医院，将判断结果“是”冯某数据，症状A头痛、B恶心呕吐、C意识中断，丙医院医疗资源情况A、B，从新构成获得700-单数据结构体。
第7、单数据结构体700
700-单数据结构体包含冯某数据，症状A头痛、B恶心呕吐、C意识中断以及需要转院治疗所需丙医院手术设备A、ICU病房B，将700-单数据结构体输入300-海量数据结构体中与王某，脑淤血，症状：头痛并呕吐、意识短暂中断，转入某综合性医院ICU病房；吴某，脑淤血，意识模糊、 意识丧失、恶心与呕吐、头痛，转入某综合性医院ICU病房并进行开颅手术治疗。朱某，脑震荡，恶心与呕吐、头痛，留院观察治疗,这些数据一起,再次进行400-数据判别模型的建立。
第8、动态循环自适应处理
随着患者数据量的增加，200-单数据结构体和700-单数据结构体数量不断增加，300-海量数据结构体总量不断增加，由于患者情况的变化以及医疗设备情况的变化，对具体每一个患者进行转院治疗都将进行判断，每一次数据的增加都要进行301-数据判别模型构建从而形成新的400-数据判别模型，新形成400-数据判别模型会再一次进入500-动态目标数据的判别过程，整个处理过程循环进行，因此400-数据判别模型会进行不断的重建和调整，不断适应新增加数据的特征情况进行判断。例如当医疗设备情况充裕的情况下，就可以接受更多患者进行转院治疗，或者当某种患者症状减轻时就不需要在进行转院治疗。