首页 > 文献资料
-
云环境下海量方剂组方规律分析
目的:结合云计算技术对海量方剂数据进行关联分析,揭示其内在的组方规律.方法:研究云环境下分析海量数据的关键技术,构建方剂组方数据的指标体系,结合MapReduce编程模型对Apriori算法进行改进,设计并利用基于云计算的海量方剂组方规律分析平台对方剂数据进行关联分析.结果:以海量方剂组方数据为例,探索方剂组方的一般规律,得出方剂药物间和症状与药物间的关联关系.结论:研究结论与实际应用相符,在一定程度上揭示了病证方药的内在规律,可以为临床病证辨证论治、遣药组方提供依据.在计算效率方面,云平台具有明显优势.
-
基于Hadoop环境BP改进算法的脉象识别应用研究
目的 分析脉象识别误差大小的影响因素,提高对海量脉诊数据的处理速度,探索减小脉象主观识别误差的方法.方法 运用基于Hadoop环境的MapReduce分布式计算方法改进BP算法,采用改进的BP算法对脉诊样本数据进行自学习,从而减小拟和误差.将中医电子脉诊仪采集的脉诊数据作为神经网络输入层,采用动量-学习率自适应调整快速BP算法对神经网络进行训练.结果 在训练集(75%)768 M共35890条数据中,单机模式正确预测29150条,正确率为81.22%;MapRedece并行改进的BP算法模式正确预测35841条,正确率为99.86%.结论 与传统BP算法相比,基于Hadoop环境的MapReduce分布式计算方法改进的BP算法模型拟合度误差更小,精确度更高.
-
基于Hadoop的中医药数据管理策略研究
目的 为解决传统方法采集、存储和处理海量中医药数据的低效问题,探索数据管理的新策略.方法 根据中医药数据的典型特征,设计基于Hadoop的分层管理架构,对串行数据挖掘算法进行MapReduce 化改进;部署单节点服务器和分布式集群,采用8组不同规模的数据集,进行数据采集实验和串并行算法实验.结果 数据传输时间在非分布式环境下通常超过3000 s,增幅较大,而在分布式集群下一般不超过300 s,增幅平缓;当数据规模超过一定范围后,与伪分布式和完全分布式下的并行算法比较,非分布式下串行算法的运行耗时急剧增加.结论 与传统单节点系统相比,基于Hadoop的中医药数据管理平台采集、存储及处理海量数据的效率明显提高,尤其适用于大规模非结构化或半结构化的中医药数据.
-
区域社区医疗卫生信息服务云平台构建
针对现有区域社区平台的居民健康档案查询效率低、用户等待时间过长及系统存储难的问题,提出构建Hadoop云环境实验平台,介绍基于云平台的居民健康档案平台架构及功能模块,实现数据快速查询,解决居民健康档案大量数据的存储问题.
