本發(fā)明涉及智能診斷的數(shù)據(jù)分析的技術(shù)領(lǐng)域，具體涉及一種基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析方法。
背景技術(shù)：
現(xiàn)有醫(yī)療基礎(chǔ)設(shè)施難以滿足患者的看病需求，偶爾發(fā)燒感冒去醫(yī)院看病等小病，排隊往往要個半天，對于患者來說，這個時間成本是非常昂貴的。再一個，一個醫(yī)生的培養(yǎng)成本是非常高昂的，很自然的，這其中的一部分成本就會轉(zhuǎn)移到患者的看病費用上。動輒幾百的費用，對于底層的工薪的家庭來說，是筆不小的支出。
網(wǎng)絡(luò)大數(shù)據(jù)是指“人、機、物”三元世界在網(wǎng)絡(luò)空間中交互、融合所產(chǎn)生并在互聯(lián)網(wǎng)上可獲得的大數(shù)據(jù)，通過對數(shù)據(jù)的深度挖掘，得到大量有價值的數(shù)據(jù)，并利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對數(shù)據(jù)進行整體的學(xué)習(xí)分析，不斷完善自身系統(tǒng)，最后實現(xiàn)根據(jù)輸入輸出期望結(jié)果。
技術(shù)實現(xiàn)要素：
針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的旨在提供一種基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析方法，降低診斷門檻，有效緩解看病難的形勢。
為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析方法，包含有以下步驟：
S1、采集數(shù)據(jù)，該數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)；
S2、對所采集的數(shù)據(jù)進行初步處理；
S3、將經(jīng)過初步處理的數(shù)據(jù)進行關(guān)鍵詞的聚類；
S4、將經(jīng)過關(guān)鍵詞聚類的數(shù)據(jù)通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型，并將該數(shù)學(xué)模型作為分析結(jié)果進行輸出。
進一步地，步驟S2中，初步處理包括清洗和格式轉(zhuǎn)換。
進一步地，步驟S3中，將經(jīng)過初步處理的數(shù)據(jù)進行關(guān)鍵詞的聚類的步驟包括：
S31、從數(shù)據(jù)中任意選取K個數(shù)據(jù)對象作為聚類中心、從而形成K個聚類，其中K為大于1、小于數(shù)據(jù)量的正整數(shù)；
S32、分別計算聚類中心外其余數(shù)據(jù)到各個聚類中心的距離，并將聚類中心外其余數(shù)據(jù)分配到離自己最近的聚類中；
S33、順序選取一個數(shù)據(jù)以代替原來的聚類中心，并計算替代后消耗的方差E，選擇消耗的方差E最小的數(shù)據(jù)作為確定的聚類中心；
S34、重復(fù)步驟S32，若數(shù)據(jù)分配發(fā)生變化則繼續(xù)按步驟進行數(shù)據(jù)處理，若數(shù)據(jù)分配未發(fā)生變化則輸出聚類結(jié)果。
進一步地，該BP神經(jīng)網(wǎng)絡(luò)算法包括有輸入部、訓(xùn)練部和輸出部，在訓(xùn)練的過程中，該輸入部用于輸入樣本數(shù)據(jù)與期待值，該訓(xùn)練部用于將待分析數(shù)據(jù)與期待值進行對比，并根據(jù)待分析數(shù)據(jù)與期待值之間的誤差調(diào)整權(quán)重系數(shù)，該輸出部用于輸出對應(yīng)的樣本結(jié)果。
基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析系統(tǒng)，包括：
數(shù)據(jù)采集模塊，用于采集待分析數(shù)據(jù)；
數(shù)據(jù)初步處理模塊，用于對所采集的數(shù)據(jù)進行初步處理；
數(shù)據(jù)聚類模塊，用于將經(jīng)過初步處理的數(shù)據(jù)進行關(guān)鍵詞的聚類；
數(shù)據(jù)分析模塊，用于將經(jīng)過關(guān)鍵詞聚類的數(shù)據(jù)通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型，并將該數(shù)學(xué)模型作為分析結(jié)果進行輸出。
進一步地，數(shù)據(jù)初步處理模塊對數(shù)據(jù)進行初步處理的內(nèi)容包括清洗和格式轉(zhuǎn)換。
進一步地，數(shù)據(jù)聚類模塊對數(shù)據(jù)進行關(guān)鍵詞聚類的方式為：1)從數(shù)據(jù)中任意選取K個數(shù)據(jù)對象作為聚類中心、從而形成K個聚類，其中K為大于1、小于數(shù)據(jù)量的正整數(shù)；2)分別計算聚類中心外其余數(shù)據(jù)到各個聚類中心的距離，并將聚類中心外其余數(shù)據(jù)分配到離自己最近的聚類中；3)順序選取一個數(shù)據(jù)以代替原來的聚類中心，并計算替代后消耗的方差E，選擇消耗的方差E最小的數(shù)據(jù)作為確定的聚類中心；4)重復(fù)2)，若數(shù)據(jù)分配發(fā)生變化則繼續(xù)按步驟進行數(shù)據(jù)處理，若數(shù)據(jù)分配未發(fā)生變化則輸出聚類結(jié)果。
進一步地，數(shù)據(jù)分析模塊中的BP神經(jīng)網(wǎng)絡(luò)算法包括有輸入部、訓(xùn)練部和輸出部，在訓(xùn)練的過程中，該輸入部用于輸入樣本數(shù)據(jù)與期待值，該訓(xùn)練部用于將待分析數(shù)據(jù)與期待值進行對比，并根據(jù)待分析數(shù)據(jù)與期待值之間的誤差調(diào)整權(quán)重系數(shù)，該輸出部用于輸出對應(yīng)的樣本結(jié)果。
本發(fā)明的有益效果在于：在當(dāng)今看病難，看病貴的形勢下，智能診斷可以使病人不用在醫(yī)院進行掛號排隊等繁瑣手續(xù)，直接通過在線平臺診斷自己的病情，足不出戶就可以準(zhǔn)確了解自己所得的病癥，免去出門看病的煩擾；此外，在線平臺診斷病情大大降低了診斷成本；智能診斷綜合醫(yī)科書和實際生活的病情診斷，對患者的疾病癥狀給出一個初步判斷。
附圖說明
圖1是本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)算法的流程結(jié)構(gòu)圖。
具體實施方式
下面，結(jié)合附圖以及具體實施方式，對本發(fā)明做進一步描述：
實施例1
基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析方法，包含有以下步驟：
S1、采集數(shù)據(jù)，該數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)；
S2、對所采集的數(shù)據(jù)進行初步處理，初步處理包括清洗和格式轉(zhuǎn)換，具體地，結(jié)構(gòu)化數(shù)據(jù)直接經(jīng)清洗和格式轉(zhuǎn)換完成初步處理，非結(jié)構(gòu)化數(shù)據(jù)還需要經(jīng)過流式匯總、社交網(wǎng)絡(luò)分析、語意分詞等技術(shù)處理以提取有用信息，其中對于社交類的實時數(shù)據(jù)還需要經(jīng)采集工具進行實時匯總計算完成初步處理，其中清洗包括去除數(shù)據(jù)中離散程度較大的數(shù)據(jù)、存在缺失的不完整數(shù)據(jù)以及重復(fù)出現(xiàn)的重復(fù)數(shù)據(jù)；
S31、從數(shù)據(jù)中任意選取K個數(shù)據(jù)對象作為聚類中心、從而形成K個聚類，其中K為大于1、小于數(shù)據(jù)量的正整數(shù)；
S32、分別計算聚類中心外其余數(shù)據(jù)到各個聚類中心的距離，并將聚類中心外其余數(shù)據(jù)分配到離自己最近的聚類中；
S33、順序選取一個數(shù)據(jù)以代替原來的聚類中心，并計算替代后消耗的方差E，選擇消耗的方差E最小的數(shù)據(jù)作為確定的聚類中心；
S34、重復(fù)步驟S32，若數(shù)據(jù)分配發(fā)生變化則繼續(xù)按步驟進行數(shù)據(jù)處理，若數(shù)據(jù)分配未發(fā)生變化則輸出聚類結(jié)果；
S4、將經(jīng)過關(guān)鍵詞聚類的數(shù)據(jù)通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型，并將該數(shù)學(xué)模型作為分析結(jié)果進行輸出，該BP神經(jīng)網(wǎng)絡(luò)算法包括有輸入部、訓(xùn)練部和輸出部，如圖1所示，在訓(xùn)練的過程中，該輸入部用于輸入樣本數(shù)據(jù)x1、x2、...、xn與期待值，該訓(xùn)練部用于將待分析數(shù)據(jù)與期待值進行對比，并根據(jù)待分析數(shù)據(jù)與期待值之間的誤差e調(diào)整權(quán)重系數(shù)w1、w2、...、wn，從而使分析結(jié)果不斷趨近于實際情況，該輸出部用于輸出對應(yīng)的樣本結(jié)果u：
其中n為數(shù)據(jù)量，
該分析結(jié)果與樣本分析結(jié)果y(t)應(yīng)一致。
實施例2
基于BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷用數(shù)據(jù)分析系統(tǒng)，包括：
數(shù)據(jù)采集模塊，用于采集待分析數(shù)據(jù)，具備抽取外部業(yè)務(wù)平臺數(shù)據(jù)的能力和接收開放業(yè)務(wù)系統(tǒng)的推送能力；
數(shù)據(jù)初步處理模塊，用于對所采集的數(shù)據(jù)進行初步處理，初步處理包括清洗和格式轉(zhuǎn)換，具體地，結(jié)構(gòu)化數(shù)據(jù)直接經(jīng)清洗和格式轉(zhuǎn)換完成初步處理，非結(jié)構(gòu)化數(shù)據(jù)還需要經(jīng)過流式匯總、社交網(wǎng)絡(luò)分析、語意分詞等技術(shù)處理以提取有用信息，其中對于社交類的實時數(shù)據(jù)還需要經(jīng)采集工具進行實時匯總計算完成初步處理，其中清洗包括去除數(shù)據(jù)中離散程度較大的數(shù)據(jù)、存在缺失的不完整數(shù)據(jù)以及重復(fù)出現(xiàn)的重復(fù)數(shù)據(jù)；
數(shù)據(jù)聚類模塊，用于將經(jīng)過初步處理的數(shù)據(jù)進行關(guān)鍵詞的聚類，進行關(guān)鍵詞聚類的方式為：1)從數(shù)據(jù)中任意選取K個數(shù)據(jù)對象作為聚類中心、從而形成K個聚類，其中K為大于1、小于數(shù)據(jù)量的正整數(shù)；2)分別計算聚類中心外其余數(shù)據(jù)到各個聚類中心的距離，并將聚類中心外其余數(shù)據(jù)分配到離自己最近的聚類中；3)順序選取一個數(shù)據(jù)以代替原來的聚類中心，并計算替代后消耗的方差E，選擇消耗的方差E最小的數(shù)據(jù)作為確定的聚類中心；4)重復(fù)2)，若數(shù)據(jù)分配發(fā)生變化則繼續(xù)按步驟進行數(shù)據(jù)處理，若數(shù)據(jù)分配未發(fā)生變化則輸出聚類結(jié)果；
數(shù)據(jù)分析模塊，用于將經(jīng)過關(guān)鍵詞聚類的數(shù)據(jù)通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型，并將該數(shù)學(xué)模型作為分析結(jié)果進行輸出，該BP神經(jīng)網(wǎng)絡(luò)算法包括有輸入部、訓(xùn)練部和輸出部，如圖1所示，在訓(xùn)練的過程中，該輸入部用于輸入樣本數(shù)據(jù)x1、x2、...、xn與期待值，該訓(xùn)練部用于將待分析數(shù)據(jù)與期待值進行對比，并根據(jù)待分析數(shù)據(jù)與期待值之間的誤差e調(diào)整權(quán)重系數(shù)w1、w2、...、wn，從而使分析結(jié)果不斷趨近于實際情況，該輸出部用于輸出對應(yīng)的分析結(jié)果u：
其中n為數(shù)據(jù)量，
該分析結(jié)果與樣本分析結(jié)果y(t)應(yīng)一致。
對本領(lǐng)域的技術(shù)人員來說，可根據(jù)以上描述的技術(shù)方案以及構(gòu)思，做出其它各種相應(yīng)的改變以及形變，而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護范圍之內(nèi)。