[發明專利]一種物聯網健康大數據態勢感知方法

在審

• 申請號: 202011201905.7
• 申請日: 2020-11-02
• 公開（公告）號: CN112270362A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 李玉瓊;劉瑞景;薛瑞亭;羅遠哲;劉志明;任光遠;趙愛民;呂雪萍
• 申請（專利權）人: 山東萬里紅信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q50/22;G16Y40/50;H04L29/08;G16H50/70
• 代理公司: 濟南文衡創服知識產權代理事務所(普通合伙) 37323
• 代理人: 劉真

1.一種物聯網健康大數據態勢感知方法，其特征在于，包括以下步驟：

S1、確定物聯網健康醫療大數據的安全數據格式要求，采用數據采集模塊收集物聯網健康醫療大數據，采用統一格式對通信通道中被篡改以及丟失的數據等異常數據進行數據采集和預處理后統一編碼；

S2、對已經進行預處理的不同的物聯網健康醫療大數據進行特征提取、分類和分級；

S3、用矢量表示對物聯網健康大數據集，V(d)＝{d₁，w₁(d)，d₂，w₂(d)，...，d_n，w_n(d)}，其中，d_n為物聯網健康大數據集D中的一條數據，w_n(d)為d_n在D中的權值，權值累計為1；

S4、構建物聯網健康大數據集進行評價函數：有n個評價對象，m個數據指標，評價對象因素指標集U＝{u₁,u₂,…,u_n}；評價集V＝{v₁,v₂,…,v_m}，評價分數是：

S5、采用神經網絡對物聯網健康大數據進行機器學習，假設m個初始學習的特征樣本集為：s＝{(x₁,y₁),(x₂,x₂),…(x_m,y_m)}，其中x_m為特征樣本，y_m表示不同的風險問題分類，各個樣本初始權重d₁,d₂,…d_m均設置為算法的最大迭代次數為T，初始迭代次數為1；

S6、針對m個訓練集，通過AdaBoost集成學習方法對神經網絡的連接點權重值進行優化，得到最優的連接點的權重值；

S7、利用優化后的神經網絡對m個訓練集進行訓練，獲得第t次的物聯網健康大數據網絡態勢模型h_t；

S8、根據要部署的數據網絡的邏輯層級確定節點數和隱含神經元的數目；

S9、根據物聯網健康大數據網絡態勢模型h_t，對m個訓練集的預測誤差絕對值和小于設定值或達到最大迭代次數，得到最終的物聯網健康大數據網絡態勢模型以及一個安全的物聯網健康大數據存儲以及傳輸環境。

2.根據權利要求1所述物聯網健康大數據態勢感知方法，其特征在于，在所述步驟S1中，所述數據采集模塊包括數據過濾模塊和數據預處理模塊，所述數據采集模塊用于篩除物聯網健康醫療大數據中的錯誤數據和無效數據。

3.根據權利要求1所述物聯網健康大數據態勢感知方法，其特征在于，在所述步驟S2中，采用分級引擎模塊對物聯網健康醫療大數據的特征進行提取、分類和分級，所述分級引擎模塊包括特征提取模塊和分級模型模塊。

4.根據權利要求1所述物聯網健康大數據態勢感知方法，其特征在于，在所述步驟S3中,評價函數的權重來自于外部攻擊，權重最高；通信節點的數據量大小，權重按大小分配；通信交叉點越多，權重越大。

5.根據權利要求1所述物聯網健康大數據態勢感知方法，其特征在于，在所述步驟S5中,所述機器學習采用神經網絡對物聯網健康大數據進行特征學習的過程由正向傳播和誤差反向傳播兩個環節組成，所述正向傳播是利用t時期的數據特征值與t-1時期的數據特征值的差值(變化率)和t時期的數據特征值與t-1時期的時間間隔組成的向量作為輸入，經網絡連接權值和偏差的求和計算傳遞到隱含層，并通過傳遞函數計算得到隱含層的輸出，然后傳送到輸出層；所述反向傳播是將誤差信號按原來連接通路反向計算，調整各層神經元之間的連接權值和偏差以提高準確性。