文摘

与国民经济和科学生产力的不断发展,城市建设和人们的生活水平也越来越高。尽管人们享受生活越来越方便,对情报的需求变得越来越高。数字智能设备的功能是数据收集、计算和分析,诊断和早期预警和通信功能。分析现状和智能设备的发展,存在的问题以及分析和研究关键监测技术的使用和发展数字化智能设备和智能设备硬件开发需求提供最佳解决方案,软件开发,和模型算法。智能设备监控与民生的方方面面,及其相关智能发展是今后在这一领域的公共角色。准确的结果的监测可以为学校提供数据支持,研究机构、公众和政府。同时,它也是社会政策制定的重要依据。目前,常用的监测方法通常采用时间序列的算法。通过文献综述,发现该算法正确的数据失真的问题,影响监测结果的准确性。基于上述原因,本文结合小波函数与规划算法,提出了一个动态规划算法,从而消除了冗余监控数据和集群变形监测数据的小波函数,它提高了算法的精度和计算效率,充分发挥情报的监控。 The simulation results using MATLAB show that the planning algorithm can eliminate 90% of redundant monitoring data and improve the extraction rate of characteristic monitoring data. At the same time, the accuracy of the planning algorithm reaches 95%, and the calculation time is less than 25 s, which is better than the static planning algorithm. Therefore, the dynamic programming algorithm can better utilize the intelligence, convenience, and efficiency of the equipment to optimize the monitoring model.

1。介绍

智能设备已经广泛应用于工程技术、工业生产、社会服务,医学,和人类健康,他们有一个重要的影响。智能设备监测是社会公共卫生的重要组成部分。这不仅是中国公共卫生的保证,但也提高国民素质的基础1]。智能设备和现代技术的集成不仅增强了监控的智能,也意识到自己的函数优化。连续和动态智能设备的监测和分析公共可以帮助政府卫生决策和提高抗病能力和身体素质的公众Beuchat et al。2]。在过去,公共监测方法主要是规划算法。尽管这个算法可以监视一般健康,不能进行动态分析,分析结果有一定的局限性。此外,有很多冗余数据智能设备监测、影响大学生的监测结果3]。目前,有许多研究智能设备设备监控的大学生,但是监控数据的冗余也高,如图1。因此,应用动态规划方法在智能设备的最优控制具有非常重要的理论意义。与此同时,智能设备的大规模应用需要更有效的算法支持,所以本研究可以提供更实际的情况下,具有非常重要的现实意义。

一些学者,如财富et al。4)也相信增加智能特征数据在静态编程算法将提高监测的情报,但减少监测的准确性。因此,构造一个动态规划算法和修正,提高结果的准确性(5]。处理方法的综合函数,小波函数可以分包内容数据分散的数据组,提高初始数据的处理能力,广泛应用于大量智能设备的优化。然而,它不是用于动态编程算法。因此,本文尝试将其应用于动态规划算法和构造一个新的智能设备优化模型,旨在提高智能设备的数据处理效率,促进智能设备的发展。动态规划算法的基础上开发静态编程算法。它是时间变量添加到原始算法,不断结合静态编程算法。然而,动态算法和静态算法之间的根本区别是增加不同指标之间的耦合,使计算结果更加连续的。同时,提高耦合也会增加计算的复杂性和冗余数据的发病率。基于国内外学者的研究,小波函数和动态规划算法的集成可以使用小波函数的分包方法增加动态编程算法的数据处理能力,减少局部极值的出现率,提高计算结果的准确性。动态编程算法可以持续跟踪智能设备不受数据量的增加。 Therefore, the integration of wavelet function and dynamic programming algorithm has the advantage of comprehensive analysis and improves the processing capacity of calculation data. Based on the above reasons, this article combines the discrete wavelet function with the planning algorithm to construct a dynamic planning algorithm to optimize the health monitoring results of College Students’ wearing devices [6]。以大学生身体健康监测作为分析案例,本文提高结果的准确性,以便更好的开展智能健康监测。

2。算法的描述智能健康监测设备

智能设备监控的关键是量化相关指标在智能设备设备,从而为动态监测奠定数学基础。其中,身高、体重、50米跑,800米跑(女孩)和1000米跑(男孩)有更多的穿着设备(7),而有相对较少的数据至关重要的能力,站在跳远,坐在身体弯曲,仰卧起坐,一步测试和引体向上,但健康监测数据的算法描述。

2.1。智能健康监测过程的大学生

智能设备的智能健康监测设备包括三个方面:数据结构x_我在运动智能设备设备,智能健康监测的影响x_j和动力学x_k健康监测的8]。数据结构的智能设备装置还包括智能设备装置x_i1的比例不同的运动x_i2,合作的程度不同的运动x_i3;同样,智能健康监测的影响包括促进程度的智能健康监测技术x_{j - 1}、智能技术的集成程度和健康监测x_j2,促进智能健康监测技术水平x_j3;健康监测包括心肺之间的合作程度的动态监测、血氧监测、血压监测和运动监测x_k1,设备之间的合作在不同形式的智能技术x_k2,不同的智能技术和交流合作x_k3。根据上述分析,大学生智能设备监控涉及到许多方面,主要包括:身高、体重、肺活量,站在跳远,坐在向前弯曲,50米跑步,仰卧起坐,一步测试,拉起,800米跑(女孩)和1000米跑步(男孩)。同时,收集到的监测数据是巨大的(云监控数据,大量的应用程序的智能设备)和复杂(有大量的非结构化的监控数据),这大大减少了智能设备监控的准确性在体育和不能准确反映智能设备的智能设备。因为质量和复杂性是发展的必然趋势,智能设备监控、大量运动的大学生应该收集数据(9]。

2.2。数据流的描述大学生智能设备监控

稳定的小波函数提取冗余数据在大学生体育运动,使离散分析智能设备设备,并获得全面监控数据,以便安排数据以提高监控的准确性(10]。

同时,稳定的小波函数使用离散的提取,以确保监测数据的完整性在大学生体育和完整的单相特征监测数据。具体监测数据流图描述2:(1)假设智能设备监测结果一个和任何智能设备装置一个_l= {一个₁,一个₂、…一个_n},之间的关系一个和每个输入监测数据如下: 在哪里i, j, k是自然的数字,TS(·)是动态规划函数,f(·)是稳定的小波函数,G(·)是不同的输入指标之间的转发功能,,G(·)是相反的函数来完成动态监测。(2)假设监测结果一个_l任何体育赛事的智能健康监测和输入z在规划算法的数据结构x_我在智能设备设备(11),智能技术在健康监测的影响x_j和动态x_k健康监测),p监控数据的比例(结构化的监控数据> 70%,半结构式监控数据> 70%,非结构化的监控数据> 70%),问是监控数据失真的处理方法(重建= 1,系数= 2,量化= 3,特征值= 4,集群= 4),然后呢c_l被描述为 , 。其中,对数在(·)c_l是用来避免或极端值0,以保证计算结果的有效性。任何运动的监测结果如图所示2。(3)数据结构x_我在设备、智能健康监测的影响x_j和动态x_k健康监测采用融合的功能并提出大学生体育的冗余监控数据。函数的计算公式如下: 在那里, , ,和智能健康监测设备的重量系数,大学生,和运动,分别和是错误的调整。的权重系数计算的数据公布的全国大学生智能健康监测组织(12]。(4)健康监测数据的动态规划主要是基于统计数据的国家疾病控制和预防中心。智能健康监测时间计算T的评价结果 ,和健康监测数据的简化率=(监控数据前处理后−监控数据处理)/获得监测数据的总数(100米跑步,跳远,等等)。100%。具体公式如下: 在哪里智能监控数据x_我,_,x_j,x_k, , ,和的总量x_我,x_j,x_k,是智能监控数据处理,智能监控数据的重量吗x_我,x_j,x_k。(5)为了提高复杂数据(结构化、半结构化和非结构化)大学生运动,实现“智能”的健康监测数据之间的转换,降低初始监测数据的误差,可以使用分包进行处理。因为智能监控数据的属性是相对简单,欧几里得距离可以用于小波包。第一组的范围结构化、非结构化和半结构式监测数据,公式如下: 在哪里每个监测数据的欧氏距离;是聪明的;集群是初始值;集群的容许误差,由电力行业的早期阶段的计算,是一组 。根据公式(1)到公式(4)步骤计算结论,动态规划算法利用小波函数的判断矩阵分包合同的整体数据。同时,对分包数据排序,形成有序的数据流。在此基础上,动态规划方法的数据处理能力指数降低。同时,动态规划算法的连续跟踪数据的总量增加,但处理的数据量可以进一步提高通过设置分包的价值。因此,小波函数的优势和动态规划算法在数据处理非常明显。

3所示。构建一个基于动态规划算法的智能健康监测模型

3.1。构建大学生之间的关系数据结构健康监测的影响,和健康监测动态

智能健康监测不仅考虑了监测的准确性x_我,x_j,x_k但也认为它们之间的协同作用。因此,运营商之间的关系x_我,x_j,x_k应该构造。假设三个之间的关系分为本地融合关系(x_我和x_j,x_我和x_k,x_j和x_k)和整体融合的关系(x_我,x_j,x_k),所表达的个人电脑和点,分别。然后,计算公式如下: 在那里,是本地的融合,融合,和是最低个人电脑和点设定的最大值,这是当地的大学,和上述分析的融合程度函数,该值在0和1之间。

3.2。构建大学生智能健康监测的精度模型

准确性是智能健康监测的关键指标13),也是动态编程算法优化的主要目的。因此,应该建造精度运算符。具体公式如下:

自的准确性x_我,x_j和x_k是 , 需要缩短的范围计算精度。同时,融合应该减少,计算结果误差应在0到0.1之间。

3.3。计算步骤的运营商智能健康监测大学生智能设备的设备

(1)建立一个智能健康监测的数据集,C_l= {c₁,c₂、…c_我}和消除智能监测数据与数字化程度的< 60%。确定权重系数和调整误差的数字经济年鉴电力行业从2015年到2020年;(2)监测数据c_l由小波处理函数处理结构(14),semistructurally和非结构化实现智能监控数据的“清洗”。(3)判断后的监测数据的融合关系“清洗”和获得的值个人电脑和点融合局部和整体的关系。(4)迭代分析的步骤1∼4进行了使用MATLAB软件,和精度,计算时间和计算结果输出的有效性。结果如图3。

4所示。智能健康监测的案例分析基于动态规划算法

4.1。实际案例分析

在不同地区大学生为研究对象,分析数据结构x_我在智能设备设备,智能健康监测的影响x_j和健康监测的动态x_k作为输入指标。当地大学和国家疾控中心提供= 22.3,= 0.02,= 0.41,100次迭代= 0.23,= 0.99。具体监测数据如表所示1。

4.2。的比较数据处理能力的大学生智能健康监测

动态规划算法利用小波包进行预处理的智能监控数据(15),消除冗余监控数据,并提取特征值。处理结果比静态编程算法。结果如表所示2。

从表可以看出2的动态规划算法和实际需求是一致的,而监测数据处理能力的静态编程算法完全不同于实际的需求和不改变实际需求的变化曲线。0∼25的迭代,处理能力没有显著差异的两种算法之间的监控数据,但有显著差异的范围25∼50 50 75和75∼∼100迭代,和动态编程算法比静态的编程算法,这是王与相关研究的结果一致(16]。随着迭代次数的增加,大量的监测数据处理增加。具体结果见图4。

从图可以看出4在0.6年的监测阶段,动态编程算法的变化范围明显小于静态检测算法。此外,动态规划算法的处理能力是高于总数据处理能力。因此,在动态编程算法处理的数据量更合理。同时,从图可以看出4动态编程的数据处理能力相对稳定,没有明显的波动,而静态编程算法的波动相对较大的早期阶段,后期趋于平坦,所以动态编程的处理效果更好,这与相关研究的结果是一致的(17]。比较两种方法的实际数据处理能力如图5。

从图可以看出5,动态规划算法的面积明显大于静态编程算法。虽然静态的高度高于动态编程算法算法,动态编程算法的总体面积比较大。

从图可以看出5动态编程算法的单位处理数据明显高于静态编程算法,也完全解释这一现象,动态规划算法的处理过程相对稳定。以上问题的主要原因是,动态编程算法使用小波函数对数据分包来减少数据结构的复杂性。

4.3。计算的准确性

动态规划算法用于分析的数据结构x_我在智能设备设备,智能健康监测的影响x_j和动态的结果x_k健康监测。结果如表所示3。

从表可以看出3的数据结构x_我在智能设备设备的动态规划算法,智能健康监测的影响x_j和动态x_k精度和整体健康监测精度优于静态编程算法。主要了解规划算法集成权重系数和调整误差,这是符合相关研究的结果(18]。上述三个指标显示小误差变化的动态规划算法,以避免干扰冗余监控数据的计算,提高计算的准确性。结果如图所示6。

从图可以看出6,动态编程算法的准确性总是高于静态算法,和整体波动幅度很小。动态规划算法的精度在98%和99%之间,而静态编程算法在90%和95%之间。此外,动态编程算法的稳定性更好,这是明显高于静态编程算法。与国内有关研究结果是一致的。结果如表所示4。

4.4。智能健康监测的时间

从表可以看出4健康监测的动态规划算法的处理时间明显小于静态规划的算法,和整个健康监测处理时间小于25。根据线段的两个算法,静态规划的健康监测数据显示起伏,而健康监测数据的动态规划变化平稳和斜率变化范围很小。这表明动态编程算法比静态编程算法,可以满足智能健康监测的要求,也满足智能健康监测的标准由卫生部和当地大学在2021年。结果如表所示4。

从图可以看出7,动态规划方法的计算时间总是低于静态编程方法,和整体计算时间几乎是一样的。因此,动态编程的计算时间更好。不同的算法的变化范围的计算时间数据所示8和9。

从数据可以看出7和8的变化范围,动态规划算法的计算时间明显低于静态编程算法。这充分解释了稳定问题的动态规划算法的计算时间,也表明,动态编程算法的数据处理效果更好。动态规划算法的变化范围是0.9%,而静态编程算法的100%。因此,动态编程算法的结果是更稳定,可用于数据处理的高端智能设备。

5。结论

通过测量大学生的身体健康,评估身体状况和体育锻炼的影响,改善的有效机制,敦促大学生参与体育锻炼,科学地指导大学生进行体育活动,以不断提高大学生的身体健康,因此也提供有效的国民体质监测数据可以做到的。智能化是卫生部的要求和地方高校大学生2020年,也是未来的发展和改革的方向,学院和大学(19]。自2010年以来,大学生的智能发展监测逐渐增加。然而,由于设备所涉及的大量的监测数据,相关规范,和其他链接,之前的静态贝叶斯规划和遗传算法实现了准确的评价,从而影响以后改进措施的实施20.]。在这篇文章中,小波函数和静态规划方法相结合,构建一个动态规划算法模型来评估智能健康监测。结果表明:(1)智能可穿戴设备在当代大学生中流行和发挥重要配角大学生智能健康监测。与此同时,由于学习和工作的巨大压力,大学生不仅是主要的亚健康人群在社会还健康监测对象的关键。本文中的动态编程算法构造可以持续监测健康的大学生,具有连续和完整的监测数据。动态规划监测可以提供冗余数据和静态数据失真的编程解决问题。(2)构造模型可以有效地消除冗余监控数据和准确地提取特征值,这是符合实际的智能健康监测的需求,和计算时间小于25年代,和评估过程是稳定的。(3)与静态规划相比,该模型优于静态规划的计算精度。动态规划算法的精度在98%和99%之间,而静态编程算法在90%和95%之间。此外,动态编程算法的稳定性更好,这是明显高于静态编程算法。 The results are consistent with relevant domestic studies. The monitoring data processing capacity and calculation time meets the standards of intelligent health monitoring by the ministry of health and local universities in 2021. The variation range of dynamic programming algorithm is 0.9%, while that of static programming algorithm is 100%. Therefore, the result of dynamic programming algorithm is more stable and can be used in data processing of high-end intelligent devices. Of course, this article has less research on the transmission technology and security technology of intelligent devices, and these contents are the guarantee of intelligence, so we will focus on the above two aspects in the future.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由山东大学威海。