文摘
社会经济的快速发展不仅会提高人们的生活压力,还会减少人们的健康。寻找一个健康发展预测模型已成为国内问题。基于健康发展的影响因素的分析,本文寻找一个模型来预测公共卫生的发展,以提高卫生发展预测的准确性。摘要线性序列极限学习机算法可用于评估健康状况的大量数据,分析每个评价指标的差异,构建健康状况的分析模型。因此,本文介绍了粗糙集理论在线性序列极限学习机算法。粗糙集可以分析评估方案的双重分析,预测不同个体的健康发展,提高评估质量的健康评估的准确性。仿真结果表明,改进的线序贯极限学习机算法可以准确地分析质量和满足不同个体的需求的健康评估。
1。介绍
随着生活节奏的加速,人们的工作压力的增加,人们越来越重视自己的健康。人们关注自己的健康。健康分为亚健康,健康,和各种疾病。然而,由于个体差异,基本的疾病,和自己的健康质量,健康判断方案不能有效满足公众的需求(1]。调查结果显示,到2020年,中国医疗异常患者的数量将达到2232/100000,到2030年,这个数据将增加30%。其中,20%的地下人无法及时采取相应措施,由于不合理的预测。因此,这是一个紧急的问题制定一个有效的判断方案根据个人体质。地方政府、社会和非政府组织定期健康检查,让公众知道他们的健康(2]。同时,地方政府也应详细说明健康的方法预测和宣传他们通过电视,互联网,和其他渠道。目前,健康预测的关键是如何评估相关指标和指导不同个体进行健康测试(3]。一些学者认为,制定健康预测方案应结合个人情况,开展multiangle回归分析,确定不同因素对测试结果的影响。一些学者还认为,合理的健康预测方案制定和测试计划将使公众能够更准确地了解他们的健康状况;否则,将会影响公众的健康。目前,有很多方法来分析大众健康,主要包括贝叶斯方法、遗传算法、时间序列算法和基于模糊微分进化算法局部搜索策略4]。然而,上述算法只会让一个统一的分析质量卫生,不能实现微分分析不同的身体。为了解决这个问题,一些学者提出了健康预测模型的基础上,结合粗糙的分析方法和线性顺序极端学习机和大众健康指数,利用粗糙集分析。粗糙集方法用于一些健康指数数据的特征值,和特征值提取的阈值(5],惩罚系数、权重系数和均值来获得更准确的数据预处理。可以看出,线性序列极限学习机算法已经应用于健康发展,但也有一些应用情况,需要进一步分析。线性序列极限学习机方法的优势持续健康发展的预测,和粗糙集大规模数据处理的优势。两者的结合可以进行持续健康发展预测分析。线性顺序的差异分析极端学习机和自己的迭代操作可以获得最佳的健康数据集。其中,约束条件和约束系数可以避免局部极值问题,提高效率的计算结果6]。总之,国内学者的研究对健康预测和分析主要关注指标的提高,忽略了指标之间的耦合和预测方案的合理性。因此,预测健康发展迫切需要一个模型,可以进行各种指标的耦合分析。然而,有更少的连续预测研究在中国的健康发展,也减少了粗糙集的应用研究和线性顺序极端的学习机器。与中国相比,有许多研究在线连续极端在国外学习机器,并结合k-clustering和粗糙集来评估健康发展,取得了良好效果。所以,迫在眉睫的是改善线性顺序极端的学习机器,把它应用到健康发展的预测。在此基础上,为了找到一个更有效的模型,直线序列极限学习机的改进及其应用健康发展预测已成为解决上述问题的关键。除了[7),一个质量分析健康不仅会减少评估结果的准确性也影响健康的未来预测。此外,尽管线性顺序极端学习机可以进行迭代分析和预测质量卫生,它不能分析个人健康。一些学者认为,人格和统一的综合分析可以促进健康的发展预测和健康状况的提高发挥积极作用[8]。因此,通过优化线顺序极端学习机算法和结合粗糙集处理方法,可以准确地评估大众健康和得到帕累托最优设置。基于上述理论分析,本文提出了一种改进的线序贯极端的学习机器学习质量健康(9]。具体内容包括三个方面:第一部分介绍了粗糙集的研究现状行顺序极端学习机和大众健康。在第二部分中,一种改进的线序贯极端学习机算法构造,和粗糙集的数值判断和约束。第三部分验证和分析改进的线序贯极端学习机算法来判断质量健康的准确性和时间计算(10]。与国内外其他研究相比,本文优化线顺序极端学习机算法和结合了该方法和粗糙集获取约束系数下的帕累托最优设置(11]。通过统一的联合分析判断和个人卫生,我们可以实现上述两个方面的双重验证,提高分析结果的准确性,促进健康评估方案的合理建设,最终达到改善大众健康的目的。
2。算法描述基于在线连续极端的学习机器
线性序列极限学习机算法首先应用于诊断空间的引擎。它可以预测飞机重量通过平等的异常情况处理的数据。然而,该算法不能实现大量数据的分析,和处理大量数据的速度是缓慢的。pswlak粗糙集是一组提出的z .它可以通过感应全面处理不完整数据,学习,挖掘构建一个相对清晰和简洁的数据系统,以支持后续成分分析。基于上述分析,本文利用粗糙集理论来收集大众身体健康数据(12),补充不完整的数据和指标,最后得到一个更清晰的数据系统。具体的数据处理流程如图1。
从图可以看出1,第一步是要获得身体健康的数据,分析数据类型,并根据类型进行分类。第二步是制定健康计划或调整计划根据身体健康数据的分析结果。第三步是测试群众的身体健康,比较不同的锻炼方法的影响,并记录运动方案和群众之间的匹配结果。第四步是记录最优匹配方案到数据库中并消除不匹配的评价方案。医疗机构、康复中心、老年护理中心、体育中心、四个省和健身中心观察,并初步得到了统一的数据通过录像、心跳检测和肺活量测试。结合国内有关文献[13),23岁身体健康指标和12个身体健康评价指标。经过专家的决心和120年抽样问卷调查,上述指标之间没有显著相关,可作为评价指标和样品。访问网站位于东北、西北、东南和西南地区(14),以及中国北部和中部。访问数据来自在线问卷,实际的数据收集,官方公布的材料,和其他内部材料。访问数据的时间跨度是2 - 3年,和人事跨度大于4。调查结果的有效性和可靠性是> 0.7。最后,得到了具体的评价指标,如表所示1。
3所示。身体健康发展的预测模型基于线性序列极限学习机算法矩阵建立了
3.1。改进线序列极限学习机算法矩阵
首先,添加粗糙集。身体健康分析,身体健康数据库,物理预测数据库及其相关数据库建立了粗糙集方法。然后,粗糙集使用上述数据库分析算法矩阵的线性顺序极端的学习机器,并确定质量宪法。在分析的过程中(15),不同身体健康的体重预测通过相关方案确定,依赖,和身体健康之间的相关性预测计划和大规模的体格。由于个体差异、基础疾病、知识水平,和其他因素,有偏差的影响身体健康的预测方案的预测结果。粗糙集的计算方向调节功能数据通过设置惩罚值,避免了局部极值的问题行顺序极端学习机算法矩阵,并提高了计算结果的准确性。
其次,添加离散集群。粗糙集的数据呈现离散状态。尽管设置权重系数,它仍然无法实现连续分析的数据。如何使用有限的特征值和特征点构造连续粗糙集序列是本文的关键(16]。本文介绍了粗糙集分类特征值,和离散数据序列是由使用相邻特征之间的相关性和互补性。同时,粗糙集使用模糊数学的概念,消除高分散的特征值,特征值更准确地计算会员关系,并实现线性序列极限学习机算法的数据优化矩阵。线性序列极限学习机算法的改进过程矩阵如图2。
据图分析2,粗糙集分析是进行结构化和半结构式数据耦合,实现数据融合、特征值提取。粗糙集实现大众健康数据的预处理。粗糙集实现有序排列的特征数据,提高了数据处理的准确性,减少了数据处理时间,增加预处理数据的数量。
3.2。分析大众身体健康评价方案基于线性序列极限学习机算法矩阵
在个体差异的情况下,身体健康评估方案对评价结果产生重大影响,并有显著差异的影响血氧指数、血压和心率17]。虽然线性序列极限学习机算法矩阵可以进行逐步分析大众身体健康数据,分析结果是离散的。粗糙集可以集群离散结果,提交结果的准确性,并安排结果的特征值。粗糙集可以双分析身体健康方案和物理数据,以进一步提高结果的准确性。因此,线性序列极限学习机算法的组合矩阵和粗糙集可以有序安排特征数据,提高数据分析结果的准确性,实现质量的双重评价身体健康。具体评估方案如图3。
从图可以看出3群众不同采用不同的体能评估计划,和不同的方案也会对身体健康有不同的影响。因此,我们应该调整体能评估方案根据群众的个体差异,从而达到最好的调节身体健康。
3.3。该算法结构
3.3.1。目标函数构建身体健康评估
假设身体健康的评价目标X,是身体健康的评估方案,我是运动项目号码,吗j是身体健康之间的相关性评估方案和身体健康,Xij是评价目标的任何身体健康;所示的计算结果 在哪里实现的效果吗j运动项目,率的影响吗j锻炼身体健康,T是身体健康评估方案的实现过程。影响的评价方案;所示的计算结果 在哪里 , ,和的影响系数是评价方案。
3.3.2。评价函数有氧的建设方案
它假定评估H在三个州的有氧方案:科学合理的状态一个我模糊的状态b我,和负面影响d我;所示的计算结果
其中,一个,B,和C是评价系数,T不同的评价方案的时间节点。评价系数主要取决于质量健康协会,有氧健身协会和中国医学协会。同时,每个地区的评价系数可以调整根据10年的统计数据,并调整比例小于0.3。
3.3.3。建设的约束功能
假定的上限体能评估方案的评价结果l麦克斯和下限l分钟。身体健康评估的上限l马克斯,下限l分钟。计算结果所示 在哪里 最大价值的评估结果, 最小值的评价结果,是任何最大值。是最佳的体能评估方案。具体施工过程如图4。
从图可以看出4体能评估方案的计算过程和身体健康预测超过预期的最大和最小值,表明设置约束可以限制模糊微分演化过程的局部搜索策略。同时,身体健康评估方案和改善身体健康,没有明显变化规律的起伏。同时,以下照片图4数据显示了大萧条,这表明这是一个转折点。然而,仍然萧条中的数据变化平稳,这进一步表明,该数据处理效果更好。
3.4。建设的线性序列极限学习机算法矩阵
线性序列极限学习机算法矩阵基于模糊的局部搜索策略是主要在三个方面。所示的计算结果 在哪里和近似的一组吗和 ,和是耦合的。 , , 。U之间的相关性和 。第二个方面是集群离散特征值,利用粗糙集方法来减少特征值的离散性。具体公式如下。
假设样本集 , ,聚类中心V每个维度所示
会员矩阵u每个集群中心V这个公式所示。所示的计算结果 在哪里样品之间的从属关系和 。粗糙集函数的公式所示 在哪里之间的群集索引吗和 。的计算集群中心所示
所示的计算成员关系
第三个方面是确定权重系数。为了更准确地分析体能评估方案的综合评价,实现身体健康的影响(18),每个索引的重量应该分配。同时,重量分配可以避免局部极值问题,提高评价结果的准确性。首先,每个目标函数被认为是一个条件属性(19),它的重量,和最优模板函数X值计算。其次,获得的评价模板属性设置(20.]。获得的最优方案在不同身体健康评估方案h;然后,任何身体健康评估方案X是uij。
因此,身体健康评估方案之间的依赖和身体健康评估公式所示。首先,每个目标函数被认为是一个条件属性, 体重,和最优模板函数X值计算。其次,评价模板属性设置 是获得。获得的最优方案在不同身体健康评估方案H;然后,任何身体健康评估方案X是u我,。
因此,身体健康评估方案之间的依赖和身体健康评估中所示
之间的依赖程度,评价目标所示
的重要性我身体健康评估中所示
之间的重量我th身体健康评估和身体健康所示
为了给重量更准确地说,增加体重变化的剩余价值。所示的计算结果 在哪里是重量的剩余价值,这主要是由身体健康在不同地区的发展。
3.5。身体健康评价结果的输出在线性序列极限学习机算法矩阵
首先,不同个体的身体健康评估方案输出:身体健康是多维的,复杂的,不规则的,所以它是受个人身体素质、基础疾病、训练方法、训练时间以及其他因素。
假设不同的影响因素k我,身体健康评估的输出方案在不同因素所示 粗糙集是数据后,k影响因素,是输出最佳体能评估方案,微分进化系数。因此,应用粗糙集方法提高体能评估方案的适应性,满足不同个体的运动需求,实现有效的聚合离散特征值。
3.6。身体健康评估不同体能评估方案的输出
不同身体健康评估方案对身体健康有不同的影响,所以有必要准确地评估身体健康。一般来说,身体健康的改善是判断十点的形式系统。粗糙集的作用下,身体健康评估计算的输出结果。所示的计算结果 在哪里不同身体健康评估方案和的系数微分进化。
其次,身体健康评价结果的计算步骤。通过以上分析,可以获得身体健康的整体概述分析。具体步骤如下。
首先,构造一个粗糙集这样的运动对身体健康的影响,和形式 和 集。
其次,数据集约束,计算数据的聚类中心V,体能评估方案的权重和身体健康,和相应的迭代操作。如果计算结果X和H大于最大{X,H},结果应当包含在计算结果;否则,他们将被消除。如果计算结果小于最小{X,H},结果应当包含在计算结果;否则,它将被消除。
第三,当35个指标都遍历,输出 , ;否则,重复步骤2。
4所示。身体健康的情况下评估和预测
4.1。通过35个指标获得的研究数据调查:一个案例研究
案例中的数据主要来自6个随机选择的城市,和验证的方法主要是比较之前和之后(注:数据的有效性和可靠性> 0.7)(21]。同时,矩阵线性序列极限学习机算法与原算法相比(注:线性序列极限学习机算法不是结合粗糙集)。验证周期是1月,3月,6月,12月,运动强度是60小时/周。受试者25 - 65岁,平均年龄为32.2±2.32年(22];BMI 23-40,平均体重指数28.2±1.12。入选标准:(1)满足美国的1994年版诊断标准对身体健康。(2)研究对象没有以前的身体健康和循环系统疾病。(3)获得医院伦理委员会的同意并签署知情同意的形式。(4)测试人员可以表达自己。(5)测试人员有一些健身的经历。结果如表所示2。
表中的数据2在不同的测试时间评估内容,主要包括训练强度和训练成绩和实验结果的数据和网络文学。为了确保测试的准确性,测试人员应该分析前的测试。根据不同的方法,他们被分成改进组和原始组。改进组采用改进的微分进化算法模糊的局部搜索策略,和原来的组采用微分进化算法的模糊的本地搜索策略。结果如表所示3。
从表可以看出3这两组之间没有显著差异在身体健康,肺呼吸能力,血压、生活质量,血氧含量,和脉冲,因此它可以比较和分析。
4.2。身体健康评估方案的评价线性序列极限学习机算法矩阵
身体健康评价方案评价的准确性是评价的关键。线性序列极限学习机算法提高了模糊局部搜索策略。具体的评价结果如图5。
从图可以看出5身体健康评估方案的平均准确率超过90%,有效的计划是60%以上。同时,身体健康的有效程序最高为96%,然后下降。这项研究的结果与国内有关研究相一致。原因是,人类的身体健康达到最大限度后,启动身体的自我保护机制,导致下降的改善身体健康。矩阵是线性顺序极端学习机算法与原算法相比,结果如图所示6。
从图可以看出6的线性序列极限学习机算法矩阵有身体健康评价精度高,大于99%,而原来的算法精度大于90%;这项研究的结果与国内有关研究相一致。这表明线性序列极限学习机算法矩阵是更好的身体健康评估方案。从图可以看出,两种方法的评价结果变化平稳。然而,该模型提出了直变化,原来的线序列极限学习机算法在第四的位置变化,6日,11日,13日,16日,22日,24日,26日,28日,32nd,33次。因此,本文提出的模型更好。
4.3。身体健康的评价线性序列极限学习机算法矩阵
身体健康评估的计算目标微分进化算法来改善模糊的局部搜索策略,也是身体健康的有效体现计算。身体健康的评估结果如图所示7。
从图可以看出735岁身体健康的变化评价指标相对稳定,表明身体健康指标的贡献率不同算法下相对稳定,身体健康指标的有效性验证;这项研究的结果是一致的与国内有关研究[23]。同时,身体健康的评价结果在线性序列极限学习机算法矩阵是更好的,和它的变化范围逐渐减少到100%。相比之下,基于模糊微分进化算法局部搜索策略没有改变,和结果是约7%。原因是粗糙集方法改善身体健康的指标聚合,为不同的人提供有效的体能评估方案,并实现身体健康的显著改善。尽管模糊的微分进化算法局部搜索策略也为身体健康提供了评价方案,在随机的情况下,身体健康评估方案提出了有益和无益的变化,导致最终提高7%。
4.4。身体健康之间的耦合评估方案和身体健康
之间的耦合和身体健康不仅是身体健康评估方案的优势微分进化算法来改善模糊的本地搜索策略,但也双向评价的结果。为了更好的分析、链接分析方法选择(非耦合,耦合,一般情况下,耦合,和比较耦合,与值分别为1 - 7)。计算结果如图所示8。
从图可以看出8、身体健康之间的耦合评估方案和身体健康显示了上升趋势和方法的价值5,表明两者之间的耦合越好。这项研究的结果是一致的与国内有关研究[24]。相对而言,线性序列极限学习机算法矩阵具有更好的耦合,这是明显优于微分进化算法与模糊的局部搜索策略。上面的结果还表明,粗糙集可以大大提高线性序列极限学习机算法的耦合矩阵,实现双向评价身体健康评估方案和身体健康。为了进一步验证耦合的结果,35个具体指标进行了分析,结果如图所示9。
从图可以看出935的耦合指标更好。这项研究的结果与国内有关研究相一致。其中,线性序列极限学习机算法矩阵具有更好的耦合(注:24红色指标),和两下的耦合算法满足的最大和最小约束惩罚值。
5。结论
目前,对身体健康的影响的研究在细分功能单一的评价的问题25),不能意识到身体健康的双重评价评估方案和改善身体健康,所以,身体健康评估方案不能有效改善身体健康。因此,如何有效地使用身体健康评估计划,以改善人们的身体健康,实现全民健身是一个迫切需要解决的问题。基于这一背景,本文改进的微分进化算法的模糊的局部搜索策略和集成的方法将意识到身体健康的双重评价评估方案和身体健康。在本文中,首先,粗糙集的特征值用于计算身体健康评估方案和身体健康评估,然后粗糙集用于消除冗余数据,最后的双重评价身体健康评估方案。为了提交评估的准确性,粗糙集的约束条件和惩罚值集。MATLAB仿真结果表明,线性序列极值学习机器算法矩阵结合粗糙集具有良好的对身体健康的影响评估和预测。结果精度大于95%,拟合程度是98%,这比线性序列极值学习机器算法的结果矩阵。因此,使用线性序列极值学习机器算法矩阵结合粗糙集可以实现身体健康评估和预测,提高结果的准确性。然而,身体健康评估和预测之间的交互不是分析粗糙集分析的过程中。这方面将着重分析了在未来的研究。
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
本文是基础研究基金支持的中央大学重庆大学(2021 cdskxyty003)。作者非常感谢支持。