文摘

信息社会的发展和近年来经济的持续改进。人们无法生存没有知识的创造,在教室里和创建信息也是至关重要的。本研究的目的是研究如何构建面向服务的体系结构为信息化的体育资源。这项研究提供了一个基于物联网的聚类分析算法和评估前后的聚类算法改进,基于面向服务的体系结构。本研究的实验结果表明,信息技术在2015年仍没有完全进化和成熟。信息技术尚未充分发展,信息技术不是很成熟,增长率仅为2.9%。然而,到2021年,信息化建设发展迅速,增长速度达到了16.8%。在此期间,每年增长速度逐渐增加,这表明信息化已成为越来越受欢迎。在教育方面,信息化建设也开始被逐渐应用,如智能教室和在线学习。传统体育教育再也不能满足当前需求的学生,这是非常必要的体育资源进行信息化建设。 Modern information technology is also widely used in the field of pedagogy. In recent years, the audio-visual equipment in schools at all levels has been continuously improved and upgraded, and teachers’ awareness of integrating modern information technology into education and teaching life has been continuously enhanced and achieved results. Strengthening the construction of university sports informatization is an inevitable trend in the development of university sports, adhering to the development of information technology and information network as the basis and use modern information technology to improve teaching efficiency.

1。介绍

在当今社会,越来越多的体育成为人们生活不可或缺的一部分。网络的迅速发展和体育本身适合网络通信的特点,体育信息的网络通信的发展也取得了很大的进步。随着经济全球化和信息时代的到来,技术已经渗透到社会的各个领域。基于信息化的实践和体育信息网络的普及,它是必不可少的研究在中国体育信息化的发展。

体育教育是学校教育的重要组成部分,学校体育是终身体育的基础的学生。大多数年轻人身心健康,身体强壮,意志坚强、充满活力,是一个国家的蓬勃生命力的体现。随着高等教育的不断改革,入学率增长和传统教育的难度。尤其是在体育、分配资金,设备,和生产领域,以及体育教育信息化建设,远远落后于整体需求的学生。现代科学技术的指导下,加强高校体育信息化建设,发挥信息化的作用将有助于促进长期稳定在大学教育。

本文的创新如下:(1)介绍了面向服务的体系结构和物理教育的理论知识资源信息化建设和使用聚类分析算法来分析面向服务的体系结构如何在体育教育资源信息化建设中扮演了重要的角色。(2)阐述了聚类分析算法改进前后。通过实验,结果表明,聚类分析算法可以有效地分析体育教育资源信息化建设的发展。

2。相关工作

随着信息时代的到来,在物理教育中,教学资源也开始建设的信息。Anjaria和Mishra发现没有计算架构可以完全隐藏,所以可以在任何时候泄漏信息。因此,确保信息在任何计算体系结构的安全变得至关重要。他提出信息机密性的一种方法,在Web服务基于面向服务的体系结构(SOA),防止隐私泄露。他明确表示,他认为面向服务的体系结构可以有效地保证信息安全,但他并没有测试方法建议(1]。医疗设备通信协议,根据安徒生B,整合即时设备的理想选择。综合手术室(或)和其他综合临床设置,另一方面,需要在两个域之间的互操作性,以充分发挥他们的潜力,提高护理质量和临床效率。因此,他建议传播通过医疗器械临床和管理数据(2)和生理评估。他的想法被证明能对感冒生效与物联网医疗设备系统增加卫生保健工作者的效率。他建议使用物联网提高护理质量,但这种方法的可行性还有待证实。智能手机、智能手表、车辆位置追踪器,和其他设备位置跟踪功能,根据楚et al .,越来越广泛的应用。另一方面,数据挖掘和先进的分析很少包含这些设备,限制了他们的效用。他展示了一个通用的可编程位置监控平台与一个基于云计算的复杂的分析引擎,等等。它是用于各种时空应用程序,可以有效地减少消费。他没有提供任何实验证据来支持他的主张3]。杨等人发现使用microservice架构来解决医疗资源共享的问题没有危及病人的隐私是有利的。为此,他建议重写遗留系统自治microservices,通过统一的连接技术,允许用户直接处理临床数据调查以及更有效地处理内部和外部的请求。他的解决方案是不同的,因为它避免了数据deidentification过程,这是通常用于保护病人的隐私。这种方法的好处是不明确4]。根据阴和杜,microservice架构(MSA)系统已经成为主流架构近年来,和弹性MSA系统的一个重要特征,它反映了处理各种系统干扰的能力,导致服务退化。尽管已经完成了大量的工作在MSA系统弹性,由于缺乏共识的定义弹性在软件领域,开发人员还没有清楚地知道应该如何或弹性MSA系统应该有什么样的弹性机制。他定义microservice弹性和弹性提到当前系统的研究在其他科学领域,以及提议microservice弹性测量弹性模型测量服务。然而,他并没有总结灵活MSA系统应该如何,他也没有定义具体(5]。数字基础设施理论,面向服务的体系结构,介绍了microservices Hustad和奥尔森。他们讨论的优缺点,基于面向服务的体系结构构建一个可持续的基础设施,这是迷人的。尽管他们承认服务架构已经对市场产生重大影响,他们没有详细6]。进入“网络+”时代后,气年代发现高校开始优先开发过程中信息化建设。在新时期,如何构建一个完整的信息服务和管理系统,同时最大化的好处的信息服务已成为一个关键的决定大学图书馆在构建“网络+图书馆服务”模式。他谈到了角色的服务和管理信息化的大学图书馆,强调的重要性,为长期稳定发展提供了很好的支持大学图书馆在新时代,以及促进高校图书馆的信息化。不过,他没有详细说明讨论的结果。

3所示。面向服务的体系结构的聚类分析方法

云计算的兴起等技术(7)和物联网提供了一个机会来解决当前体育信息化面临的问题,促进“智能运动”在体育信息化的建议。云计算、物联网等新兴技术(8- - - - - -10)“智能的技术信息支持体育运动。智能运动“的应用涉及运动的各个方面,其目的是为了更好的发挥体育的功能和服务功能。体育信息化是指加快体育信息资源的开发,实现体育信息资源的共建共享,进一步优化体育资源的分布与整个社会信息网络的普及。最后,信息的有效使用可以大大提高全社会体育资源的效率。本文分析了信息化建设的发展趋势从2015年到2021年,如图1。

如图1,现代信息技术可以数字化过程各种媒体信息,集成多媒体信息本质上是多样化的,全面的,双向的。优秀的学习环境和学习工具可以改善学生的认知方法和极大地提高他们的效率11]。

3.1。在传统教学中遇到的问题

21世纪后,随着科学技术的迅速发展,我们迎来了移动互联网的时代为代表的智能手机。手机正在成为最常见的智能移动设备在人们的日常生活中,人们越来越习惯于通过这些智能移动设备获取各种信息。智能教学如图2。

如图2在大学教育方面,大多数以前的教材平台是基于电脑,和电脑不容易携带,给教师和学生带来了不便。同时,以前的教材平台将逐渐适应大学日益增长的教育需求。它面临着以下问题:

现在,大学越来越关注教育过程和越来越多的关注学生的学习情况,但在传统教育辅助平台上,这些教育信息不能被记录。与此同时,教师不能把握学生的具体学习情况,和学生学习中遇到的问题不能及时反馈。

传统教育支持平台还有隐藏的安全风险。例如,新生入学后,许多新生将陷入困境的各种营销服务,从而泄露个人信息的学生。因此,传统的大学教育支持平台必须从服务安全性的角度优化(12]。

3.2。面向服务架构的优势和算法

面向服务的体系结构(SOA)是一种设计方法,业务转化为联系的和可重用的服务。它使用的编程语言无关,但结合完成特定的业务任务,可以快速适应客观条件的变化和企业的需求,促进功能和业务目标的调整13]。面向服务的体系结构(SOA)是一个组件模型,它将应用程序的不同功能单元(称为服务)通过定义良好的接口和协议和链接在一起。接口定义在一个中立的,它应该独立于硬件平台、操作系统和编程语言,实现了服务。面向服务的体系结构如图3。

如图3,在这种情况下,需要传输的信息的总量是一样的老龄化程度较高的节点。应该获得的信息传输时间应该更长,和数据传输速度会更高时有效性水平是一样的。应用程序的计算多个计算比例传输数据的时间延迟的各个节点通过每个传感器节点的老化程度

在上面的公式计算的时间延迟的比率类型节点传输数据是传感器节点的数量。的数据量 收集的各个节点是相同的,少可以发送数据的节点类型同时应该分配时间槽的价值。然后,考虑到每种类型的节点的数据传输速率,时间比率被每个类型的节点传输数据可以计算的

后计算比率每种类型的节点通过上述公式的总时间,数据传输时间被每个传感器节点可以根据计算各种类型的节点的数量 和总时间(14]。假设数据的一个旋转的时间 ,计算公式为

的老化程度各个节点的数据传输速率 ,各种数据作为参数的数量,时间价值,每个节点发送数据时,应该分配计算。当系统中节点的数量发生变化时,计算方法也将根据新形势下计算和获得时间分配给新节点15]。

面向服务的体系结构的优点如下:(1)服务的可伸缩性。核心功能的实现系统的初始阶段的主要目标。然而,功能需求的变化和增加后期,如果系统的可伸缩性是不够的,它会消耗大量的人力资源和时间后实际使用。考虑系统的可扩展性的服务架构服务16](2)安全的服务。大学的移动教学平台是一个高度专属平台,包括教师和学生的个人信息。为了确保教学和学习的效率,必须排除外部干扰。一些函数的移动客户端需要确保的安全服务。例如,课程的智能对等功能需要识别恶意的监控信息,还需要使用相同的移动设备来检测和确定多个帐户的安全形势17](3)服务的可靠性。服务可靠性直接影响用户资源管理。用户通过智能手机使用提供的服务平台。当很多用户在同一时间使用它,将生成多个并发请求,系统服务器将崩溃,移动客户端不会回应,和用户资源管理可能会很差。如果有很多同声点播系统服务器每天都有很多的压力。面向服务的体系结构可以解决这样的问题

3.3。聚类相似度计算方法

聚类分析是指分析过程,将物理或抽象对象的集合分组为多个类组成的类似的对象,它是一种重要的人类行为。聚类分析的目标是相似的基础上收集数据来分类。集群有它的起源在很多领域,包括数学,计算机科学,统计学,生物学和经济学。作为数据挖掘的函数(18),聚类分析是用于过程检测到集群和选定的属性或特征。

3.3.1。欧氏距离

使用传统的距离的概念,这是广泛使用的(19]。在数学中,欧几里得距离或欧几里得度量是“普通”(即。两点之间,直线)距离在欧几里得空间。使用这个距离,欧几里得空间变成了度量空间。相关的标准称为欧几里得范数,定义为

3.3.2。闵可夫斯基距离

这是一个扩展的欧几里德距离。这是欧氏距离变换在数字图像处理中,指将前景的像素值转换为点到最近的背景点的距离为一个二进制图像,可以理解为在n维空间的距离,定义为

3.3.3。曼哈顿距离

曼哈顿距离也被称为城市街区距离,另一个广泛使用的距离测量方法,也就是说,在固定的欧几里得空间直角坐标系,总距离的投影线段形成的两个点的轴,定义为

加权欧氏距离 可以计算为

3.3.4。最小距离(单键)

最低(单键)距离是最短的距离 一个集群中的所有元组之间和所有元组在另一个集群,这是

的最大距离(完整的链接) 是

3.3.5。平均(平均)的距离

平均(平均)距离的平均距离 一个集群中的所有元组之间和所有元组在另一个集群,这是

在哪里 和类样品的数量吗和 ,分别。在这里,表示两个对象之间的距离和 。

3.3.6。中心点的距离

在机器视觉和模式识别的研究,将一幅图像转换成一个二进制图像的关键是更有效地识别特定区域或对象在一个图像。如果中心点用于表示集群,中心点的距离是指两个簇的中心点之间的距离,也就是说,

在哪里和的中心点和 ,分别。

3.4。改进的实时数据流聚类分析算法

聚类的结果最终是面向用户的,用户期望获得集群的信息理解和适用,但有时在实际开采效果并不理想。本文提出一种改进的聚类算法。改进的算法是基于密度D-Stream网格聚类分析算法,采用两级CluStream算法的处理模型,并将聚类过程划分为在线处理和离线处理阶段(20.]。与CluStream算法相比,D-Stream有更多的聚类质量和效率优势和庞大的高维数据流具有更好的可伸缩性。最初的主要想法是划分网格,然后将获得的网格划分为submesh用小粒度。根据网格位置,它分为内部网格和边界网格。在网络层,内部网格微簇大粒度的网格基于网格密度的因素和动态调整形成初始网格集群。离线层执行细粒度的聚类边界网格的初始网格集群信息(21]。改进的实时数据流聚类分析算法是叫DSG-Stream算法,及其主要流程如图4。

如图4在线阶段处理还包括数据预处理、网状衰减,处理孤立的网格和边界网格的调整。在离线阶段聚类完成后,信息存储在金字塔快照的形式,方便用户查询。每一部分将在以下部分中详细介绍。在线微簇的过程中,生成的时间序列微簇根据金字塔时间框架的形式存储在时间上的快照。这个框架考虑了存储需求一方面,在不同的时间段和离线macroclustering另一方面。

网格元组对应于网格G 。其中,表示最后一个数据到来的时候,岑表示网格重心,窝是网格密度和它所属类代表集群类。Dstatus代表网格是否异常,Dlittle代表的小格子细胞后二级部门,这是由一个向量,Bstatus代表是否边界网格网格。 代表网格划分后的编号设置,如图5。

如图5,网格密度系数之和在每个网格数据点,表示 。根据不同的密度,它分为密集的网格,稀疏网格,网格和过渡。密度阈值和稀疏阈值指定,平均网格密度是吗

在哪里非空的网格数量,的密度吗网格。

细粒度的网格,有很多方法可以把属性空间,常见的方法是把它分成离散区间的宽度相等。密集的网格阈值

在哪里数据流的维数,相应的稀疏网格阈值 ,和密度阈值的动态调整算法。为了使数据集群的影响反映最新的实时数据集群、网格密度将衰减系数的区间 ,被称为网格密度衰减。数据流的动态变化的技术可以获得密度衰减,衰减因子之间的复杂关系,可以找到数据密度和集群结构。为网格 和网格 ,使公式(14)当且仅当存在:

如果公式(3)、网格和被称为相邻网格。

让衰减系数,网格的密度在时间表示为 ,和网格密度 在哪里是最后更新时间, 网格的密度吗 ,和是数据到达的数量。集群的边界所在网格称为边界网格,网格细胞都是内部网格边界网格除外。根据网格的位置和网格的密度,它是判断是否一个边界网格。如果网格是一个密集的网格和网格相邻网格是一个非空的网格单元,它是一个内部网格,否则这是一个边界网格。由于网格的划分是很容易影响边界网格的处理,聚类精度降低,因此本文着重于处理和聚类的边界网格。网格的重心,中心点 网格中的数据点的

其中,代表数据流中的数据项到达,和网格重心由这个增量维护方法,算法的复杂性不是太高。

计算网格之间的影响来判断他们是否都是一样的, 不同网格,网格及其相互影响因素是什么

在哪里是一个常数,然后呢 和 网格的密度网格吗 ,分别。

一些网格数据点较少,不能达到指定的阈值。如果更多这样的网格细胞的维护算法,整个算法的效率将受到影响。这种网格单元应根据情况,以提高算法的效率。

第一类型的独立电网的细胞,如果它的次网格单元密度低于次网格密集的网格单元阈值,和网格单元没有数据流到达最后的间隔时间 ,它将被删除。也就是说,除了满足上述阈值,网格单元满足条件

在动态的过程中接收实时数据流、微簇执行内部网格形成初始网格集群作为初始聚类中心。

3.5。信息化的价值在普通高校体育教学资源

(1)学生学习的热情已得到改进。信息技术是大学生非常有吸引力。因此,信息技术的引入自然会促进提高学生的学习兴趣,促进学生的注意力,这无疑是具有重要意义(2)事实上,在没有时间教学工作应该是单向的,僵化的,毫无生气。特别是在当今社会,学生的自主和个性正变得越来越强,业余爱好和体育技能,充分认识学生,教学生之间的个体差异,按照他们的能力。和传统教学模式似乎并没有这样做很好。当物理教育资源信息化,可以建立一个平台,教师和学生之间的互动

3.6。在体育教学的过程中存在的问题在学院和大学

在这个阶段,所需的基础设施建设的过程中,高校体育信息化建设明显不足,投资在教育和体育的考虑不足,高校的体育教育环境是有限的,和体育信息资源的发展严重不足。传统的体育教学是图所示6。

如图6,另一方面,高校缺乏专业网络维护人员,也没有支持多媒体教育设施和体育设施。多媒体设备有深远的影响物理教育的适用性和实用性。

4所示。实验和分析聚类分析算法的改进前后的面向服务的体系结构

随着信息时代的到来,体育信息资源也需要结合体育信息技术为了跟上时代的步伐。体育教育资源信息化建设有利于提高体育教学的效率。

4.1。Hadoop平台建设

首先,人造数据集被用来测试DSG-Stream算法的聚类效果。为方便观察,数据集的形式处理二维数据和模拟数据流。选中的数据点有一定的形状效应,和算法流程在收到数据点。最后,DSG-Stream算法是用来比较的聚类结果与最终的聚类形状D-Stream算法。

实验环境是Windows7多系统,和四个机器是用于构建Hadoop实验平台,及其网络拓扑如图7。

如图7,Hadoop平台有三个模式:本地模式,pseudodistributed模式,和完全分布式模式。Hadoop平台可以建造一个大型的数据仓库,PB-level数据存储、处理、分析和统计搜索引擎,日志分析和数据挖掘。为了充分证明分布式计算的优点,本文采用一个完全分布式模式。集群中有5个机器,硬件配置如表所示1。

如表所示1、分布式计算系统可以有多个计算机的计算能力,这使得它比其他系统有更快的处理速度,并且可以提供更高的性能比集中式计算机网络集群,为每台机器上安装相应的系统,配置相关的环境,和准备建设的平台,编写相应的主机的IP和主机名信息在局域网到这个文件中,这样的主机可以互相链接。因此,有必要在文件的末尾添加表信息的所有主机局域网。

4.2。k - means算法的比较实验

聚类分析也经常用作数据集预处理过程中,可以结合其他数据挖掘方法进行更深层次的研究完成了聚类分析的数据。

方法部分分析k - means的几个缺点,提出了一种策略来优化初始值,从理论上阐述了预处理数据集。在第二次计算,价值的团体和k - means算法的初始聚类中心价值。这种方法可以提高聚类的准确性,减少迭代聚类过程。比较实验数据集用于不应太大,和数据分布的数据集应该相对密集。比较聚类分析算法的聚类精度改进前后图所示8。

如图8,它可以看到从图的影响的实验数据集点的分布是相对均匀,还有一些相对集中的数据点。实验结果之前和之后的改进算法进行比较,并从实验证明了改进算法的效果优于原算法。从后者实验结果可以看到,最后的五组的分布较为平均,显示数据集的分布更接近真正的分组。

本文比较了在独立的环境中k - means算法的执行效率与集群环境中的算法执行效率和吸引了分布式计算的调整算法的效率。根据实验的目的,是不合适的选择在UCI数据集,因为对象的数量和尺寸的对象中包含的数据集本身是很难确定的。为了比较算法的效率在两个环境更清楚,这个比较实验使用随机生成格式化的数据,数据对象的范围从5到20。的比较结果单台机器下的运行时间和运行时间在集群上如表所示2。

如表所示2女士,耗时时间单位在实验中除了最后两个数据测试在独立的环境中,其他实验结果测试10次,然后是平均值。从实验中获得的数据,可以看出,对于少量的数据,在单个机器上运行算法的效率高于在一个集群中。因为集群之间的节点和之间的通信,数据调度和其他进程需要消耗一定的资源。当数据集很小,时间消耗的沟通过程远远大于实际的算法的处理时间。但是当达到15的数据量,显著的数据开始改变。这时,并行处理已经开始显示其优势,和不断增加的数据集,获得的加速继续增加。

时间和原来的聚类分析算法的聚类精度和改进的聚类分析算法(DSG-Stream算法)进行比较,如图9。

从图可以看出9,时间由原聚类分析算法和改进的聚类分析算法(DSG-Stream算法)是不同的。所花费的时间由原聚类的聚类分析算法在12 / s和18 / s,而DSG-Stream算法的时间只有4.9 / s和8.2之间/ s。

5。结论

大学体育信息化的目标可以通过将信息技术融入到体育教育资源。详细的实验分析,聚类分析改进前后进行的实验部分。首先,改进聚类分析算法的聚类精度比较。实验表明,改进的聚类分析算法的聚类精度远远高于之前的算法改进。之后,两种聚类算法所花费的时间的比较和分析,并发现传统聚类分析所花的时间比改进的聚类分析。可以得出结论,改进的聚类分析算法优于传统的聚类分析算法不仅在聚类精度,而且聚类的效率。选择聚类分析结果,构建体育教学资源的信息化有利于信息的分类和集成。

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

作者没有任何可能的利益冲突。