生物技术数据分析篇1

【关键词】生物工程；信息化技术；应用；发展

1信息化技术

1.1信息化技术的概念

信息化技术是充分利用网络技术和计算机技术来实现对图像、语言、视频和数据等一系列以各种各样形式存在的信息的收集，然后对这些信息进行相关处理，存储等，信息化技术在各行各业中都有涉及，并且能够在很大程度上提高行业效率，信息化技术的主要特征是无胶片化、充分利用网络。

1.2信息化技术的优势

充分利用信息化技术，对于一些需要处理大量数据的工程来讲，传统的方式都是依赖于人工对数据的处理，在这个过程中很容易出现人工错误，工作效率不高，而利用信息化技术去进行数据处理能够在很大程度上减少人为错误的发生，大大提高数据处理效率，加工工程的进展；信息化技术还能够涉及到人类很难涉及的领域，可以说信息化技术是人类某些项目工程发展的得力助手，对于现代科学技术的发展，要充分利用信息技术所带来的优势能够加快科技的发展，有利于国家科学技术水平的快速提高。

2信息化技术在生物工程建设中应用的必要性

生物工程的兴起阶段是在上个世纪，是一种新兴的高科技工程，并且生物工程的综合性非常高，生物工程在兴起时就有着自己明确的发展方向和存在的意义，所以这就注定了生物技术是备受生物学界和科学界关注的工程，伴随着科学技术的不断发展，生物工程迅速发展成为一项高科技技术可以说在生物工程的建设过程中仅仅依靠现有的技术，不充分结合信息化技术是根本无法实现的。生物工程是一项非常严密的科学技术，它主要是充分利用一些生物体或者对其进行特殊改造然后制造出新物种的技术，生物工程技术的基础是生物学，但是仅依靠书本上的理论知识根本无法实现生物工程的建设，它在建设的过程总必须结合各种先进的设备、仪器，充分利用信息化技术，然后在结合生物学中的近代分析生物学、细胞生物学等研究生物结构得到新物种，所以生物工程的建设离不开信息技术。

3生物工程建设中信息化技术的应用

生物工程技术在建设过程中充分集合现代化的信息技术，可以说信息化技术是生物工程建设的前提和保障，信息化技术在很大程度上促进了生物工程的建设进程。生物工程和生物技术这两个方面的发展都离不开信息化技术，国家非常注重生物工程的建设工作，在生物工程建设的信息化产业中国家也大力扶持，下面我们来具体分析信息化技术在生物工程的建设中的具体应用，主要表现在以下三个方面：

3.1信息技术的发展促进了生物工程建设

生物工程的建设离不开信息化技术，信息化技术为生物工程技术搭建了一个很好的发展平台。伴随着科学技术的不断进步，信息技术的不断发展，在很大程度上推动了生物工程的建设，在现代的生物工程的建设过程中离不开信息化技术，信息化技术在生物工程的建设过程中的作用在很多方面使我们难以想象的，由于生物工程技术本身就是一项技术含量非常高的技术，在工程的建设过程中，无论是细胞学、基因重组及转基因等一系列的生物工程都需要大量的数据处理，可以说工作量是非常大而且繁琐的，而充分的将信息化技术应用到生物工程的建设中能够对这些数据进行科学快速准确的处理，伴随着信息化技术的不断发展，生物工程建设会取得更加快速的发展，可以说生物工程的发展有信息化技术的支持未来的发展前景是不可估量的。

3.2软件技术充分应用到生物工程建设中

生物工程的建设离不开一些软件技术的支持，生物工程的诞生本身就是依托信息化技术的发展，所以伴随着生物技术的不断发展，生物工程建设速度的加快，关于生物工程类的软件的需求量越来越大，在生物工程的建设过程总，软件技术起着很重要的支撑作用，例如在生物工程的很多方面涉及到数据，为了对这些数据有统一的管理，以便更好的对数据进行处理和补充，就需要建立生物工程数据库，当然需要建立数据库就离不开专门管理构建数据库的软件的支持，伴随着软件技术的不断更新，生物工程的数据库也将建设的更加完善；其次，在生物工程的建设过程中涉及到很多繁琐的分析，例如对于核酸低级结构的分析、对于核酸核糖的序列分析，对于蛋白质的具体结构的分析，对于生化反应的具体模拟都离不开信息化技术，对这些高精密，人工难以操作的生物分析，就需要借助专门的软件对其进行分析处理；任何一项系统工程在建设过程中都离不开工程的管理，生物工程建设也不例外，加强工程管理，保障生物信息安全同样也离不开相应的软件的支持。可以说软件技术在很大程度上完善了生物工程的发展，保障了生物工程的信息的规范化和安全性。

3.3计算机技术推动生物工程建设

无论是生物工程技术还是计算机技术，都是这个时展的高科技产物，可以说计算机技术的发展在很大程度上成就了生物工程技术的发展，纵观国内外的生物工程发展，没有意向生物学界的伟大发明能够脱离得了计算机技术的，无论是基因的发现还是人类转基因技术的发展。

4结语

综上所述，生物工程的建设离不开信息化技术生物技术本身就是为人类服务的，人类只有对生物学有系统全面的认识才能不断促进自身的发展和进步，21世纪是科学的实际，生物技术和生物工程会在信息化技术的推动下不但进步。

参考文献

[1]谭鹏.浅谈生物工程在我国的应用与发展[J].理论研究,2012.

[2]江家良.中国生物工程技术的新进展[J].黑龙江科学,2016.

生物技术数据分析篇2

【关键词】3S技术RSGISGPS土地利用动态监测

1.“3S”技术以其应用

1.1GIS技术

地理信息系统是有计算机硬件、软件和不同方法组成的系统，支持空间数据的采集、管理、处理、分析和显示，以便解决复杂的规划和管理问题。GIS独特的空间查询、空间分析能力以及可视化表达、地理过程的演变模拟和决策支持，使其广泛应用于政府国土、环境、人口等资源的调查、统计、分析、管理及决策，区域规划管理和城市基础设施，行业规划管理，大型工程规划设计、市场分析、商业与服务管理等方面。

1.2GPS技术

GPS全称“GlobalPositioningSystem”。由美国国防部于20世纪70年代开始设计、研制，于1993年全部建成。经过20年，耗资超过300亿美元，是继阿波罗登月计划和航天飞机计划之后的第三项庞大的空间计划。GPS主要由三部分构成：空间部分、地面控制系统、用户设备部分。

1.3RS技术

遥感，即遥远的感知，是非接触的、远距离的探测技术。遥感技术包括传感器技术，信息传输技术，信息处理、提取和应用技术，目标信息特征的分析与测量技术等。

1.43S集成技术

3S集成技术是指将上述三种对地观测新技术及其它相关技术有机地集成在一起，目前一般是综合利用RS、GPS与GIS技术，通过对不同时期的遥感数据的分类和比较来获取土地利用变化信息，研究土地利用变化的时空特征和驱动力分析，并对土地利用变化进行预测，为土地利用规划的调整和土地利用用途的管制、监察提供决策和技术支撑。

2.基于3S技术的土地利用动态变化的研究

2.1土地利用动态监测技术流程(如下图)

2.2遥感数据的选择与预处理

关于遥感数据的选择，可以根据研究对象的空间尺度和指标，采用不同的遥感平台及数据。土地利用变化状况因其时间上和空间上的不确定二呈现出十分复杂的地表形态，卫星数据以其宏观、快速、准确、实时的特点被广泛的应用于土地利用动态监测中。为了使图像上感兴趣的特征得以加强，使图像变得清晰、解译性高，通常要进行遥感图像增强处理，以便于显示、观察、进一步分析与处理。图像增强包括空域增强方法和频域增强方法。

2.3遥感数据融合

图像融合是将多种遥感平台，多时相遥感数据之间以及遥感数据与非遥感数据之间的信息组合匹配的技术。数据融合是通过对某一研究对象的多源遥感图像数据进行综合分析处理，产生比较单一的信息源，从而实现对地物更精确、更可靠的分析和识别。

2.4土地变化信息的提取

在人类社会生产系统和消费系统的关系框架下，人口、社会经济、政治制度和政策、文化、民族风俗是土地利用变化的驱动力，而土地利用变化又是土地覆盖变化最直接的驱动因子。土地利用变化信息提取是通过计算机与人工识别相结合，提取出土地利用变化在多时相遥感影像上的表现信息，并进行处理和数理统计，从而输出变化信息成果的过程。变化信息的发现是变化信息提取中最关键的一步。变化信息发现的方式有三种：人工发现、自动发现、自动与人工相结合的方法。其中自动发现方法主要有光谱特征变异法、假彩色合成法、主成分分析法、分类后比较法等。

2.5数据的处理及分析

空间数据的更新:（1）图斑。对图斑来说，其变更的主要表现方式为:a新增边界线—图斑分裂;b删除边界线—图斑合并;c新增、删除边界线同时存在—图斑的合并与分裂都存在;（2）线状地物。对于线状地物来说，其变更的主要方式有:a新增线状地物b删除线状地物:c线状地物的宽度发生变化d线状地物的分裂与合并;（3）零星地物。对于零星地物来说，主要的变更方式有:a新增零星地物:b删除零星地物:c零星地物的面积改变:在更新土地线状利用图中，除了更新每幅图变化图斑和相应的属性以外，还应该重新建立拓扑关系，并将结果入库，更新数据库有关内容。

对更新的数据库进行分析:（1）叠加分析,将统一区域范围内两个不同图层的数据叠加在一起，形成一个新的图层，通过叠加分析，可以产生土地利用变化图，在该图上标明了土地利用变化范围和分布区域。（2）统计分析对土地利用线状图和土地利用变化图上不同类型的图斑进行统计分析，求出各种类型变化的面积。将不同土地利用类型的面积绘制图表，比较土地利用类型在数量上的变化。

通过GIS强大的查询、显示、分析等功能，对各类信息进行对比、搜寻、叠加、筛选等处理，实习土地利用动态监测，为管理部门提供决策支持服务。

结论

土地利用的动态监测不仅是土地管理部门的重要工作内容，而且直接关系到区域国民经济的持续发展。

（1）用遥感手段可以主动的反响土地利用变化信息，提取变化地块的大致区域，增加了变更的客观性；而传统的监测方法大部分需要手工、人工完成，且往往需要消耗大量的时间和人力物力进行土地调查，且难以保证数据的精度。

（2）使用GIS制成的数字地形图可以十分方便、快速的进行空间分析、综合、提取和修改。而且成图周期短、成本低，同时也方便管理。

（3）GPS测量的数据与遥感的数据都是以数字方式存储，可直接输入GIS系统成图，避免了传统方法中转绘、清绘带来的误差。

（4）3S集成技术是现代土地资源管理内涵发生了深刻的变化，不仅提高了数据获取的精度，而且提高了工作效率。也彻底改变了我国传统落后的土地资源管理技术和模式。

随着3S技术的不断发展必定会推动我国土地利用监测、土地资源调查等领域的进步，加快土地资源管理的现代化进程。

参考文献：

[1]査显节，邢立新，“3S”技术在土地资源中的应用综述，世界地质，2000年12月第19卷4期.

[2]葛吉奇，地籍管理，西安地图出版社，2002.

[3]牛志春，倪绍祥，土地利用动态监测中数据融合方法的研究进展，南京师大学报（自然科学版），2002年第25卷第3期.

生物技术数据分析篇3

关键词：olap技术，数据仓库；物流，决策

olap(on—lineanalyticalprocessing)技术是基于现代通信技术与网络技术支持下的在线实时分析工具，其分类、整理、分析数据快速方便，支持复杂的分析操作，侧重决策支持，可以多角度地对数据进行处理。将olap技术下的物流数据仓库构建与企业管理信息系统相结合，能增强企业对数据和商业情报的挖掘与利用，提高企业物流管理信息系统的辅助决策能力。

1olap技术与数据仓库

1．1olap技术的核心及多维分析操作

olap针对特定问题进行联机数据访问，它的技术核心是“维”(dimension)。维一般包含着比较复杂的层次关系，通过把一个实体的多项重要属性定义为多个维，使用户能对不同维上的数据进行比较，满足对决策信息的寻求。如一个企业为了调整经营战略而考虑产品的分销情况时，可以从时间、地区和产品等不同维来深入观察产品的分销，形式化表示为“维1，维2，…，维n”等度量指标，即“地区、时间、产品、销售量、库存量”等，这些维的不同组合所考察的度量指标构成多维数组，形成了olap分析的基础。

olap的多维分析操作有钻取、切片、切块及旋转等。钻取是改变维的层次，变换分析的粒度，切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布，如果剩余的维只有两个，则是切片，如果有3个，则是切块：旋转是变换维的方向，即在表格中重新安排维的放置。以上多种分析操作有时需要联合运用，以便快速有效地分析数据，获取有用信息。这些olap技术与oltp(on-linetransactionprocessing)相比，更能围绕所需目标信息，对大量数据进行多方式操作，挖掘数据的内在信息关系，为物流决策者提供直接的可视化分析结果。

1．2数据仓库的信息特点

数据仓库dw(dataware-house)是一个面向主题、集成、随时间变化，但信息本身又相对稳定的数据集合，它用于对管理决策过程的支持。对于供应链上的物流信息，数据仓库内包含物流节点从过去某一时刻到目前的各个阶段记录的数据信息，并经加工、汇总和整理得到多层数据集。决策人员按所需目标信息为主题进行查询，可以对供应链节点运营发展过程及趋势做出定量分析和预测。数据仓库中的信息相对稳定，插入和查询操作较多，修改和删除操作很少，目的是尽可能保留原始第一时间内所获得的既定分类数据间的关联性。

2物流数据仓库的应用

在物流领域建立数据仓库主要实现对物流服务需求分析、物流成本分析和物流过程分析，这主要以分析实时数据为主，将数据在供应链上按需重组，辅助决策者获取与目标相关的信息。

2．1物流信息数据采集

信息数据采集是一个动态过程，物流作业中产生的信息经过一系列的数据加工才最终被存放在数据仓库中。如图1所示，最左端为物流基础作业信息源，包括物流基础作业和增值服务作业的数据信息，也包括html文件，知识库等各种信息。信息首先经过包装器／监视器，包装器负责把信息从信息源的数据格式转换成数据仓库的数据格式和数据模型，加工形成可以多维分析的数据：监视器负责自动监测信息源中数据变化，并把这些变化传递给集成器；集成器对收到的信息进行过滤、提取和合并处理，然后再存放在数据仓库中。

2．2物流管理信息系统平台开发

由数据仓库支持的物流信息系统平台能够满足管理人员的决策需要，能快速响应其对信息数据的多维查询和分析的需要。图2展示了物流企业管理信息系统平台建设中数据仓库与应用程序同步开发过程。图2中的业务过程模型展示企业所从事的物流作业环节；数据模型展示支持业务过程所需的数据；过程描述是统一规范定义企业具体的业务过程，形成书面标准格式，数据描述是规定信息数据的格式、种类、时间等数据属性，建立数据信息的维度。在完成详细的过程描述和数据描述后，一部分工作是按照数据描述开发数据仓库的层次结构，另一部分是编译业务过程描述，开发系统平台的应用程序，以实现管理人员对物流信息系统的交互式操作。

2．3物流决策支持子系统

建立物流管理信息系统是为企业进行物流管理与决策服务，决策支持系统是其中的一个子系统。决策支持系统由人机交互子系统、数据仓库管理子系统和模型库管理子系统组成，如图3所示。图3中人机交互子系统实现控制数学模型和数据处理模型的结合与运行：模型库管理子系统负责建立、存放、删除、检索、统计、维护和管理有关模型，并负责模型与数据仓库管理子系统间的数据交换，提供模型的操作与管理语言：数据仓库管理子系统承担数据存储、删除、检索、排序、索引、统计和维护的任务，并提供数据操作的语言接口，对数据仓库进行目标信息存取。

在决策支持子系统中，模型库自带所需的数据文件，各模型之间通过数据相连，把公用的数据放人数据仓库中进行共享，形成系统决策基础。物流决策者通过人机交互子系统对确定的主题进行分析、对比、预测，对决策用的数据进行各种查询，要求控制输出形式(如图表、图形、语音合成等)，并要求对输出的结论进行解释等命令，根据这些命令调用不同的子系统，获得分析处理结果后，通过人机交互方式输出给决策人员，完成一个决策过程。

3olap技术与数据仓库对物流决策的支持

3．1从数据仓库获取物流决策信息

对数据仓库中的数据利用olap技术进行联机分析，并利用多维数据集和数据集聚技术对数据仓库中的数据进行组织和汇总，并对这些数据进行评价，最后将分析查询结果快速返回给决策者。

图4为物流决策信息获取过程示意图，物流作业产生的原始数据信息经数据抽取(如分类、求和、统计等处理)完成数据的再组织，进入数据准备区，再将数据进行清理、净化、转换之后，经数据加载形成可靠的易于进行决策的数据仓库。在数据仓库中，还要对某些无效的旧数据进行清除。一般采用数据搬迁工具和数据净化软件防止数据污染，它们是通过对数据进行语法分析，利用神经网络方法或模糊逻辑方法找出数据之间的各种关系，防止无效的旧数据存人数据仓库，达到数据净化的目的。

根据决策分析端的查询主题需要，采用olap技术从数据仓库中提取分析有用的数据。如决策者需要分析某一阶段内物流订货作业与发货作业量，以便调整库存量来控制成本，减少下阶段的资金占用，即可利用olap技术对物流数据仓库进行分析。在数据提取中，完成数据清理转化，必要时要对缺损的数据加以补充，捉供给决策人员相关信息。决策人员也可改变分析、决策的主题进行查询，如需查询不同地理位置的分销商对该物品的经销情况或供应链上各地销售商对该物品的售后数据，则能从当前主题转到下一主题进行数据提取分析。物流信息的动态产生过程决定了物流决策过程的及时性和准确性，而基于olap技术的数据仓库的应用，能够满足数据的优化处理，便于迅速提供决策支持。

3．2olap技术支持智能决策

在数据仓库应用中，olap技术是前端展现工具，它可以与数据挖掘工具、知识发现技术和专家系统配合使用，增强决策分析功能。图5为专家系统、数据挖掘和知识发现技术与olap技术复合的智能决策支持模型。利用olap技术可实现数据仓库前端应用与后端智能分析判断的结合，使决策分析具有人为目标导向性和智能优化信息的特点，提高决策的准确性。

生物技术数据分析篇4

关键词：商务智能数据挖掘第三方物流研究

在当今竞争日益激烈的市场环境中，第三方物流企业都希望能够从浩如烟海的商务数据以及其他相关的物流业务数据中发现带来巨额利润的商机。只有那些利用先进的信息技术成功地收集、分析、理解信息并依据信息进行决策的物流企业才能获得竞争优势，才是物流市场的赢家。因此，越来越多的物流管理者开始借助商务智能技术来发现物流运营过程中存在的问题，找到有利的物流解决方案。

商务智能技术应用现状

我国加入了WTO，在许多领域，如金融、保险、物流等领域将逐步对外开放，这就意味着许多第三方物流企业将面临来自国际大型跨国物流公司的巨大竞争压力。国外发达国家各种企业采用商务智能的水平已经远远超过了我国。美国PaloAlto管理集团公司1999年对欧洲、北美和日本375家大中型企业的商务智能技术的采用情况进行了调查。结果显示，在金融领域，商务智能技术的应用水平已经达到或接近70%，在营销领域也达到50%，并且在其他应用领域对该技术的采纳水平都提高约50%。现在，许多第三方物流企业都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。

据IDC对欧洲和北美62家采用了商务智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过600%。调查结果还显示，一个企业要想在复杂的环境中获得成功，高层管理者必须能够控制极其复杂的商业结构，若没有详实的事实和数据支持，是很难办到的。因此，随着数据挖掘技术的不断改进和日益成熟，它必将被更多的第三方物流企业采用，使更多的物流管理者得到更多的商务智能。

商务智能技术的组成

具体地说，商务智能技术有数据仓库(datawarehousing)、联机分析处理(on-lineanalyticalprocessing，简称OLAP)、数据挖掘（datamining），包括这三者在内的用于综合、探察和分析商务数据的先进的信息技术的统称就是商务智能技术。

数据仓库是一个面向主题的、集成的、随时间变化的主要用于决策支持的数据的集合。一般来说，大的物流公司或企业内存在着各种各样的信息系统，这些应用驱动的操作型信息系统为企业不同的物流业务系统服务，具有不同接口和不同的数据表示方法，互相孤立。利用数据仓库技术可以动态地将各个物流企业子系统中的数据抽取集成到一起，进行清洗、转换等处理之后加载到数据仓库中，通过周期性的刷新，为物流用户提供一个统一的干净的数据视图，为数据分析提供一个高质量的数据源。

对于数据仓库中的数据，可以使用一些增强的查询和报表工具进行复杂的查询和即时的报表制作，可以利用OLAP技术从多种角度对物流业务数据进行多方面的汇总、统计、计算，还可以利用数据挖掘技术自动发现其中隐含的有用的物流信息。

数据挖掘又称知识发现（KnowledgeDiscoveryinDatabase，简称KDD），是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的知识的过程。数据挖掘是一个多学科交叉性学科，它涉及统计学、数据库、模式识别、可视化以及高性能计算等多个学科。利用数据挖掘技术可以分析各种类型的数据，例如结构化数据、半结构化数据以及非结构化数据、静态的历史数据和动态数据流数据等。

数据挖掘技术在第三方物流企业的应用分析

数据挖掘是从大量的、不完全的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的数据中发现其潜在规律的技术，是当前计算机科学研究的热点之一。随着信息技术的高速发展，积累的有关物流行业的数据量剧增，如何从大量的物流数据中提取有用的知识成为第三方物流企业当务之急。数据挖掘就是为顺应需要应运而生发展起来的数据处理技术。

数据挖掘的对象

关系数据库(relationaldatabase)中通常存储和管理的是结构化的数据，它将一个实体的各方面信息通过离散的属性进行描述。而文本数据库（textdatabase）或文档数据库（documentdatabase）则通常存储和管理的是半结构化的数据，例如新闻稿件、研究论文、电子邮件、书籍以及WEB页面等都属于半结构化数据。空间数据库、多媒体数据库中存放的是非结构化数据，例如地图、图片、音频、视频等都属于非结构化数据。相对于半结构化和非结构化数据来说，针对结构化数据的数据挖掘技术比较成熟，市场上有很多的商品软件可以使用，用的较多的包括IBMIntelligentMiner、SASEnterpriseMiner、SGIMineSet、ClementineSPSS以及MicrosoftSQLServer2000等。关于半结构化和非结构化的数据挖掘软件尚不多，相应的算法相对还较少。从另一个角度来说，数据挖掘的分析对象分为两种类型：静态数据和数据流（datastream）数据。现在的多数数据挖掘算法是用于分析静态数据的。

数据挖掘的分析

无论要分析的数据对象的类型如何，常用的数据挖掘分析包括关联分析、序列分析、分类、预测、聚类分析以及时间序列分析等。

关联分析关联分析是由RakeshApwal等人首先提出的。两个或两个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阀值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是事件发生的概率和条件概率应该符合一定的统计意义。对于结构化的数据，以物流客户的采购习惯数据为例，利用关联分析，可以发现物流客户的关联采购需要。例如，对于第三方物流企业来说，一个托运货物的货主很可能同时有货物的包装、流通加工等物流业务的需求。利用这种知识可以采取积极的物流运营策略，扩展物流客户采购物流服务的范围，吸引更多的物流客户。通过调整服务的内容便于物流顾客采购到各种物流服务，或者通过降低一种物流业务的价格来促进另一种物流业务的销售等。

分类分析分类分析是通过分析具有类别的样本的特点，得到决定样本属于各种类别的规则或方法。利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度。分类分析可以根据顾客的消费水平和基本特征对物流顾客进行分类，找出对第三方物流企业有较大利益贡献的重要的物流客户的特征，通过对其进行个性化物流服务，提高他们的忠诚度。

聚类分析聚类分析是根据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并且对每一个这样的组进行描述的过程。其主要依据是聚到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似。

以第三方物流企业的客户关系管理为例，利用聚类分析，根据物流客户的个人特征以及物流业务消费数据，可以将客户群体进行细分。例如，可以得到这样的一个物流业务消费群体：生产企业对物流业务中运输需求占41%，对物流业务中仓储业务的需求占23%；商业企业对物流业务中运输需求占59%，对物流业务中仓储业务需求占77%。针对不同的客户群，可以实施不同的物流服务方式，从而提高客户的满意度。

数据挖掘流程

定义问题：第三方物流企业首先清晰地定义出各种物流业务问题，确定数据挖掘的目的。

数据准备：首先第三方物流企业在大型数据库和数据仓库目标中提取数据挖掘的目标数据集进行数据选择；其次进行数据的预处理，包括检查数据的完整性及数据的一致性、填补丢失的域，删除无效数据等。

数据挖掘：第三方物流企业根据数据功能的类型和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。

结果分析：第三方物流企业对数据挖掘的结果进行解释和评价，转换成为能够最终被理解的知识。

知识的运用：第三方物流企业将分析所得到的知识集成到物流业务信息系统的组织结构中去。

评价数据挖掘软件需要考虑的问题

越来越多的软件供应商加入了数据挖掘这一领域的竞争。第三方物流企业如何正确评价一个商业软件，选择合适的软件成为数据挖掘成功应用的关键。评价一个数据挖掘软件主要应从以下四个主要方面：

计算性能：如该软件能否在不同的物流业务平台运行；软件的架构；能否连接不同的数据源；操作大数据集时，性能变化是线性的还是指数的；算的效率；是否基于组件结构易于扩展；运行的稳定性等；

功能性：如软件是否提供足够多样的算法；能否避免挖掘过程黑箱化；软件提供的算法能否应用于多种类型的数据；第三方物流企业能否调整算法和算法的参数；软件能否从数据集随机抽取数据建立预挖掘模型；能否以不同的形式表现挖掘结果等。

可用性：如用户界面是否友好；软件是否易学易用；软件面对的用户是初学者、高级用户还是专家；错误报告对用户调试是否有很大帮助。

生物技术数据分析篇5

【关键词】数据挖掘大数据分析方法应用领域

一、数据挖掘

数据挖掘是一门新兴的学科，它诞生于20世纪80年代，主要面向商业应用的人工智能研究领域。从技术角度看，数据挖掘就是从大量的、复杂的、不规则的、随机的、模糊的数据中获取隐含的、人们事先没有发觉的、有潜在价值的信息和知识的过程。

从商业角度来说，数据挖掘就是从庞大的数据库中抽取、转换、分析一些潜在规律和价值，从中获取辅助商业决策的关键信息和有用知识。

二、数据挖掘的基本分析方法

分析方法是数据挖掘的核心工作，通过科学可靠的算法才能实现数据的挖掘，找出数据中潜在的规律。通过不同的分析方法，将解决不同类型的问题，在现实中针对不同的分析目标，找出相对应的方法。

目前常用的分析方法主要有聚类分析、分类和预测、关联分析等。

2.1聚类分析

聚类分析就是将物理或抽象对象的集合进行分组，然后组成为由类似或相似的对象组成的多个分类的分析过程，其目的就是通过相似的方法来收集数据分类。它是一种无先前知识，无监督的学习过程，从数据对象中找出有意义的数据，然后将其划分在一个未知的类。这不同于分类，因为它无法获知对象的属性。“物以类聚，人以群分”，通过聚类来分析事物之间类聚的潜在规律。聚类分析广泛运用于心理学、统计学、医学、生物学、市场销售、数据识别、机器智能学习等领域。

聚类分析根据隶属度的取值范围可分为硬聚类和模糊聚类两种方法。硬聚类就是将对象划分到距离最近聚类的类，非此即彼，也就是说属于一类，就必然不属于另一类。模糊聚类就是根据隶属度的取值范围的大小差异来划分类。一个样本可能属于多个类。常见的聚类算法主要有密度聚类算法、层次聚类算法、划分聚类算法、网格聚类算法、模型聚类算法等。

2.2分类和预测

分类和数值预测是问题预测的两种主要类型。分类是预测分类（离散、无序的）标号，而预测则是建立连续值函数模型。分类是数据挖掘的重要基础，它是对已知的训练数据集表现出来的特性，获得每个类别的描述或属性来构造相应的分类器或者分类。分类是一种有监督的学习过程，它是根据训练数据集发现准确描述来划分类别。常见的分类算法主要有决策树、粗糙集、贝叶斯、遗传算法、神经网路等。预测就是根据分类和回归来预测将来的规律。常见的预测方法主要有局势外推法、时间序列法和回归分析法。

2.3关联分析

在自然界，事物之间存在着千丝万缕的联系，当某一事件发生时，可能会带动其它事件的发生。关联分析就是利用事物之间存在的依赖或关联知识来发现事物之间存在的规律性，然后通过这种规律性进行预测。如经典实例购物篮分析，就是通过分析顾客购物篮中物品的管理规律，来分析顾客的购物心理和习惯，然后根据这种规律来帮助营销人员制定营销策略。

三、大数据时代的数据挖掘的应用领域

3.1市场营销领域

市场营销是数据挖掘技术应用最早和最多的领域。通过分析和挖掘用户的消费习惯和消费特点，来提高商品的销售业绩。目前，数据挖掘在市场营销方面已经不仅仅限于超市购物等方面，已经普及到各个金融领域，如保险、电子商务、银行、电信零售等行业。利用数据挖掘技术来分析顾客的消费行为，为本行业带来潜在的客户和效益。

3.2科学研究

在科学研究中，经常需要分析各种大量的实验和观测数据，并找出相关的规律和知识。这些数据分析和挖掘都需要一定的算法，利用数据挖掘技术能科学的找出数据之间的规律以及找出我们未发现的知识。例如，对外空星体的探索、对DNA数据的分析等等。

在制造业、电信、教育领域，数据挖掘也发挥着巨大的作用，对过去政策的评估和新政策的制定都有很大的帮助。

伴随着大数据的数据管理，检索技术研究的进步，数据挖掘技术将迎来巨大的发展机遇，数据挖掘技术的应用也将更加广泛，数据挖掘的工具也将更加强大.

参考文献

[1]胡天状.数据挖掘技术在教育决策支持系统中的应用[D].杭州：浙江师范大学，2002.

[2]吴文绍.甘肃省教育管理信息决策支持系统[D].兰州：兰州理工大学，2006.

[3]丁守哲.基于云计算的建筑设计行业信息系统开发模式与实现技术研究[D].合肥：合肥工业大学，2012.