生物技术数据分析范文篇1

关键词大数据技术；区域大气污染联防联控；区域大气质量模式

中图分类号X7文献标识码A文章编号1674-6708（2014）116-0107-02

0引言

近30年来，我国快速工业化和城市化发展使得多种大气污染问题集中爆发，表现为区域复合污染现象突出，大气氧化性增强，多种污染物在大气中发生复杂作用产生二次污染物，并随气象条件进行长距离传输，最终造成跨省市污染、区域性环境恶化趋势等现象。区域大气质量管理制度与管理手段需要根据污染发生、形成及影响机理研究的深化，并结合污染源变化、气象条件、总量减排、控制技术以及社会经济发展等多方面数据进行数据挖掘与深度分析。

大气污染联防联控监管数据包含了在线监测设备、互联网、视频监控、移动设备、IT设备等渠道产生的海量数据，其中80%以上是以非结构化的形式而存在的。传统的区域大气质量模式通过对监测数据、气象数据、地理数据等结构化数据的模拟分析，对区域大气污染联防联控工作的开展起到了一定作用，但是由于缺乏对视频、文档等非结构化数据的分析，具有一定的局限性。大数据技术在处理视频、语音、文档、图片等非文字形式呈现的非结构化的数据挖掘、专题分析与预测等方面则更加具备优势。在这样庞大的非结构化数据背后，利用大数据技术，从海量堆积的交互数据当中发现带有趋势性、前瞻性的信息，实现为区域大气质量管理提供有效科学的决策分析。

1大数据相关概念与应用价值

1.1大数据概念与特点

在所有的概念中，比较有代表性的概念是3V定义[1]，即认为大数据需要满足3个特点：规模性（volume）、多样性（variety）和高速性（velocity）。同时，有在3V基础上提出4V特点，国际数据公司（InternationalDataCorporation，IDC）认为大数据还应具有价值性（Value）。尽管存在不同的表述，但一个普遍的观点是，大数据与“海量数据”和“大规模数据”的概念一脉相承，带来了巨大的产业创新的机遇。

1.2大数据技术的应用价值

目前，大数据的开发与利用已经在医疗服务、零售业、金融业、制造业、物流、电信等行业广泛展开，并产生了巨大的社会价值和产业空间。2012年3月美国奥巴马政府了“大数据研究和发展倡议”（Bigdataresearchanddevelopmentinitiative），投资2亿以上美元，正式启动“大数据发展计划”，计划在环境、科学研究、生物医学等领域利用大数据技术进行突破[2]。

大数据技术为区域大气污染联防联控工作的开展带来了巨大的价值，但这些价值必须通过数据的有效整合、分析和挖掘才能释放出来。对于结构化数据的整合目前有很多解决方案和软件工具，而对于非结构化数据（如：文本数据、图像数据、信号数据、音频数据、视频数据等）的融合和整合，则面临了更多的挑战。海量数据的生成和累计是区域大气污染联防联控工作开展的必然结果。因此可以说大气污染联防联控工作的开展是建立在数据基础之上，诸多环境保护的决策问题必须通过数据分析才能解决。

2区域大气质量模式的局限性及大数据技术带来的突破

2.1区域大气质量模式的局限性

空气质量模式的应用为区域大气质量控制、分析不同空间尺度上空气质量变化状况和趋势以及污染防治提供有效科学依据。按照空间尺度划分，空气质量模式分为微尺度模式、城市模式、区域模式、大陆尺度模式和全球模式[3]。区域大气质量模式在大气污染联防联控监管工作的开展中具有一定局限性。

第一，区域大气质量模式通过输入研究地区的源排放、地形以及气象资料，运行模式得到该区域的空气质量数据，由于排放清单、气象数据以及模型自身均由不确定性，空气质量模型的模拟结果与真实值难免存在较大误差；

第二，在区域大气污染联防联控监管工作的开展过程中，产生了大量的结构化与非结构化数据，但是传统意义上的区域大气质量模式不能结合文档、视频、图片等海量非结构化数据进行综合模拟与分析，存在了大量的数据资源浪费现象；

第三，区域大气质量模式主要用于分析大气污染成因、机制，对重点污染行业、重点污染区域进行识别，并且对环境规划效益进行评估，大气污染联防联控相关的监管工作难以基于各类模型的分析结论有效开展。

2.2大数据技术为区域大气污染联防联控监管工作带来的新突破

大数据技术通过数据的有效整合、分析和挖掘，为区域大气污染联防联控监管工作的开展带来了新的机遇。在传统区域大气质量模式的基础上，大数据技术对区域大气质量管理产生的海量数据进行了充分管理与应用。

区域大气污染联防联控监管工作的大数据处理流程包括3个方面，分别是数据抽取与集成、数据分析以及数据解释。

2.2.1对大气质量监测及管理数据进行抽取与整合

区域大气质量监测数据具有多样性、数据来源广泛、数据类型复杂等特点，复杂的数据环境给大数据处理带来了挑战。首先对所需数据源的数据进行抽取和集成，从中提取出关系和实体，经过关联和聚合之后采用统一定义的结构来存储这些数据。在数据集成和提取时需要对数据进行清洗，保证数据质量及可信性。

2.2.2区域大气污染联防联控数据分析

数据分析是整个大数据处理流程的核心，因为大气环境质量数据的价值产生于分析过程，从异构数据源抽取和集成的数据构成了数据分析的原始数据。根据不同应用的需求可以从这些数据中选择全部或部分进行分析。传统的分析技术如数据挖掘、机器学习、统计分析等在大数据时代需要做出调整。另外由于大气环境质量监测与管理数据常常具有实时性特点，需要在处理实时性和准确率之间取得一个平衡。

2.2.3区域大气质量管理与决策的数据解释

区域大气污染联防联控数据分析是大数据处理的核心，但环保管理人员往往更关心结果的展示。如果分析的结果正确但没有采用适当的解释方法，则所得到的结果很可能让用户难以理解。数据解释的方法很多。区域大气污染联防联控的数据分析结果往往是海量的，同时由于涉及到多种污染物协同控制以及区域环境与经济发展等多维分析数据，结果之间的关联关系及其复杂，采用传统的解释方法基本不可行。需要通过可视化技术、数据起源技术以及人机交互技术等进行深入解释与展现，利用交互式的数据分析过程来引导用户逐步进行分析，使得用户在得到结果的同时能够更好地理解分析结果的由来。

3大数据技术在区域大气污染联防联控的应用

总体来说，区域大气污染联防联控监管工作的开展需要综合污染物监测数据、行业交叉应用以及区域经济发展等多重维度，通过大数据技术对监管过程中产生的各类结构化数据与非结构化数据进行深入挖掘与分析，建立区域大气污染联防联控机制，签署区域环保合作协议，编制实施空气质量保障方案，实施省际联合、部门联动的环境监管模式，从而保障区域大气环境质量。

3.1基于大数据进行区域大气监测数据分析

由于区域内多种污染物同时在大气中发生化学反应，引起暴露和产生沉降，对影响人类健康和生态系统都有着严重影响。但是区域大气环境监测重点实现单一污染物控制格局，对多种污染物之间的相互影响和协同控制的分析较少，对硫氧化物、氮氧化物、VOCs、重金属和NH3等相关监测数据缺乏相关分析[4]。

基于大数据技术，通过对区域大气环境质量监测数据、污染源在线监控数据等结构化数据与视频监控、暴露人口规模、人口地域分布和人群特征、污染物带来的健康风险等非结构化数据综合分析，实现数据协同减排，分析不同污染物之间的相关关系，并对污染减排量带来的物理损害减少进而减少的经济损失与污染物减排量之间的关系进行更深入的分析。

3.2通过大数据实现与其他行业信息共享

目前区域大气环境质量管理工作的开展以环境保护各级业务部门为主，与气象、林业、交通等相关行业没有实现数据共享与综合分析，需要综合多行业角度，对区域大气环境质量进行预测预警。

基于大数据技术，结合气象、林业、交通等行业相关数据，进行数据挖掘与统计分析。如通过对区域气象条件与机动车统计数据的获取，综合该地区污染物排放监测数据，运用大气污染物扩散模型等计算出未来48小时内大气污染状况，并给出相关出行建议，在出现逆温等不利于污染物扩散的大气条件下，对相关企业进行排放控制或阶段性实施机动车限行管理，从而在一定程度上预防区域大气污染事件的发生。

3.3大数据技术为区域综合发展提供决策分析

我国现行的空气质量管理仍是典型的属地模式，部门分割，缺乏有力、高效的跨行政区协调机制。虽然发达地区城市群已经开始对区域大气污染联防联控进行先试先行，但一些好的做法和经验并没有固化下来形成一种长效机制[5]。

大数据技术的实施，能够在区域大气污染联防联控总体规划同时，结合区域内经济发展水平、空气质量现状和管理水平等要素，在环境质量目标和达标时限上给出决策支持，实现区域大气污染联防联控差别化管理，为建立地区间协调和合作机制提供数据支持，构建“共同但有区别”的大气污染联防联控监管和规划体系。

4大数据技术应用面临的挑战

目前，大数据技术在区域大气环境管理中的运用仍存在一些困难与挑战，体现在对海量空气环境监测与管理数据挖掘的四个环节中。空气质量监测与管理数据收集方面，要对来自空气质量自动监测站、污染源在线监控设备、视频监控、其他行业的数据附上时空标志，去伪存真，尽可能收集异源甚至是异构的数据，必要时还可与历史数据对照，多角度验证数据的全面性和可信性；对区域大气数据的存储要达到低成本、低能耗、高可靠性目标，在存储时要按照一定规则对监测数据进行分类，通过过滤和去重，减少存储量；对海量大气监测与管理数据的处理涉及上百个参数，其复杂性体现在多源异构、多实体和多空间之间的交互动态性，从大量动态数据中综合信息，并导出可理解的内容；结果实现可视化呈现，如采用标签云、历史流、空间信息流等可视化技术，以图形等可视化方式让结果更容易被理解与接受。

参考文献

[1]GrobelnikM.Big-datacomputing：Creatingrevolutionarybreakthroughincommerce，scienceandsociety.2012.http：///eswc2012grobelnikbigdata/.

[2]黄哲学，曹付元，李俊杰，等.面向大数据的海运数据系统关键技术研究[J].网络新媒体技术，2012，1（6）：21-26.

[3]刘烽，吴增茂.城市大气质量模式研究进展[J].环境科学进展，1999，7（2）：22-30.

生物技术数据分析范文篇2

不同学校本科课程的主要差异体现在专业选修课程及其他选修课程的设置上，各个学校根据自身的生物医学工程领域的研究方向和研究水平特点开设一些相应的选修课程，并培养学生在相应方向上的研究探索实践能力。这是美国生物医学工程本科教育的基本特点。我国生物医学工程专业教育起步于20世纪80年代，主要发源于著名工科院校的信息技术类专业和力学专业，进而逐渐形成的生物医学工程专业教育，后来，一些医学院校在医学物理和医用计算机技术的基础上相继开展了生物医学工程专业教育，于是在我国基本上形成了这样两种类型的生物医学工程学科。上述两类院校的生物医学工程学科建设发展模式各具侧重，遵循了共同的学科基础，在培养生物医学工程专业人才的应用层面上有显著特点。相对来说，工科院校的生物医学工程培养模式注重工程技术的开发和功能拓展，医科院校则注重医学与工程结合、工程技术在医学中的综合应用。

1中国生物医学工程学科发展思路

生物医学工程是一种交叉学科，交叉的学科基础及其融合的紧密程度决定了生物医学工程学科的发展水平，交叉的学科发展推动着生物医学工程学科的发展，并且使得生物医学工程学科研究领域变得十分广泛，而且处在不断发展之中。

1、1学科发展轨迹在中国，基于电子信息工程发展而来的生物医学工程学科，主要包括生物医学仪器、生物医学信号检测与处理、生物医学信息计算分析、生物医学成像及图像处理分析、生物医学系统建模与仿真、临床治疗与康复的工程优化方法、手术规划图像仿真以及图像导引手术及放疗优化等；有基于力学发展而来的生物医学工程学科，主要包括生物流体力学、生物固体力学、运动生物力学、计算生物力学和微观尺度的细胞生物力学等；基于化学材料工程发展而来的生物医学工程学科，主要包括生物材料学、组织工程与人工器官、物理因子的生物化学效应等。

1、2学科发展特点作为交叉学科的生物医学工程学科，其发展的关键在于交叉学科间的交叉融合。构建一种良好的交叉结构，对推动交叉学科的发展具有至关重要的作用。约翰霍普金斯大学对于生物医学工程这样的交叉学科的描述有一个形象的说法：交叉学科如同在不同学科之间建立起连接桥梁，如果在河两岸没有坚实的基础，桥是无法建立好的，对于生物医学工程这样一座建立在两个不同学科之间的桥来说，它的发展要求具有坚实的交叉学科基础和交叉学科紧密融合深度。那么在生物医学工程学科构建良好的交叉结构，需要选取具有理论支撑和技术支撑的主干学科进行交叉，凝练学科方向，不能大而全，过于宽泛。目前，医学仪器和医学成像技术具有良好的应用和发展前景，应该成为生物医学工程学科的重点发展方向。医学仪器和医学成像设备能有力推动医疗产业的发展。医疗仪器和医学成像设备是现代医疗器械产业中的主流产品，在产业发展中起着主导和引领作用。其发展水平已成为一个国家综合经济技术实力与水平的重要标志之一。产业化驱动也是学科发展的一种动力，也为学生未来职业发展奠定良好的基础。基于医疗卫生健康事业的需求和生命科学发展的大趋势，生物医学工程学科应大力促进医学仪器和医学成像方法的学科建设，从而提升整个学科的发展水平。生物医学工程学科的建设离不开一流的学术研究和学术成果的应用。一流的学术研究不但能提升学科的发展水平，而且能开拓学科纵深发展，产生良好的经济效益和社会效益，进而增强学科服务社会发展的能力。学术研究的前瞻性和创新性将确保学科建设的发展动力和趋势以及学科发展的活力。交叉学科往往具有不同程度的可替代性。可替代性程度越高，交叉学科存在的必要性就越小。如何减小生物医学工程学科可替代性的程度是需要深入思考的，是需要提升学科的特异性的。生物医学工程学的学术研究主要包括应用理论研究和理论应用研究，应用理论研究主要涉及生物医学工程领域所需要解决的科学问题，开展新理论、新方法的研究。理论应用研究主要涉及生物医学工程领域所需要解决的科学和技术问题，借助理工科的相关理论和方法开展应用基础研究和应用研究。应用理论研究是理论驱动型的学术研究，理论应用研究是应用驱动型的学术研究。理论驱动型和应用驱动型是生物医学工程学科学术研究的两种主要模式。理工科大学具有良好的理论创新基础和强大的交叉的学科背景，开展理论驱动型研究具有自身优势。医学院校具有丰富的医学资源，面临着大量需要应用理工知识解决的医学问题，开展应用驱动型研究，将很好地实现与医学的应用融合，具有较好的临床应用价值，有力推进医学的进步与发展。各自的学术优势将有利于生物医学工程学科特色发展，从而增强其不可替代的程度，实现学科可持续创新发展。

1、3学科体系作为一级学科的生物医学工程，包含学科的理论体系和技术体系，且该体系离不开所交叉的学科的理论体系和技术体系的支撑，此外生物医学工程学科理论体系和技术体系既要有学科自身的特色，又要具有可持续发展和一定程度上的不可替代性，这样学科才会有旺盛的生命力。要面向医疗卫生、生物科学所涉及的重大、重要技术理论问题及基础应用开展学术研究。实现良好的学术研究定位，形成自己的理论体系和技术体系。

2大数据时代的生物医学工程学科发展

守正创新是生物医学工程学科发展的必由之路，人类已进入大数据时代，所谓大数据（bigdata），或称海量数据，是指由于数据容量太庞大和数据来源过于复杂，无法在一定时间内用常规工具软件对其内容进行获取、管理、存储、检索、共享、传输、挖掘和分析处理的数据集。大数据具有“4V”特征：①数据容量（volume）大；②数据种类（variety）多，常常具有不同的数据类型和数据来源；③动态变化（velocity）快，如各种动态数据，非平稳数据，时效性要求高；④科学价值（value）大，尽管目前利用率低，却常常蕴藏着新知识和重要特征价值或具有重要预测价值。大数据是需要新的分析处理模式才能挖掘分析出其蕴藏的重要特征信息［6］。人体生老病死的生命过程就是一个不断涌现的生物医学大数据发生源，这种源源不断的生物医学大数据的检测、处理与分析，将给生物医学工程学科的建设与发展带来新的机遇和挑战。模式识别、人工智能、数据挖掘和机器学习的发展将带动大数据处理技术的进步。

生物医学大数据广泛涉及人类医疗卫生健康相关的各个领域：临床医疗、基础医学、公共卫生、医药研发、临床工程、心里、行为与情绪、人类遗传学与组学、基因和蛋白质组学、远程医疗、健康网络信息等，可谓包罗万象，纷繁复杂。生物医学大数据中蕴藏了种种有科学价值的信息，研究有效的大数据挖掘的新理论、新技术和新方法，对生物医学大数据进行关联和融合计算分析，充分挖掘生物医学大数据中的信息关联和特征关联和数据空间映射关联，既能为疾病的预防、发生发展、诊断和治疗康复提供系统化的全新的认识，有利于深入疾病机理研究分析，开展个性化诊疗。还可以通过整合系统生物学与临床数据，更准确地预测个体患病风险和预后，有针对性地实施预防和治疗。生物医学工程学科所面临的生物医学大数据主要包括多模态医学影像数据、多种类医学信号数据以及基因和蛋白质组学的生物信息数据。生物医学大数据在生物医学工程学科领域内有着广泛深远的应用前景，从三个方面应用将推动生物医学工程学科的发展。

（1）开展多模态影像大数据计算分析。医学影像学科的发展从早期看得到，到看得清，目前的看得准，未来的趋势是看得早。只有看得准和看得早才有利于临床早期干预，提高治疗预期。医学影像大数据计算分析在影像诊断、手术计划、图像导引、远程医疗和病程跟踪将发挥越来越大的作用。建立新的医学影像大数据计算分析模型和数值计算方法，挖掘多模态影像数据的特征数据和特征关联，将会提供强有力的影像诊断分析手段，极大地推动影像技术的发展，具有重要的临床应用价值和科学价值。

（2）开展多种类医学信号大数据计算分析。医学信号大多直接产生于生理和病理过程中的信号，能在不同层面上表达生理和病理相关机制特征。融合多种医学信号的大数据计算分析，能对生理病理过程进行更好更全面的阐释，不仅能深入了解生理病理的状态特征和过程特征，而且能实现个体健康监测和管理。可以很好地开展回顾性研究和前瞻性研究，推进系统化的医学应用研究。实现强大的多种医学信号数据的特征挖掘及特征关联计算分析。大数据挖掘能够增加准确度和发现弱关联的能力，能更好地认识生理病理现象和本质。

（3）开展基因和蛋白质组学的生物信息大数据计算分析。基因组学、蛋白质组学、系统生物学和比较基因组学的不断发展涌现了海量的需要计算分析的生物信息数据，已进入计算系统生物学的时代。开展生物信息大数据计算分析，可以拓展组学研究及不同组学间的关联研究。从环境交互、个体生活方式、心里行为等暴露组学，至细胞分子水平上的基因组学、表观组学、转录组学、蛋白质组学、代谢组学、基因蛋白质调控网络，再到人类健康和疾病状态的表型组学等不同层面不同方向上实现大规模的关联计算分析，可以全面阐述生命过程机制，挖掘生命过程特征及关联特征。

3结论

生物技术数据分析范文篇3

[关键词]物流体系数据仓库数据挖掘

一、引言

随着电子商务在我国的迅速发展和广泛应用，使得各行业纷纷采用先进的信息技术手段提升自身的服务水平。物流业被认为是继劳动力资源之后的“第三方利润源泉”，因此建立高效、安全、方便的物流体系也成为发展电子商务关键性瓶颈问题。

二、数据挖掘技术

1.数据仓库与数据挖掘技术

数据仓库就是一个用以更好地支持企业或组织的决策分析处理的、面向主题的、集成的、随时间不断变化的，但信息本身相对稳定的数据集合。通过数据准备、数据探索、建立模型、检验、分析等过程，有效集成各种高效率的数据挖掘算法,按照用户需要，实施数据挖掘任务。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。

数据挖掘技术能够挖掘蕴藏在海量数据中未知的和有价值的信息，为企业物流管理提供各种决策信息，提高管理和决策的水平，缩短与全球化物流市场竞争的差距，有效的提升企业效益。

2.数据挖掘技术的优势

数据挖掘技术能够帮助企业在物流管理中，及时、准确地收集和分析客户、市场、销售、服务及整个企业内部的各种信息，从而可以为客户提供有针对性的产品和服务，大大提高各类客户对企业和产品的满意度，使物流管理更加满足客户的需求。同时，数据挖掘及其相关技术，可以大大提高物流决策过程的效率，改进企业数据分析的质量和灵活性，改善服务质量，增强企业物流决策的可靠性和科学性，为物流管理的发展提供了良好的物质基础。

三、数据挖掘技术在物流体系中的应用

信息是物流企业最重要的有效资源，最大限度地提高信息的利用率是物流企业经营成败的关键。现代物流体系是一个庞大复杂的系统，特别是全程物流，包括运输、仓储、配送、搬运、包装和再加工等环节，每个环节信息流量十分巨大，使企业很难对这些数据进行及时、准确的处理。

1.现代物流体系组成

基于数据仓库与数据挖掘技术的现代物流体系可由采购进货管理系统、销货出货管理系统、库存仓储管理系统、财务管理和结算系统、物流客户管理系统、OLAP、数据仓库、数据挖掘处理的物流分析系统、解释评价系统、运输配送管理系统、物流决策支持等系统组成。

在采购进货、销货出货、财务管理和结算系统中，利用数据仓库和数据挖掘技术，可以改善物流业务与资金的平衡、提高资金的周转，结合物流客户管理系统，以确保把握住利润最高的商品品种、数量和可靠的物流客户，发展良好的客户关系。库存仓储管理中利用数据仓库和数据挖掘技术，可以合理安排货品的存储，有效的提高拣货效率，动态把握货品流通，最大限度实现“零库存”，降低企业成本，提高企业效益。

运输配送管理系统中，应用GIS技术与运筹决策模型建立的物流分析系统，通过数据挖掘中的分类树的方法，确定配送中心点的位置及各地址间的物品运输量，编制配送计划，设计和优化配送路线，确定有效配送策略，并结合物流决策支持系统中，分析内外各种信息、图表。运用数据挖掘工具对历史数据进行多角度、立体的分析，建立决策支持系统，实现对物流中心的资源的综合管理，为物流决策提供科学的依据。

2.数据挖掘技术在物流体系中的应用

如图所示：分别为采购进货、销货出货、库存仓储、财务结算、物流客户管理系统建立相应数据库系统，管理物流的各基本环节。经过对各分散的信息进行抽取、转换、刷新等过程，将数据聚集在一起形成一个集成、稳定、可靠的中心数据仓库，运用统计分析、模糊聚类、贝叶斯预测等数据挖掘算法为物流分析系统提供依据，借助解释及评价模型把最有价值的信息区分出来，并提交给物流决策支持系统和运输配送管理系统。筛选出合理的配送方案，确定相应的经营策略，实现物流管理的科学化、系统化。

结合了数据仓库和数据挖掘技术的新型物流体系，主要通过人工智能对原料采购、加工生产、分销配送到商品销售的各个环节的信息进行采集，并利用数据仓库和数据挖掘对其进行分析处理，确定相应的配送机制，帮助决策者快速、准确地做出决策，提高企业的运作效率，降低物流成本、增加企业收益。

四、结束语

在现代物流管理系统中充分利用基于数据挖掘技术的物流体系，为物流企业决策者提供决策支持，有利于提升物流企业的核心竞争力，使企业能够及时、准确地调整经营策略，适应市场的变化，有效的拓展市场，扩大生存空间，实现可持续发展，在激烈的市场竞争中立于不败之地。

参考文献：