数据挖掘的激光与护理文献定量范文

随着激光技术的迅速发展，其在护理学领域得到了广泛的应用，两者之间的联系越来越紧密，同时每年有许多新的相关研究文献不断出现，报道该领域的研究进展，因此如何对这些激光与护理文献进行统计与分析，找出激光与护理的研究方向显得尤为重要。激光与护理文献的定量分析与预测是当前激光技术学术界一个广泛关注的点话题，针对该问题，国内外许多专家进行广泛而且深入的研究，提出许多激光与护理文献量统计分析与预测的模型。最为传统的激光与护理文献的定量分析模型基于数理统计学理论，主要有多元线性回归模型，其首先收集相关的激光与护理文献的历史数据，然后采用多元线性回归分析其变化趋势，该模型十分容易实现，但是分析结果不太可靠。

随着，后有人将神经网络引入到激光与护理文献的定量分析与预测中，相对于多元线性回归分析，神经网络统计分析性能更优，可以较好地捕捉激光与护理文献相关研究的发展趋势，然而神经网络是一种基于经验结构风险最小化原理的学习方法，实际也是基于数理统计学理论，因此存在过拟合，即拟合结果好，预测结果差等不足。近年来，随着数据挖掘技术的发展，出现了许多优秀的数据挖掘方法，如粗糙集、支持向量机、灰色理论等，它们可以从历史数据中发现系统的演化规律，为激光与护理文献的定量分析与预测提供了一种新的工具。为了更好对激光与护理文献进行定量分析，本文提出一种基于数据挖掘的激光与护理文献定量分析与预测模型，测试实例结果表明，其可以准确对激光与护理研究方向发展趋势进行准确预测，预测结果可以为相关研究人员提供有价值的参考。

1材料收集

首先通过互联网从中国生物医学数据库CBM中查找到1982至2014年的激光与护理相关的文献，搜索方式为:主关键字为“激光”，副关键字为“护理”，然后统计每一年的激光与护理相关的文献量，最后得到的统计结果如图1所示。从图1可知，1982～2014年与激光与护理相关文献量变化表面上看没有太多的规律，因此采用传统方法难以对其变化趋势进行准确预测，需要采用数据挖掘技术对其进行深挖和分析，挖掘1982～2014年激光与护理相关文献历史数据中隐藏的变化趋势。

2数据挖掘的激光与护理文献定量分析

2.1数据挖掘技术设收集到激光与护理相关文献量数据共有N个，它们组成的样本集表示为{xi，yi}，i=1，2，…，N，通过数据挖掘技术性能优异的最小二乘支持向量机进行统计分析与预测，采用一个非线性函数将样本映射到高维特征空间进行回归分析。

2.2数据挖掘的激光与护理文献定量分析步骤(1)初始化粒子群算法的参数，主要包括粒子个体数，位置和速度向量，最大迭代次数等。(2)收集激光与护理文献量的历史数据，并进行预处理，具体公式如下。(3)将一维激光与护理文献量转变化多维的激光与护理文献量的学习样本，并将激光与护理文献量的训练集输入到最小二乘支持向量机中进行学习。(4)初始化粒子群，每一个粒子位置向量与最小乘二支持向量机参数γ和σ对应。(5)根据式(10)计算每一个粒子个体位置的适应度函数。当前一般采用训练误差作为粒子的适应度函数，如果过分追求训练样本误差小，易产生过“拟合”现象，导致模型的泛化性能不足，因此本文将训练样本和验证样本误差进行加权构建粒子群的适应度函数。(6)更新粒子的位置与位置，并与个体和粒子群的历史最优位置进行比较，进行相应替换。(7)若满足终止条件，则终止模型参数寻优，不然返回步骤(5)继续进行模型参数优化。(8)根据找到的最优模型参数对激光与护理文献量训练样本进行学习，建立预测模型，对验证样本进行预测，并对预测结果进行分析。

3结果与分析

采用数据挖掘技术对1982至2014年的激光与护理相关的文献进行统计分析，对1982至2014的激光与护理相关的文献进行拟合，得到结果如图2和3所示，从图2和图3可知，1982至2014的激光与护理相关的文献拟合值与真实值几乎重合，两间之间偏差的很小，可以忽略不计，拟合结果表明数据挖掘技术可以很好地激光与护理相关的文献量变化特点进行描述，拟合精度比较高，拟合结果令人满意。对于激光与护理相关的文献量的研究来说，将来的变化趋势更具有实际应用价值，对2015－2020年的激光与护理文献数量进行预测，得到的结果如表1所示。从表1可知，在未来几年里，于激光与护理相关的文献量会大幅度增加，这主要是由于激光技术发展十分迅速，会引起更多的学者投身该项事业的研究中。

4结束语

对的激光与护理文献量变化趋势进行分析，可以为相关学者提供研究导向，为此本文提出一种基于数据挖掘的激光与护理文献定量分析和预测模型。统计分析结果表明，数据挖掘技术可以很好的发现激光与护理文献历史数据中包含的信息，可以准确反映激光与护理文献数量的变化规律，也为其他文献数据统计分析提供了一种新的研究思路。

作者：马音音 孙秀梅 单位：山东中医药大学 枣庄科技职业学院