基于Apriori算法的公共卫生事件应急条例自动匹配方法
2021-11-22张卫东
张 卫 东
(皖西卫生职业学院,安徽 六安 237000)
0 引 言
随着公共卫生事件的频发,需要针对公共卫生事件进行适用法律法规和条例自动匹配,建立公共卫生事件应急条例自动匹配模型,结合公共卫生事件应急条例自动匹配方法,挖掘公共卫生事件应急条例语义特征提取和语义分析,构建语义信息特征提取模型,结合语义信息融合的方法进行公共卫生事件应急条例的特征匹配,提高公共卫生事件应急响应能力,建立公共卫生事件应急响应属性调度模型[1]。构建反映公共卫生事件应急条例的信息融合模型,结合语义特征归类识别的方法,建立公共卫生事件应急条例语义本体模型,通过分析公共卫生事件应急条例分析模型,结合模式识别和特征辨识的方法,实现对公共卫生事件应急条例的属性特征分析,提高公共卫生事件应急条例的匹配能力。相关的公共卫生事件应急条例匹配和调度方法研究受到人们的极大关注[2]。
对公共卫生事件应急条例自动匹配是建立在对公共卫生事件应急条例自动匹配的语义相关性分析和融合基础上的,通过模糊性聚类,进行公共卫生事件应急条例自动匹配和特征融合性调度。传统方法中,对公共卫生事件应急条例自动匹配方法主要有模糊语义特征匹配方法、统计分析方法和关联结构性映射匹配方法,通过模糊规则性调度,进行公共卫生事件应急条例自动匹配,提高特征匹配和响应能力[3]。文献[4]中提出基于语义本体融合的公共卫生事件应急条例自动匹配模型,通过语义本体信息融合的方法,进行公共卫生事件应急条例的相关结构分析,通过信息融合结果进行公共卫生事件应急条例自动匹配,提高条例应急匹配和优化调度能力,但该方法进行公共卫生事件应急条例自动匹配的自适应性不好,特征辨识度不高。文献[5]中提出基于自相关特征检测的公共卫生事件应急条例自动匹配方法,通过属性调度进行公共卫生事件应急条例自动匹配,提高匹配的精度,该方法存在计算开销较大和延时较大的问题。
针对上述问题,本文提出基于Apriori算法的公共卫生事件应急条例自动匹配方法,构建公共卫生事件应急条例管理的大数据匹配模型,根据对公共卫生事件应急条例调阅结果进行寻优控制,采用Apriori算法实现公共卫生事件应急条例自动匹配过程中的收敛性控制和寻优学习,实现应急匹配和调度,最后进行仿真测试分析,展示了本文方法在提高公共卫生事件应急条例自动匹配能力方面的优越性能。
1 公共卫生事件应急条例大数据挖掘和特征提取
在进行公共卫生事件应急条例大数据挖掘和特征提取前必须要了解本文基于Apriori算法的公共卫生事件应急条例自动匹配方法的相关步骤,如图1所示。
图1 基于Apriori算法的公共卫生事件应急条例自动匹配方法
在了解本文步骤后,应首先进行公共卫生事件应急条例大数据的挖掘,得到公共卫生事件应急条例的相关数据。
1.1 公共卫生事件应急条例大数据挖掘
为了实现基于Apriori算法的公共卫生事件应急条例自动匹配,构建公共卫生事件应急条例管理的大数据挖掘模型,根据语义融合方法,进行公共卫生事件应急条例大数据的模式识别,通过关联特征匹配的方法,进行公共卫生事件应急条例大数据模糊度检测[5],采用分块特征匹配方法,进行公共卫生事件应急条例的语义本体结构映射和重组,结合经验模态分解[6],得到公共卫生事件应急条例的特征匹配调度集为
Q=k/m(l×d)
(1)
公式(1)中,k为公共卫生事件应急条例大数据容量,m代表公共卫生事件应急条例大数据检测参数,l为检测非匹配信息值,d代表公共卫生事件应急条例大数据检测时提取的特征个数。
采用模糊度检测的方法,进行公共卫生事件应急条例的自动化监测和模式识别[7],通过资源信息融合,得到公共卫生事件应急条例匹配的模板函数为L,公共卫生事件应急条例匹配的时延扩展函数为
(2)
公式(2)中,n为公共卫生事件应急条例大数据的语义判决值,e为应急条例数据词汇相似特征,v为应急条例数据的信息语义向量。
依据公共卫生事件应急条例匹配的时延扩展函数分析结果,构建公共卫生事件应急条例管理信息挖掘的二元语义分布模型,结合边缘化的形态学映射方法,确定公共卫生事件应急条例挖掘信息分布的有向图的边(u,t)∈E, 得到应急条例管理信息调度的窗函数h(t)
(3)
采用有向图模型构建公共卫生事件应急条例的语义特征分布集,采用大数据挖掘方法,进行特征匹配和融合[8]。
1.2 公共卫生事件应急条例特征提取
采用图模型分析方法进行公共卫生事件应急条例匹配过程中的本体结构映射,通过语义特征融合方法进行公共卫生事件应急条例自动匹配和特征提取[9],语义特征融合的空间增益函数为
Z=P(c1,c2,…)
(4)
公式(4)中,c1、c2、…分别代表语义特征融合的空间增益参量,P表示公共卫生事件应急条例语义特征融合向量。
结合模糊C均值聚类进行公共卫生事件应急条例的概念树结构分析,研究公共卫生事件应急条例的二元分布性序列[10],得到特征规划集表示为
R=h(t)+bw
(5)
公式(5)中,b、w表示表示2个公共卫生事件应急条例语义向量。
采用语义本体结构映射,得到分块特征匹配模型[11],在相邻的观测集中,得到公共卫生事件应急条例匹配的语义调度函数可表示为
T=Acos(n×2πΔT)-Bsin(n×2πΔT)
=Ccos(n×2πΔT-θ)
(6)
公式(6)中,T表示表示公共卫生事件应急条例匹配的语义调度偏置参数。在得到公共卫生事件应急条例匹配的语义调度函数后,基于主题词分割的方法,进行公共卫生事件应急条例的主题词分析,得到本体模型
(7)
结合上下文映射的方法,进行公共卫生事件应急条例的特征映射,得到语义信息的自动识别输出结果[12]。
2 公共卫生事件应急条例自动匹配优化
2.1 特征匹配和Apriori学习
通过语义特征融合方法进行公共卫生事件应急条例自动匹配和特征提取,建立公共卫生事件应急条例的属性特征分类模型,采用Apriori学习算法,在公共卫生事件应急条例管理信息库中进行语义关联性映射分析[13],构建反映公共卫生事件应急条例的分词特征,结合上下文和语境分析的方法,得到相似度特征量为{(s1,a1),(s2,a2),…,(sn,an)}, 通过空间区域重组,得到公共卫生事件应急条例管理信息分布的二元语义集为在语义本体集中,得到公共卫生事件应急条例融合的关联规则集为
(8)
(9)
公共卫生事件应急条例管理信息分布数据结构的分布问题为一个二元语义决策问题,公共卫生事件应急条例管理的行为匹配评价指标集Ek∈E(k=1,2,…,t), 语义匹配的图模型为Pi∈P(i=1,2,…,m), 公共卫生事件应急条例管理信息路的上下文关联信息特征分布函数为Ij∈I(j=1,2,…,n), 根据上述分析,进行公共卫生事件应急条例自动匹配的优化学习,提高自适应学习能力。
2.2 应急条例自动匹配输出
建立公共卫生事件应急条例的属性特征分类模型,根据属性分布进行公共卫生事件应急条例的分类调阅,根据对公共卫生事件应急条例调阅结果进行寻优控制,输入公共卫生事件应急条例调阅的语义特征信息流为x(n), 将输入的公共卫生事件应急的特征信息进行自动匹配[15],所得ci(t)表示公共卫生事件应急调度的有效集,对基函数集用关联映射进行特征调度,得到公共卫生事件应急条例特征量x(t)表示为
(10)
公式(10)中,n为第n个公共卫生事件应急条例调阅的语义特征信息流。设A是m×n的实矩阵,采用语义信息的自动识别方法,得到公共卫生事件应急条例的稀疏性特征量为H(ω,t), 其中
(11)
(12)
计算出公共卫生事件应急条例匹配的模板信息,结合模糊度检测,得到信息中心C(Y), 得到每个概念集的相似度为
(13)
综合上述分析,根据对公共卫生事件应急条例调阅结果进行寻优控制,采用Apriori算法实现公共卫生事件应急条例自动匹配过程中的收敛性控制和寻优学习,得到公共卫生事件应急条例自动匹配函数。
(14)
根据以上过程,可实现基于Apriori算法的公共卫生事件应急条例自动匹配方法,为准确匹配公共卫生事件应急条例带来一定帮助。
3 仿真测试分析
为了验证本文方法在实现公共卫生事件应急条例匹配中的应用性能,进行仿真测试,对公共卫生事件应急条例的大数据信息采样长度为1 024,特征匹配系数为0.15,语义相似度系数为0.25,根据上述参数设定,进行公共卫生事件应急条例匹配,得到公共卫生事件应急条例大数据,与文献[2]、文献[4]、文献[6]方法进行匹配时间对比,得到匹配结果如图2所示。
图2 公共卫生事件应急条例匹配时间对比
分析图2得知,本文方法能在更短时间内有效实现对公共卫生事件应急条例匹配。且本文方法匹配的过程可靠性较好,抗干扰能力较强,测试匹配精度更高,对比结果见表1,分析得知,本文方法进行公共卫生事件应急条例匹配的精度较高。
表1 公共卫生事件应急条例匹配精度对比
4 结 论
构建语义信息特征提取模型,结合语义信息融合的方法进行公共卫生事件应急条例的特征匹配,提高公共卫生事件应急响应能力。本文提出基于Apriori算法的公共卫生事件应急条例自动匹配方法,通过关联特征匹配的方法,进行公共卫生事件应急条例大数据模糊度检测。采用语义本体结构映射,得到分块特征匹配模型。采用Apriori学习算法,在公共卫生事件应急条例管理信息库中进行语义关联性映射分析,构建反映公共卫生事件应急条例的分词特征,结合自适应寻优算法实现公共卫生事件应急条例的自动匹配。分析得知,本文方法进行公共卫生事件应急条例自动匹配的可靠性较好,匹配精度较好。