生物技术数据分析篇1
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。
生物技术数据分析篇2
关键词：信息管理；农机技术推广；应用
随着我国农业产业规模的不断扩大，对农机设备的需求也逐步上升，信息化管理技术成为农业生产过程的中坚力量。为了使农机设备管理不断完善，需要把信息管理技术真正应用到农机技术推广中去。信息管理技术主要起到的是数据收集、数据分析、发现问题并解决问题的媒介作用，为更好地完善农业生产创造了价值。
1我国农机技术推广的发展趋势
农机技术推广指的是通过能让我国农户更容易接受的方式，实现其把我国农机技术更广泛的在农户中普及和运用。农户在更加科学的方法下，更好地开展农业活动，提高农户的技能标准，让其看到农机技术运用到农业生产中产生的价值，从而让农户更有热情地投入农业生产当中去，同时也加快了我国农业的发展。我国虽然在农机技术推广中有了一些成绩，但是在提高机械化水平和实现农业快速发展方向上，还是存在很多问题[1]，需要通过更高效的方法去解决。我国农业技术的推广将会和信息管理技术更好地融合，谋求良好的发展。
2信息管理在农机技术推广中的应用
2.1远距离控制
第一，运用信息管理技术，建设农业产物的相关数据库，远程进行植物的观察和对植物变化的更新记录，确保植物在良好的环境中茁壮成长。远距离控制不需要农户去植物环境进行观察，提高了技术人员的工作效率。可以通过数据信息的变化，第一时间发现农作物生长过程中的问题，并进行调整[2]。第二，可以运用更完善的故障检测解决技术，降低农业机械维修的时间成本。当机械发生故障的时候，远程技术可以检测出机械故障的问题，并针对其存在的问题进行远程技术来解决，确保农业机械的持续性运作。同时也可以把这项远程故障解决技术应用到农机的各个领域，实现资源共享的最大利益化。使农业技术人员更直观地了解到机械存在的问题，为机械的后续改良提供了相应支持。
2.2数据采集、分析
第一，通过信息管理技术，真正把对农物的采集、分析应用到实处。可以计算出环境的土壤情况，根据分析作物所需要的水分以及肥料，进行图画性的展示。从而对农物的栽种数量和耕作形式都有了明确的数据支持[3]，在节约了人力成本的同时，作物的生产环境也有了保障，使作物的生产质量也有了很大的提高。第二，计算出来的作物的具体数据，可以直接存储到数据库中帮助后续技术人员在种植作物时可以直接在数据库中找到对应的作物分析，使种植作物更加高效地进行。例如，可以提前对各种作物进行土壤和肥料的分析，然后把数据提前存入数据库中，增加数据库中作物的分析依据，这样就会使技术人员找到适合的农业机械进行有效的种植。数据库根据不同作物可以给出相应的解决方法，使农业技术推广的成本下降，农机产业呈现出快速发展的形态。并且还可以把相关农业知识通过数据分享的方式，让更多的人所认知，通过农户对作物知识了解更深入，使农业发展得更好。
2.3监测气候环境
农业的发展一直受气候环境的制约，在很多地区都存在因为气候环境引起干旱、洪涝等气象灾害的现象，从而导致农户的收成不好，造成了今年该地区的农业发展形势不好。针对这些问题，我国可以实行相应的措施来解决，例如，通过信息管理技术实现把场景数据化，使物与物进行连接。同时与农机相结合，监测农业生产过程中土壤、水分、湿度以及光照强度等方面的数据，并定期对数据进行传送[4]。数据库里有了各个作物全面的分析，这样就可以运用大数据的方式，根据每个作物的生存环境，对即将到来的天气进行相应预防，从而把自然环境给农业带来的影响降到最低。
生物技术数据分析篇3
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4
【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5
【关键词】生产物流；数据挖掘；关联规则
一、引言
随着物流一体化的发展，目前国内很多企业都在对企业的“第三利润源”——物流系统进行研究和改进，进一步增强企业的物流服务能力，提高企业竞争力。当前国内生产企业正处于经济一体化的大环境中，企业对客户的快速反应和高质、高效、个性化的服务是每个企业追求的目标。企业产品的生命周期交货期都在缩短，多品种、中小批量的生产方式比重大幅增加，产品结构日趋复杂，产品功能日益完善。因此，制造业生产物流系统也更加复杂，必须通过现代物流管理手段来加强企业自身的物流管理，来满足物流量的增大、流速的提高的要求，达到流程的更加有效。
现代物流系统是一个庞大复杂的系统，它包括运输、仓储、配送、搬运、包装和物流再加工等诸多环节，每个环节的信息流量都十分巨大。同时，信息化物流网络体系的应用也使得数据库规模不断扩大，巨大的数据流使企业难以对其进行准确、高效的收集和及时处理。决策管理人员在日常管理业务中收集并存储了大量的数据，但却很难掌握到所希望得到的信息，这是因为一方面缺乏足够的信息来支持科学的决策，另一方面，积累的丰富数据没有发挥应有的作用。由于涉及的数据量大，且来源广泛，传统的操作型数据库已无法支持生产物流管理系统的分析功能。为了帮助决策者快速、准确地做出决策，实现对物流过程的控制，提高企业的运作效率，降低整个过程的物流成本，增加收益，就需要一种新的数据分析技术来处理数据。
二、生产物流与数据挖掘的理论研究
1.生产物流概述
（1）生产物流的定义
生产物流（productionLogistics），也称厂区物流、车间物流等，是企业物流的核心部分。它在《物流术语国家标准》中的定义是：生产过程中原材料、在制品、半成品、产成品等在企业内部的实体流动。
生产物流的过程大体为：原材料、零部件、外购件、燃料等辅助材料从企业仓库或企业的“门口”开始，进入生产线的开始端并投入生产，经过下料、发料、运送到各个加工点和存储点，以在制品的形态，从一个生产单位（仓库）流入另一个生产单位，随生产加工过程一个一个环节的“流”，在“流”的过程中按照规定的工艺过程进行加工、储存，借助一定的运输装置，在某个点内流转，又从某个点内流出，始终体现着物流实物形态的流转过程，同时生产一些废料、余料，直到生产加工终结，再“流”至成品仓库终结了企业生产物流过程。生产过程中的物流示意图如图1-1所示。
（2）生产物流过程中的数据特点
生产物流管理中所涉及的数据量大，且来源广泛，其特点主要表现在以下几个方面：生产物流决策管理的信息来源于不同的数据库，包括生产、配送、仓储等各类数据，这些数据缺乏组织性，存在许多重复和不一致的地方，同时也蕴涵了不同的业务处理逻辑；生产物流决策管理的关键是对大量的历史数据进行分析以便于进行决策；
生产物流决策管理分析对数值计算能力和数据的集成综合处理能力的要求较高。
2.数据挖掘技术概述
近年来，以互联网为代表的计算机信息技术的迅速普及，使人们的生活条件和社会环境发生了巨大的变化。大量的数据库被广泛的应用于企业管理、科学研究、电子商务、金融预测、商品零售、医药化工、政府办公以及工程开发等社会生活的各个领域，并且这一趋势仍将继续。人们积累的信息已经达到了tB级，甚至pB级。因此在需求的呼唤下数据挖掘技术应运而生，并得以在社会生活的各个领域蓬勃发展。
（1）数据挖掘的定义
数据挖掘（Datamining），就是从海量数据中挖掘出隐含在其中的知识。数据挖掘的概念应该分为狭义的和广义两种。一般认为，广义的数据挖掘又称数据库中的知识发现（KnowledgeDiscoveryinDatabase），简称知识发现（KDD）。它是从大量的、不完整的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的、但又是可信的、潜在的和有价值的信息和知识的过程。狭义的数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据之间关系的过程，是知识发现过程中的一个步骤。
（2）数据挖掘过程
数据挖掘过程包括问题定义、数据准备、数据挖掘、结果分析、知识的运用五个阶段。其一般流程主要包括三个阶段：数据准备、数据挖掘、结果解释和评价。如图1-2所示的数据挖掘过程。
（3）数据挖掘系统的体系结构
在常用的数据挖掘系统中，一般将其分为三层结构，如图1-3所示。第一层是数据源，包括数据库、数据仓库以及其他数据源，主要用于搜集并存储信息。第二层是挖掘器，主要职责是利用数据挖掘系统提供的各种数据挖掘方法分析和提取数据库中的数据，从大量冗杂的数据信息中得出有价值的信息，以达到用户的需求。第三层是用户层，该层的主要功能是使用多种方式将获取的信息和发现的知识反映给用户，为用户的活动提供科学的依据。
三、数据挖掘在生产物流过程中的应用分析
1.数据挖掘在生产物流过程中的应用方面
一般来讲，数据挖掘在生产物流过程中可以应用在以下几个方面：
（1）产量预测
产量会影响企业的生产物流和规划活动。通常产品在进入市场后，并不会永远保持最高销量。一般来讲，随着时间的推移，产品会遵守销量变化的模式，经历四个阶段，即导入期、增长期、成熟期和衰退期。在各个阶段，产品的生产要求和实物分拨策略是不同的。如在导入期，产品逐步得到市场的认可，销售量可能会快速的增长，这时需要提前的生产计划、生产作业安排以及适合的库存和运输策略，指导企业的生产，合理地控制库存和安排运输。
（2）物流需求预测
企业生产规划和控制物流活动需要准确估计生产过程中所处理的原材料、在制品、半成品和产成品的数量以及种类，这些估计主要采用预测和推算的方式。
数据挖掘可以对生产物流活动中的各种物料类型随时间变化的规律和趋势进行建模描述。时间趋势分析可以对现有物料在时间上的变化找出趋势，然后确定需要注意和开发的物料的类型。空间趋势分析可以根据物料在厂区地理位置的变化找到趋势，然后确定需要重点关注的工艺环节。这对于企业经营的长远发展也是至关重要的。
（3）部门绩效分析
通过对各部门的绩效考核，可以达到激励与监督的管理效应，从而有助于提高企业的运作效率。部门绩效分析可将生产物流管理策略转化为企业内部各个部门的执行力，通过制定各个部门包括财务、仓储、配送、生产等方面的考核指标，在统计分析的基础之上形成各个部门的绩效考核体系。
2.生产物流过程中实施数据挖掘应注意的问题
（1）明确数据挖掘的目标，充分发挥数据挖掘过程模型的指导作用
数据挖掘是一个复杂的过程。在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是有必要的。有了好的计划才能保证数据挖掘有条不紊的实施并取得成功。很多数据挖掘软件供应商提供一些数据挖掘过程模型，可以指导物流企业逐步开展数据挖掘工作。
（2）注重企业数据仓库的建设和数据的积累，提高数据的准确度
实施数据挖掘的前提和基础是拥有大量、真实的数据。数据不足，导致无法有效开展数据挖掘；而数据欠缺准确性，则会严重影响数据挖掘结果的可靠性。企业在日常的工作中，应注意数据的收集、分类和整理，并将它贯穿于企业信息系统的构建和应用中，从而为今后的数据挖掘奠定良好的基础。
（3）针对不同的问题，合理选用数据挖掘算法
任何一种数据挖掘的算法，不管是统计分析方法、神经元网络、决策树分析方法，还是遗传算法，没有一种算法是万能的。不同的问题，需要用不同的方法去解决。即使对于同一个问题，可能有多种算法，也需要预先评估。
（4）数据挖掘项目需要多方面人员共同合作
数据挖掘过程的分步实现，不同的步骤需要有不同专长的人员，他们可以分为三类：物流作业分析人员、数据分析人员和数据管理人员。各方人员需要通力合作，寻找适合企业生产的方法，逐步建立数据挖掘模型。
3.数据挖掘在生产物流过程中的应用举例
（1）聚类分析的具体应用
聚类也称细分，它基于一组属性对事例进行分组，在同一个聚类中的事例或多或少的会有一些相同的属性。在生产物流过程中应用数据挖掘技术，根据聚类算法将会很容易的看出物料、生产物流环节、工作人员、部门等各自之间的相同属性。
图3-1中描述了一个简单的原材料数据集，其中包含订货批量和价格两个属性，基于这两个属性值，聚类算法把这个数据分为了3类。聚类1是订货批量和价格都相对较低的原材料；聚类2是低订货批量的高价格原材料；聚类3是高订货批量的低价格原材料。以此类推，应用聚类分析可以给生产物流环节、工作人员等进行归类，以便于管理调度活动的顺利进行。
（2）关联规则的具体应用
关联是另一种常见的数据挖掘任务。典型的关联问题是分析一个生产物流事务表，找出相互关联的物流活动并且确定在同一次生产物流活动过程中的哪些物流环节比较频繁出现。关联规则通常用来确定一组项集（频繁项集）和规则，以达到对生产物流过程中的交叉物流的合理调度。就关联而言，项是一个物流环节，或者一个属性/值对。关联模式分析的目的，是为了挖掘出频繁项集和关联规则（隐藏在数据间的相互关系）。即通过量化的数字，描述物流环节a的出现对物流环节B的出现有多大影响。
图3-2描述了原材料及物流环节的关联模式。图中的每一条线表示两个节点之间的关系，箭头的方向表示预测的方向。
（3）序列分析的具体应用
序列分析和关联分析有点相似，它们都包含一个项集或一组状态。两者的区别在于：序列模型分析的是状态的转移，关联模型认为每个相关联的项都是平等的和相互独立的。通过序列模型可知，先进行物流环节a再进行物流环节B和先进行物流环节B再进行物流环节a都是两个不同的序列。但是如果使用关联算法，则认为它们是相同的项集。
图3-3描述了一个生产物流过程中的物流活动序列，每一个箭头都表示生产物流活动的转移，每个转移都用一个权值表示，表示从一种物流活动转到另一种物流活动的概率。在实际应用过程中，根据历史记录数据即可得到具体的序列分析图。
四、数据挖掘在生产物流过程中的应用的发展前景
数据挖掘技术已经在商业、金融业、保险业、电信业等多个领域开始得到应用，取得了令人满意的效果。我国企业的生产物流方面对数据挖掘应用还处于起步阶段，经验不足，应用实践在国内生产物流中还并不多见。但随着数据挖掘应用研究的深入开展，以及企业追求运营绩效愿望的增强，将会有越来越多的生产物流引入数据挖掘，为企业在激烈的竞争中掌握主动，在未来的发展中提供更广阔的空间，发挥重要的作用，数据挖掘在生产物流中将会有更加广阔的前景。
1.框架方面
数据挖掘是基于数据库或数据仓库而进行的，而数据库是基于企业各方面的底层经营资料搭建而成的，数据仓库的组织是面向主题的。生产物流则是一个过程，包含了计划、实施和控制的功能。那么，如何使数据挖掘技术全面地支撑起其在现代生产物流中的应用呢？
在这种整体框架方面的研究已引起了广泛关注。基于活动的生产物流剖析方法把生产物流按照其生产活动进行剖析，把生产物流活动的分析同日常的经营联系起来。依据这种理念，生产物流管理在第一次的剖析中，可以分析出生产物流过程中相互依赖的活动；接下来，基于第一次剖析结果中的几种活动再分别进行第二次剖析。
2.数据方面
数据挖掘技术源于物流的直接需求，虽然它在各种领域都存在广泛的使用价值，但是物流领域是数据挖掘的主要应用领域之一。这是因为条形码等技术的发展，物流部门可以利用前端pC系统收集、存储大量的数据、进出历史记录、货物进出状况和服务记录等等。生产物流同样积累了大量的数据，这些数据正是数据挖掘的基础。数据挖掘技术有助于识别生产过程中的运输行为，发现生产的新模式和趋势，改进生产运作的效率，取得更高的核心竞争力。
RFiD，即无线射频技术在物流领域的引入，正在或即将改变生产物流的各个环节。主要表现在以下几个方面：
（1）数据信息更加准确。利用无线射频技术进行数据采集，由于在读取时受遮盖、方向和位置的影响很小，避免了因条形码退化、磨损、易复制和人工识别所造成的误差，从而数据挖掘所得到的结果更加符合实际。
（2）广阔的数据存储量。RFiD标签的信息存储空间比条形码高出几万倍，所以有关物料的各项信息在相应的环节都能写入标签，而不会出现信息存储空间不足的情况。
3.技术方面
数据挖掘的研究随着信息技术的发展在不断地进步与完善。数据挖掘领域新技术或新算法的引入，也为生产物流领域的应用提供了更多更准确的方法。
目前数据挖掘的研究主要从以下几个方面开展：
（1）针对不同的数据挖掘任务开发专用的数据挖掘系统。一个功能很强的数据挖掘系统要能够处理各种类型的数据是不现实的，应当根据特定类型数据的挖掘任务构造专用的数据挖掘系统，如关系数据库挖掘，空间数据库挖掘等。
（2）高效率的挖掘算法。数据挖掘算法必须是高效的，即算法的运行时间必须是可预测的和可接受的，带有指数甚至是中阶多项式的算法，没有实际使用价值。
（3）提高数据挖掘结果的有效性、确定性和可表达性。对已发现的知识应能准确地描述数据库中的内容，并能用于实际领域。对有缺陷的数据应当根据不确定性度量，以近似规律或定量规则形式表示出来。还应能很好地处理和抑制噪声数据和不希望的数据。
（4）数据挖掘结果的可视化。数据挖掘任务由非领域专家指定，所以希望最后发现的知识用用户理解的方式表达出来。
（5）多抽象层上的交互式数据挖掘。交互式数据挖掘允许用户交互地精炼数据挖掘需求，动态改变数据焦点，逐步深化数据挖掘过程，从不同角度不同抽象层次上灵活地观察数据和挖掘结果。
五、结论
文章运用数据挖掘技术，结合了生产物流的实际情况，借鉴了国内外学者的研究成果，对数据挖掘在生产物流过程中的应用进行了研究。数据挖掘作为一门新兴的多学科交叉的技术还处于初级发展时期，它能够挖掘蕴藏在海量数据中大量未知的和有价值的信息，为管理提供各种决策信息，减轻管理者从事低层次信息处理和分析的负担，提高了管理和决策的水平。
伴随着信息时代的数据量剧增的显著特征，深化生产物流信息管理的最有效的方法是在其中引进数据挖掘技术。在分析其系统体系结构的基础上，提出基于数据挖掘的生产物流决策管理系统，将分散的、标准不同的、逻辑关系不一致的数据经过分析、抽取、转换、整合到统一的数据仓库中，通过数据挖掘，形成生产物流决策管理人员所需要的信息和数据，从而有利于生产物流决策管理人员做出科学的决策，提高自身在市场竞争中的地位。数据挖掘可以从数据中发现趋势和模式。人们可以将通过数据挖掘发现的新趋势和模式应用到决策上，以提高利润，降低成本等。
总之，充分、合理的利用数据挖掘技术，可以进行市场预测和分析，这必将为正确的决策奠定坚实的基础，同时也为生产物流的管理和发展指明了方向。
参考文献
[1]李义华，庞燕.物流企业工作流程的数据挖掘[J].中国物流与采购，2009（21）.
[2]王羽.物流管理数据挖掘综述[J].现代经济，2008，7（8）.
[3]魏新军.数据挖掘物流企业提升竞争力的利器[oL].中国储运网.Http：//.
[4]夏国成，赵佳宝.数据挖掘在现代物流中应用的再度分析[J].现代管理科学，2005（6）.
[5]张敏.数据挖掘技术及应用[J].信息技术，2010（8）.
[6]王锐，马德涛，陈晨.数据挖掘技术及其应用现状探析[J].电脑应用技术，2007（69）.
[7]杨毓玲，范波峰.生产物流计划与控制策略研究[J].科技经济市场，2008（6）.
[8]孙俊玲.浅析数据挖掘技术在现代物流管理中的应用[J].河南财政税务高等专科学校学报，2009，23（3）.
[9]范坤，何智文.基于数据挖掘在物流管理决策中的应用[J].湖北广播电视大学学报，2008，28（10）.
[10]方霞.生产过程中的物流管理系统及其应用研究[D].电气与信息工程，2004.
[11]刘伟.物流领域CRm中数据挖掘技术的应用研究[D].大连海事大学，2006.
[12]李廷佳.基于数据挖掘技术的物流信息系统的研究与实现[D].北京邮电大学，2008.
[13]方志斌.基于数据挖掘技术的物流决策支持系统的研究与实现[D].国防科技大学研究生院，2006.
[14]杨永刚.数据挖掘在物流领域中的应用[D].武汉理工大学硕士论文，2006.
[15]martinChristopher.LogisticsandSupplyChainmanagementStrategiesforReducingCostandimprovingService[m].Beijing：electronicsindustrypress，2003.
生物技术数据分析篇6
关键词：设施农业；物联网；情景感知技术
如今计算机业已在我们的生活与工作中得到了普及，随着计算机资源日益增多，情景感知技术也应运而生。情景感知技术是处理信息的一种技术，拥有丰富的信息是物联网的最显著特征，情景感知技术利用这种特征为广大用户提供相关服务。各地的农业科技园区、家庭农场与农业产业化综合体是现代农业的主要发展方向，物联网与情境感知技术会被更多地运用到设施农业生产经营中，为农业增效增产、农民增收建设高水平、科技化、智能化的良好平台。
1农业物联网中情景感知技术的运用需求分析
近10年来，国内农业领域中越来越多地运用信息技术，农业信息化技术在我国农业服务、营销、物流、生产等诸多等产业链与环节起到了非常关键的作用。它有效提升了国内农业服务的质量与生产效果。设施农业物联网的普及与应用，推动了我国农业产业化的持续升级，对国内整合与利用农业物联网的庞大信息量，完善服务模式的要求越来越高。所以，应该积极地响应设施农业的此类需求，打造以设施农业物联网为基础的情景感知技术体系，为增强农业物联网领域的综合效能找出针对性的解决途径。联系情境感知技术与农业物联网的相关概念，可以这样界定农业物联网情景感知技术：面向质量安全追溯、农产品物流、智能管理与农业精准生产等，货物具有代表性的应用目标的相关情景数据，对这些数据进行解析处理，定制相关服务的一种信息服务体系与综合计算模式。
2情景感知技术在设施农业物联网中的应用分析
2.1设施农业科学计算与三维数据场可视化
如今，在发展现代设施农业的过程中，科学研究日益凸显了信息化、数字化的特征，设施农业的相关科研部门业已建立了设施农业科学研究的总体发展环境。如今大数据技术的发展日益成熟，设施农业物联网为设施农业科研活动的开展，提供了丰富多彩的信息和数据，基于数据中心地位的设施农业科研模式机制初步完善和发展，在数字化设施农业发展研究的过程中，设施农业科学计算发挥着非常关键的作用，应该将其当作计算科学的关键性趋势。因此，设施农业计算科研与三维技术可视化，会变成我国重点发展设施农业物联网感知计算与情感的具体形式。作物与环境是三维数据场与科学计算的两大重点。首先，在采集设施农业物联网的相关信息过程中，应该采集气候、光照、土壤等诸多信息，通常情况下，传感器的具体设置形式非常独特。因此应该它的具体设置状况，密切结合相应的模型发展体系，以达成可视化的二维数据场。其次，就农作物的实际发展而言，不少技术措施为获取诸多微观组织与支持各种农作的具体物性状信息，为完善和丰富农作物领域的三维数据发展辅以必要信息保障。
2.2感知认知一体化
随着硬件、软件环境发展越来越快，设施农业物联网领域的情境感知技术也快速进步，以往的信息处理方法无法有效地满足设施农业快速发展的形势。处理模式与采集信息面向感知环节而实施，在采集与处理这些数据的过程中，重点涵盖了遥感影像、气候环境、视频图像等诸多类型的信息感知。然而在确认与解析相关感知信息时，依旧处于一定范围中，设施农业物联网科技的发展，在较大程度上促进情境感知技术的运用。从这个环节来看，情境感知技术的发展，重点涵盖了下列方面，如知识转型、数据分析、信息融合、理解语义、科学计算等，可以在一定程度上推动数据与信息间的有效转换。在传输与采集物联网数据、处理物联网信息的过程中，应该让认知体系与感知体系密切结合起来；在设施农业的管理和生产环节中，构建起具有较高的数据准确性、信息反馈能力较强的机制。因此，必须立足于相关感知数据，紧紧依托数字化、可视化三维境模型，统一协调认知与感知的计算模式。
2.3网络三维交互式服务
就当代设施农业的实际发展而言，应该将其功能定位于设施农业会展、生产加工、设施农业园区、休闲娱乐、生态旅游与农产品电商等领域。特别是部分地区的些经济水平比较高，对这个层面出现了更大需求。网络访问量为有效运用设施农业的技术与产品服务，提供了良好的保障体系。兴盛于网络的人际交互应用程序与界面，获得了迅猛发展。按照网络三维交互的整体性服务模式，仿佛变成了设施农业物联网情境的相关计算发展模式，事实上是统一运用前文论述的三维数据模型的有效融合，以植物数字为核心内容的综合计算。在设施农业生产过程中，必须按照网络三维交互，提供仿真应用的管理与服务界面。这套系统立足于设施农业的相关物联网情境，将电脑技术当作切入点，将作物的实际环境的变化当作感知信息，进行网络三维的展示与互动。按照三维网络实景交互的实际情况，为消费者构建了不同程度的在线虚拟环境。它重点涵盖了农事体验、虚拟漫游等非常具有代表性的服务，如此以来它可以强化设施农业的总体服务效能，增加了设施农业的经济价值，促使我国设施农业的不断升级与转型。
3设施农业物联网中运用情景感知技术的研究
此处将监测玉米的实际生长过程当作案例，重点采取情景感知计算，它涵盖了3个部分，依次是提供服务、数据处理与数据获取。一是数据获取，在该环节中，在田间安装各类光照、温度、湿度的视频监控设备与传感器。而且通过网络传输实施传输监测到的相关数据；在信息处理的过程中，首先是识别与分析前面收集的各种信息，而且要提取有用信息，联系玉米生长的相关模型，分析这些信息实施适应性。通过此类方法收集相关信息，大部分属于图像信息与视频数据。在这种情况下，应该采取图像处理方法，把各种图像信息与视频，转变成语义理解，在此基础上把握玉米的实际生长态势，涵盖整齐度、株高、株行距等多种参数。最终是对上述信息构建整体性计算模式，以有效分析相关信息，获得有关结论，为相关决策人员提供有益的借鉴和参考。
生物技术数据分析篇7
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8
【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.
生物技术数据分析篇9
【关键词】大数据信息处理
互联网被认为是二十世纪人类最伟大的发明之一，数十年间，它迅速影响着我们每个人的生活方式，甚至思维习惯。如今，另一个新事物――大数据的诞生，被称为是继互联网之后的又一次it革命。
1大数据的概念
大数据本身就是一个很抽象的概念，提及大数据很多人也只能从数据量上去感知大数据的规模，如：百度每日新增数据10tB，要处理超过100pB的数据；腾讯总存储数据量经压缩处理以后在100pB左右，并且这一数据还在以日新增200tB到300tB，月增加10%的数据量不断增长，现在正在为1000个pB做准备。但仅仅是数据量并不能区分大数据与传统的海量数据的区别。比较有影响力的Gartner公司给出了大数据的定义：大数据是高容量、高生成速率、种类繁多的信息价值，同时需要新的处理形式去确保判断的作出、洞察力的发展和处理的优化。这种定义不仅是数据规模大，更重要的是如何从这些动态快速生成的数据流或数据块中获取有用的具有时效性价值的信息。
2大数据处理技术
传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。对依靠并行计算提升数据处理速度方面而言，传统的并行数据库技术追求高度一致性和容错性，根据Cap理论，难以保证其可用性和扩展性。传统的数据处理方法是以处理器为中心，而大数据环境下，需要采取以数据为中心的模式，减少数据移动带来的开销。因此，传统的数据处理方法，已经不能适应大数据的需求！大数据的出现也必然伴随着新的处理工具和新技术的出现。
2.1基于数据采集的大数据处理技术
2.1.1系统日志采集方法
很多互联网企业都有自己的海量数据采集工具，多用于系统日志采集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，这些工具均采用分布式架构，能满足每秒数百mB的日志数据采集和传输需求。
2.1.2网络数据采集方法：对非结构化数据的采集
网络数据采集是指通过网络爬虫或网站公开api等方式从网站上获取数据信息。该方法可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件，并以结构化的方式存储。它支持图片、音频、视频等文件或附件的采集，附件与正文可以自动关联。
除了网络中包含的内容之外，对于网络流量的采集可以使用Dpi或DFi等带宽管理技术进行处理。
2.1.3其他数据采集方法
对于企业生产经营数据或学科研究数据等保密性要求较高的数据，可以通过与企业或研究机构合作，使用特定系统接口等相关方式采集数据。
2.2基于数据存储的大数据处理技术
分布式数据存储处理技术的具体实现时由谷歌公司提出的GFS技术。此技术在iBm，百度等公司得到了大量的应用和快速发展。分布式存储利用的是列存储的概念。列存储是以列为单位进行存储，姓比于行存储，其具有数据压缩，快循环等优点。当今流行的技术的行列混合式存储结构，该结构能够快速加载海量数据，缩短查询时间，高效利用磁盘空间等。
2.3基于数据分析及挖掘的大数据处理技术
2.3.1基于内容的数据挖掘
基于内容的数据挖掘的主要内容为网络搜索技术和实体关联分析。当今的互联网信息搜索的热点为排序学习算法，排序学习算法的提出主要针对社会媒体的信息量，社会媒体的关注数据的特点为短文本特征，排序学习算法正是基于此特征提出，常见的排序学习算法主要有逐点，逐对和逐列。
2.3.2遗传算法和神经网络
遗传算法的提出时借鉴生物界的进化规律演化的随机化搜索办法，遗传办法的寻优办法采用概率化，其能自动调整搜索方向。遗传算法技术已经被应用在机器学习、信号处理、物流选址等多方面。神经网络的提出启发来自生物神经网络结构的运作。神经网络算法模拟动物运动神经的网络行为，是进行分布式并行信息处理的数学算法。
2.3.3分类分析和聚类分析
分类分析是指首先对数据点进行归类，然后确定新的数据点。在明确假设和客观结构的前提下，预测客户行为。而聚类分析，是指在不知道限制因素的前提下，将集合分若干对象组，然后对对象进行分析。分类分析和聚类分析主要应用于数据挖掘。
2.3.4关联规则学习和机器学习
关联规则学习是指在数据处理的过程中找到数据之间的关联规则。而机器学习是研究计算机模拟人类的学习行为，重新组织已有的知识体系。关联学习和机器学习也用于数据挖掘
2.3.5数据分析技术
数据分析技术主要包括情感分析、网络分析、空间分析、时域序列分析和回归分析。其中情感分析是对自然语言进行主观分析，网络分析是基于网络的特征分析。空间分析是集拓扑、几何和地理编码的技术统计分析。
2.3.6数据高效索引
谷歌公司提出的BiGtaBLe技术是目前主流的索引技术。目前的研究热点是聚簇索引和互补式聚簇索引。同时结合查询结果估算办法，进行最优数据查询的计划。
2.4基于数据展现和应用的大数据处理技术
为了方便人们对大数据分析结果的理解和沟通，需要可视化技术进行创建图片、图表和动画等等。Clustergram是可视化技术，该技术基础是聚类分析。该技术用于显示数据集的个别成员如何分配到集群。
3结论
随着数据量的不断增加，以及社会各界对大数据重视程度的不断提升，对大数据处理的技术也会不断发展与更新。这些技术将朝着更加便利化、合理化、人性化方向发展。通过这些技术的处理分析，大数据所承载的信息会更加适合企业和个人解读，进而为大数据时代的企业带来不可估量的信息价值。
参考文献
[1]赵卓峰，房俊.针对高速数据流的大规模数据实时处理方法[J].计算机学报，2012，35（3）：477-490.
[2]崔杰，李陶深，兰红星.基于Hadoop的海量数据存储平台设计与开发[J].计算机研究与发展，2012，49（zl）：12-18.
[3]覃雄派，王会举，杜小勇.大数据分析―RDBmS与mapReduce的竞争与共生[J].软件学报，2012，23（1）：32-45.
[4]耿秋，孟剑.大数据时代机遇和挑战[J].中国新时代，2012：172.
作者单位
生物技术数据分析篇10
【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.