一种基于自学习的数据中心控制系统的制作方法

本发明公开一种数据传输技术，尤其是涉及一种基于自学习的数据中心控制系统。

背景技术：

1、数据中心操作系统的管理员可以通过各种工具和技术的结合，在单个数据中心操作系统就能完成对多个服务器的管理工作，这样能让工作更有效率。

2、对于个人健康的管控一般以7日作为一个周期，如现代医学中，手术后拆线的最佳时间是术后第7天，器官移植后出现的排异现象常发生在术后的第7、14、21或28，人体组织工作效能在一周内会表现出周期性的变化，日常体征信息变化中可以检测和干预来达到预防阻止疾病和症状的进一步发展，为此通过一些检测手段监测在一定短的周期内管理个人健康基础信息，并根据此构建多个短的周期形成的长周期健康管理具有相当重要性，而大多数检测手段或采用定期体检的方式，但该种方式较依赖医生诊断，且需要耗费较多的时间，并且在短周期内监测管理的信息量不足，难以较好的得到个人健康情况。

技术实现思路

1、本发明的目的是为了解决上述的问题而提供一种基于自学习的数据中心控制系统。

2、为实现上述目的，本发明提供了如下技术方案：一种基于自学习的数据中心控制系统，包括健康模型管理系统，所述健康模型管理系统具有以下构建模型流程：

3、ⅰ，假定用户的个人健康基线包括体征信息、场景、睡眠时间、时段作为监测数据，并将这些监测数据作为一个四元组，分别用l、c、r、t表示，每个元组记为一个集合，集合表示如下：

4、体征信息；

5、场景；

6、睡眠时间；

7、时段；

8、用表示第t天的i时段集合；

9、ⅱ，定义健康模型规则如下：

10、（1）用户在i时段只能处于一个地点j，且睡眠地点和其余地点场景互斥，约束条件hk或rk表示如下：

11、∀i∈t，∀j∈r或者∀j∈h，≤1或≤1；

12、约束条件hk为一个周期内在其余地点场景的逗留次数，rk表示一个周期内在睡眠地点的逗留次数；

13、（2）用户在睡眠地点或其余地点场景hj的i时段下，监测的体征信息模型表示为：

14、∀i∈t，∀j∈r或者∀j∈h，=l或=l；

15、确定决策变量为地点j（l,c,rort）；

16、（3）健康模型目标函数为：

17、。

18、作为优选，在健康模型管理系统中，体征信息包括用户基础信息和行为数据信息，用户基础信息包括性别、年龄、身高、体重、常规血压、体质指数的数据信息，行为数据信息包括呼吸率、心率、实时血压的检测信息，健康模型管理系统构建无监督学习算法，由行为数据信息作为未标记的样本数据中进行学习模式和结构，并采用k-means聚类算法，算法构筑流程如下：

19、ⅰ，引入欧氏距离：

20、；

21、其中，样本中的数据对象表示为x，样本数据的第i个聚类中心ci；空间中数据对象的维度取二维或三维，表示为m；样本数据的对象的第j个属性值表示为xj；第i个聚类中心的第j个属性值表示为cij；

22、ⅱ，涉及样本数据的轮廓系数sse计算如下：

23、sse=

24、其中，k为簇的个数；

25、ⅲ，k-means聚类算法的实现步骤如下：

26、1）读取模型点云数据；

27、2）最远点采样选取聚类中心点；

28、3）确定聚类中心，每当有一个样本被分配给聚类中心时，聚类中心根据已有的分配对象数据进行新一轮运算，将每个对象与k个聚类中心之间的距离计算并得出数据，根据规则距离聚类中心近的对象，和聚类中心一起自动划分成一个集合；

29、4）数据归集分类，形成k个集合，计算所有数据集合的聚类中心；

30、5）若计算获得的聚类中心与原来随机选取聚类中心之间的距离小于原设定阈值时，表示系统重新计算获得的聚类中心与初始聚类中心相近，该数据满足期望效果，此时终止计算；

31、若不满足原设定阈值则3）～5）迭代运行直到终止计算。

32、作为优选，在k-means聚类算法的流程ⅲ中的最远点采样步骤如下：

33、ⅰ，将样本数据按照维度生成点云图，在n个点的点云中采样m个点，选择与点云中心距离最远的点b0作为起始点，定义点集合s=；

34、ⅱ，引入数组l记录所有n个点与点云数据采样点集合s相距的最小距离，并将最小距离赋值给b0，所有n个点与点云数据采样点集合s相距的距离最大值赋值给b1，则得到所需的采样点集合s=；

35、ⅲ，计算所有点到b1的距离，定义l［i］为数组中的第i个所有点的最小距离最大的点，把所有点到b1的距离与l［i］相比；

36、若距离小于l［i］，则赋值给l［i］，从中数组l中选取最大值对应的点b2加入点云数据采样点集合s=；

37、ⅳ，重复ⅰ-ⅲ的步骤，直到完成对m个点的采样。

38、作为优选，在健康模型管理系统中加入监督学习算法，将通过k-means聚类算法得到的标准样本数据作为参照，以该参照调整数据分类器的参数并训练网络采用向量机svm的方法得到该参数的监督学习算法模型。

39、作为优选，通过监督学习算法训练生成用户周期规律的包含行为数据信息的身体状况和活动模式，并通过智能穿戴设备实时监测和比对标周期内的身体状况和活动模式进行健康预警。

40、作为优选，引入滚动训练机制，健康模型加入新的数据时，通过增量学习方法不断更新个性化健康模型的基线。

41、与现有技术相比，本发明的有益效果是：

42、通过健康模型管理系统构建用户的个人健康基线，并通过k-means聚类算法构建用户的体征信息包括用户基础信息和行为数据信息；通过k-means聚类算法进行周期构建模型，监测用户的周期内的动态数据，并针对预设阈值来管理和告警，从而达到自学习和滚动学习机制，健康模型加入新的数据时，通过增量学习方法不断更新个性化健康模型的基线。

技术特征：

1.一种基于自学习的数据中心控制系统，其特征在于，包括健康模型管理系统，所述健康模型管理系统具有以下构建模型流程：

2.根据权利要求1所述的一种基于自学习的数据中心控制系统，其特征在于，在健康模型管理系统中，体征信息包括用户基础信息和行为数据信息，用户基础信息包括性别、年龄、身高、体重、常规血压、体质指数的数据信息，行为数据信息包括呼吸率、心率、实时血压的检测信息，健康模型管理系统构建无监督学习算法，由行为数据信息作为未标记的样本数据中进行学习模式和结构，并采用k-means聚类算法，算法构筑流程如下：

3.根据权利要求2所述的一种基于自学习的数据中心控制系统，其特征在于，在k-means聚类算法的流程ⅲ中的最远点采样步骤如下：

4.根据权利要求3所述的一种基于自学习的数据中心控制系统，其特征在于，在健康模型管理系统中加入监督学习算法，将通过k-means聚类算法得到的标准样本数据作为参照，以该参照调整数据分类器的参数并训练网络采用向量机svm的方法得到该参数的监督学习算法模型。

5.根据权利要求4所述的一种基于自学习的数据中心控制系统，其特征在于，通过监督学习算法训练生成用户周期规律的包含行为数据信息的身体状况和活动模式，并通过智能穿戴设备实时监测和比对标周期内的身体状况和活动模式进行健康预警。

6.根据权利要求5所述的一种基于自学习的数据中心控制系统，其特征在于，引入滚动训练机制，健康模型加入新的数据时，通过增量学习方法不断更新个性化健康模型的基线。

技术总结本发明公开一种基于自学习的数据中心控制系统，属于数据传输技术领域，包括健康模型管理系统，采集获取体征信息，包括用户基础信息和行为数据信息，用户基础信息包括性别、年龄、身高、体重、常规血压、体质指数的数据信息，行为数据信息包括呼吸率、心率、实时血压的检测信息，健康模型管理系统构建无监督学习算法，由行为数据信息作为未标记的样本数据中进行学习模式和结构，本发明通过自学习监督算法在数据没有标签的情况下，从未标记的数据中学习模式和结构，从体征信息数据本身提取信息，发现体征信息数据的内在规律和特征，从而构建个人健康基线学习模型。技术研发人员：冯伟红,林其达受保护的技术使用者：厦门福慧康电子科技有限公司技术研发日：技术公布日：2024/10/17