基于云計(jì)算的海量高校體育數(shù)據(jù)建模與分析

王寧濤

摘 要： 為了提高高校體育信息的管理分析能力，針對(duì)當(dāng)前高校體育數(shù)據(jù)庫(kù)建立和信息檢索的實(shí)時(shí)性和系統(tǒng)性不好的問(wèn)題，提出基于云計(jì)算的海量高校體育數(shù)據(jù)建模與分析方法，構(gòu)建高校海量體育數(shù)據(jù)的分布式數(shù)據(jù)庫(kù)模型。在云計(jì)算環(huán)境下進(jìn)行數(shù)據(jù)庫(kù)訪問(wèn)模型設(shè)計(jì)，采用K均值數(shù)據(jù)聚類(lèi)方法進(jìn)行體育數(shù)據(jù)的可靠性挖掘，實(shí)現(xiàn)高校體育數(shù)據(jù)的優(yōu)化信息調(diào)度和檢索分析。仿真結(jié)果表明，采用該模型進(jìn)行高校海量體育數(shù)據(jù)分析的實(shí)時(shí)性較好，數(shù)據(jù)挖掘的精度較高。

關(guān)鍵詞： 云計(jì)算； 海量數(shù)據(jù)； 數(shù)據(jù)挖掘； K均值

中圖分類(lèi)號(hào)： TN911.1?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）07?0105?04

Mass college sports data modeling and analysis based on cloud computing

WANG Ningtao

（Zhongzhou University， Zhengzhou 450044， China）

Abstract： In order to improve the management and analysis capabilities of the college sports information， and aiming at the poor real?time performance and systematicness of the current college sports database establishment and information retrieval， a massive college sports data modeling and analysis method based on cloud computing is proposed. The distributed database model of the college mass sports data was constructed. The database access model was designed under cloud computing environment. The K?means data clustering method is used to mine the sports data reliably to realize the optimization information scheduling and retrieval analysis of the college sports data. The simulation results show that the model has high real?time performance to analyze the college massive sports data， and high data mining accuracy.

Keywords： cloud computing； massive data； data mining； K?means

0 引 言

隨著海量大數(shù)據(jù)信息處理技術(shù)的發(fā)展，采用云計(jì)算進(jìn)行大數(shù)據(jù)信息分析能提高數(shù)據(jù)處理的并行能力和計(jì)算速度，結(jié)合云存儲(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)存儲(chǔ)和訪問(wèn)，提高海量數(shù)據(jù)存儲(chǔ)的容量[1?2]。高校的體育數(shù)據(jù)信息管理是通過(guò)對(duì)體育數(shù)據(jù)信息的特征分析，結(jié)合大數(shù)據(jù)信息處理，挖掘高校海量體育數(shù)據(jù)信息的規(guī)律性特征，掌握學(xué)生體育訓(xùn)練的成績(jī)和分布，結(jié)合專(zhuān)家系統(tǒng)和經(jīng)驗(yàn)判斷，進(jìn)行體育訓(xùn)練水平的研究和判斷[3]。

為制定合理的體育訓(xùn)練和管理制度提供數(shù)據(jù)基礎(chǔ)，本文針對(duì)當(dāng)前體育數(shù)據(jù)處理的并行度不高，系統(tǒng)性不強(qiáng)的問(wèn)題，提出一種基于云計(jì)算的高校體育數(shù)據(jù)建模分析方法，通過(guò)構(gòu)建數(shù)據(jù)庫(kù)管理模型，結(jié)合數(shù)據(jù)庫(kù)訪問(wèn)和數(shù)據(jù)挖掘技術(shù)，實(shí)現(xiàn)體育數(shù)據(jù)管理建模。

1 海量高校體育數(shù)據(jù)的數(shù)據(jù)庫(kù)

1.1 數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)的散布點(diǎn)集合

海量高校體育數(shù)據(jù)是一組非線性時(shí)間序列，采用非線性時(shí)間序列分析方法進(jìn)行云計(jì)算分析，假設(shè)體育數(shù)據(jù)在云計(jì)算環(huán)境下的存儲(chǔ)結(jié)構(gòu)模型為[G（0）=（V，E，LV，LE，μ，η），][η：E→LE]是兩個(gè)分布式的云計(jì)算特征映射，體育數(shù)據(jù)管理的概念節(jié)點(diǎn)[G1=Mα1，Mβ1，Y1，][G2=Mα2，Mβ2，Y2，]令[A=][a1，a2，…，an]為海量高校體育數(shù)據(jù)特征矢量的模糊聚類(lèi)中心[4?5]，在給定的云計(jì)算特征分布結(jié)構(gòu)下進(jìn)行數(shù)據(jù)庫(kù)結(jié)構(gòu)模型構(gòu)建，本文假設(shè)云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)是可分類(lèi)的，引入一個(gè)物理數(shù)據(jù)層管理因子[β?0，0.5]，進(jìn)行數(shù)據(jù)庫(kù)的概念格分區(qū)，通過(guò)網(wǎng)格訪問(wèn)模式進(jìn)行高校體育數(shù)據(jù)的訪問(wèn)和調(diào)度，提高數(shù)據(jù)的處理能力，在限定初始特征信息下進(jìn)行海量高校體育數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)分析，利用指向性數(shù)據(jù)聚類(lèi)方法分析計(jì)算高校體育數(shù)據(jù)分布的散布點(diǎn)集合[S]，表示如下：

[S=U，A，V，f] （1）

令[x（n）]為海量高校體育數(shù)據(jù)的時(shí)頻采樣信息特征，待挖掘的體育數(shù)據(jù)的輸入模型為：

[g（t）=1πΔ2texp-t22Δ2t] （2）

通過(guò)對(duì)體育數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)的散布點(diǎn)集合進(jìn)行計(jì)算，得到散布點(diǎn)分布集合為：

[u（t）=Aexp（j2πf0t）+U] （3）

式中：[U]為體育數(shù)據(jù)采樣幅值論域；[A]為體育數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)的特征分布非空集合。

1.2 數(shù)據(jù)云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的調(diào)度

在給定的海量高校體育數(shù)據(jù)分布的權(quán)重指數(shù)下，數(shù)據(jù)庫(kù)特征分類(lèi)權(quán)重[ai]的屬性值為[p，]在有效的數(shù)據(jù)庫(kù)訪問(wèn)請(qǐng)求下，構(gòu)建云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的數(shù)據(jù)存儲(chǔ)信道模型，描述為：

[x（t）=Rean（t）e-j2πfcτn（t）sl（t-τn（t））e-j2πfct] （4）

其中，云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)中海量高校體育數(shù)據(jù)初始調(diào)度網(wǎng)格賦值表示為：

[U×A→V] （5）

為了實(shí)現(xiàn)體育數(shù)據(jù)管理數(shù)據(jù)庫(kù)信息模型構(gòu)建，采用自適應(yīng)信道加權(quán)方法進(jìn)行云存儲(chǔ)數(shù)據(jù)庫(kù)的網(wǎng)格分布區(qū)域擬合，得到數(shù)據(jù)庫(kù)分布的網(wǎng)格結(jié)構(gòu)為：

[c（τ，t）=nan（t）e-j2πfcτn（t）δ（t-τn（t））] （6）

式中：[an（t）]是第[n]條數(shù)據(jù)存儲(chǔ)通道上的時(shí)間?頻率聯(lián)合特征分析；[τn（t）]為第[n]條數(shù)據(jù)存儲(chǔ)路徑擴(kuò)展時(shí)延；[fc]為云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)中的數(shù)據(jù)屬性權(quán)重。

設(shè)定模糊算子映射到綜合評(píng)價(jià)矩陣，進(jìn)行初始化網(wǎng)格調(diào)度，得到云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)數(shù)據(jù)存儲(chǔ)節(jié)點(diǎn)的傳遞路徑的映射關(guān)系為：

[h（t）=i=1Paip（t-τi）] （7）

式中：[ai]和[τi]分別是云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)中海量高校體育數(shù)據(jù)的傳播損失和傳遞時(shí)延。

海量體育數(shù)據(jù)特征分布的狀態(tài)空間重構(gòu)為：

[y（t）=kx（kt）， k>0] （8）

[Wy（t，v）=Wx（kt，vk）] （9）

式中：[k]表示數(shù)據(jù)信息采樣頻率；[v]表示云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的存儲(chǔ)帶寬；[Wx]為時(shí)間窗口函數(shù)。

給出體育數(shù)據(jù)的云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的數(shù)據(jù)信息的靜態(tài)量化信息模型為：

[maxF（X）=（F1（X），F(xiàn)2（X），…，F(xiàn)n（X）） s.t. gj（X）≤0 ，j=1，2，…，p hk（X）=0，k=1，2，…，p] （10）

式中[gj（X）]為混合模型參量。

在體育數(shù)據(jù)云存儲(chǔ)散點(diǎn)狀態(tài)下，海量體育數(shù)據(jù)特征分類(lèi)訓(xùn)練集的屬性為：

[Vi（t+1）=wVi（t）+c1×rand（?）×（Pi-Xi（t））+ c2×rand（?）×（Pg-Xi（t））] （11）

結(jié)合時(shí)間序列分析方法得到海量高校體育數(shù)據(jù)存儲(chǔ)模型的調(diào)度概念格為：

[y（t）=x（t-t0）?Wy（t，v）=Wx（t-t0，v）y（t）=x（t）ej2πv0t?Wy（t，v）=Wx（t，v-v0）] （12）

2 海量高校體育數(shù)據(jù)挖掘

2.1 數(shù)據(jù)挖掘的關(guān)聯(lián)特征匹配

設(shè)海量高校體育數(shù)據(jù)最流樣本[S=X1，X2，…，Xk，…]分布于數(shù)據(jù)庫(kù)網(wǎng)絡(luò)空間概念格[T1，T2，…，TK，…]中，基于屬性集合進(jìn)行數(shù)據(jù)特征分類(lèi)，得到云計(jì)算環(huán)境下體育數(shù)據(jù)庫(kù)[i]層級(jí)的返回屬性狀態(tài)[x0（tk）]，輸入體育數(shù)據(jù)的訪問(wèn)執(zhí)行序列，即：

[uj（s；t0）=0， s∈[t0，t1]] （13）

假定數(shù)據(jù)結(jié)構(gòu)模型為某種幾何空間[S，]通過(guò)計(jì)算體育管理數(shù)據(jù)庫(kù)中的特征點(diǎn)[Xi]到另一個(gè)點(diǎn)[Xj]之間的距離，進(jìn)行數(shù)據(jù)挖掘的信息分布評(píng)估，得到節(jié)點(diǎn)時(shí)間的距離為：

[dist（Xi，Xj）=k=1d（xik-xjk）2] （14）

在云計(jì)算環(huán)境下的海量體育數(shù)據(jù)庫(kù)散布點(diǎn)中，通過(guò)特征映射構(gòu)建海量高校體育數(shù)據(jù)流挖掘的路徑訪問(wèn)圖模型，如圖1所示。

在圖1所示的訪問(wèn)模型中，每個(gè)時(shí)間片都可以用來(lái)處理體育數(shù)據(jù)挖掘的請(qǐng)求任務(wù)，通過(guò)區(qū)間概念格的信息點(diǎn)重組，對(duì)采集數(shù)據(jù)集合[S]通過(guò)關(guān)聯(lián)特征匹配，得到數(shù)據(jù)挖掘的關(guān)聯(lián)信息分布關(guān)系為：

[xk=f{xk-1，uk-1，wk-1}] （15）

式中：[wk]為預(yù)測(cè)權(quán)重；[uk]為讀取該批數(shù)據(jù)流中的一個(gè)數(shù)據(jù)點(diǎn)的特征值。

在云計(jì)算分布幾何空間[S]中，數(shù)據(jù)挖掘的關(guān)聯(lián)特征匹配式為：

[indP=x，y∈U2ax=ay，?a∈P] （16）

式中：云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)散布點(diǎn)的關(guān)聯(lián)特征匹配關(guān)系是一種一一映射等價(jià)關(guān)系；[indP]等價(jià)于各種條件的集合。

2.2 數(shù)據(jù)的K均值聚類(lèi)挖掘

在進(jìn)行海量高校體育數(shù)據(jù)挖掘的關(guān)聯(lián)特征匹配的基礎(chǔ)上，采用K均值聚類(lèi)方法進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)高校體育數(shù)據(jù)的優(yōu)化信息調(diào)度和檢索分析[6]。設(shè)定海量體育數(shù)據(jù)訪問(wèn)的時(shí)間控制閾值[Tsim∈（0，1]]，設(shè)任意兩個(gè)聚類(lèi)屬性簇頭節(jié)點(diǎn)[Mi]與[Mj]的中心距離為[Clustdist（Mi，Mj）]，利用K?Means算法聚類(lèi)得到體育數(shù)據(jù)的云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的數(shù)據(jù)關(guān)系[A={A1，A2，…，Am}]，其中，體育數(shù)據(jù)的二叉分類(lèi)屬性滿(mǎn)足[（i≠j，1≤i≤q，1≤j≤q）]，確定體育數(shù)據(jù)流挖掘的約束向量，通過(guò)訪問(wèn)路徑控制，得到整個(gè)搜索空間的特征相似度表示為：

[B2=4πEx-∞+∞（v-vm）2X（v）2dv] （17）

通過(guò)設(shè)計(jì)K均值聚類(lèi)的傳輸算子[hi（t）]，進(jìn)行海量高校體育數(shù)據(jù)的路徑訪問(wèn)控制，定義該距離為兩簇合并的距離mergedistance[7]，得到海量高校體育數(shù)據(jù)在云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的平均互信息特征集為：

[D″i，jtn+1=D′i，jtn+1+fnD′i，jtn2] （18）

查詢(xún)獲得的信任值，在K均值聚類(lèi)下進(jìn)行特征空間壓縮，執(zhí)行數(shù)據(jù)挖掘的平滑處理，得到平滑算子為：

[dfssi，j=dfsi，j?hσf] （19）

設(shè)每個(gè)數(shù)據(jù)聚類(lèi)中心矢量[Xi]都是[d]維的，記作[Xi=（xi1，xi2，…，xid），]其中任一訓(xùn)練樣本[Xk=][xk1，xk2，…，xkm，…，xkM，]通過(guò)對(duì)云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)的初始查詢(xún)，得到模型為：

[x′j（k）=11+e-u′i（k）， j=1，2，3] （20）

建立數(shù)據(jù)庫(kù)整體邏輯映射的查詢(xún)條件機(jī)制，進(jìn)行數(shù)據(jù)流相鄰時(shí)間段模式匹配，在屬性值和用戶(hù)檢索機(jī)制中設(shè)定查詢(xún)條件，令[x（n）]為有限數(shù)據(jù)長(zhǎng)度的數(shù)據(jù)信息特征，通過(guò)K均值聚類(lèi)，得到體育數(shù)據(jù)庫(kù)的訪問(wèn)互信息量為[Rx，c′i（τ）=E[x*（t）c′i（t+τ）]=Ej=1nc*j（t）c′i（t+τ）=E[c*1（t）c′i（t+τ）]+…+E[c*i（t）c′i（t+τ）]+…+ E[c*n（t）c′i（t+τ）]=Rci，c′i（τ）+j=1，j≠inRcj，c′i（τ）=Rci，c′i（τ）]

式中：[i=1，2，…，n，]進(jìn)行索引指令控制。

通過(guò)權(quán)向量編碼，在K均值聚類(lèi)下[8]，高校體育數(shù)據(jù)挖掘輸出的屬性集合冪級(jí)指數(shù)信息為：

[rt+1i=r0i1-exp（-λt）] （22）

在K均值聚類(lèi)分析中，采用時(shí)間?頻率聯(lián)合特征分析進(jìn)行云計(jì)算存儲(chǔ)數(shù)據(jù)庫(kù)中的海量高校體育數(shù)據(jù)的時(shí)域分析，判斷進(jìn)化代數(shù)，通過(guò)權(quán)向量編碼得到海量高校體育數(shù)據(jù)的頻域特征狀態(tài)空間重組計(jì)算式為：

[X0i=（x0i1，…，x0in，…，x0id）， i=1，2，…，p] （23）

通過(guò)上述處理，采用K均值數(shù)據(jù)聚類(lèi)方法進(jìn)行體育數(shù)據(jù)的可靠性挖掘， 實(shí)現(xiàn)了基于云計(jì)算的海量高校體育數(shù)據(jù)建模分析。

3 仿真測(cè)試與結(jié)果分析

在Matlab和C++仿真平臺(tái)上進(jìn)行海量高校體育數(shù)據(jù)建模分析仿真實(shí)驗(yàn)，數(shù)據(jù)序列的原始樣本數(shù)據(jù)源于某高校體育部提供的學(xué)生體育成績(jī)的相關(guān)數(shù)據(jù)信息，體育數(shù)據(jù)的統(tǒng)計(jì)時(shí)間為2012年9月20日—2016年6月30日，構(gòu)建體育數(shù)據(jù)的分布時(shí)間序列，時(shí)間序列樣本長(zhǎng)度為1 024，進(jìn)行體育信息管理的云計(jì)算數(shù)據(jù)庫(kù)構(gòu)建，數(shù)據(jù)庫(kù)特征空間的維度設(shè)置為4，體育數(shù)據(jù)庫(kù)訪問(wèn)的迭代次數(shù)為100，首先進(jìn)行體育數(shù)據(jù)信息流模型構(gòu)建，采用非線性時(shí)間序列分析方法得到體育數(shù)據(jù)在兩組統(tǒng)計(jì)通道上的時(shí)域采樣結(jié)果，如圖2所示。

以上述高校體育數(shù)據(jù)的測(cè)試樣本集在云計(jì)算環(huán)境下進(jìn)行數(shù)據(jù)庫(kù)訪問(wèn)模型設(shè)計(jì)，采用K均值數(shù)據(jù)聚類(lèi)方法進(jìn)行體育數(shù)據(jù)的挖掘，圖3描述的是不同方法進(jìn)行體育數(shù)據(jù)挖掘訪問(wèn)的時(shí)間開(kāi)銷(xiāo)對(duì)比，圖4給出了挖掘的精度對(duì)比，分析仿真結(jié)果得知，采用本文方法進(jìn)行海量高校體育數(shù)據(jù)庫(kù)建模和數(shù)據(jù)挖掘分析，時(shí)間開(kāi)銷(xiāo)較小，說(shuō)明進(jìn)行數(shù)據(jù)分析的實(shí)時(shí)性較高，數(shù)據(jù)挖掘精度較高，數(shù)據(jù)訪問(wèn)檢索的精度和可靠性較優(yōu)。

4 結(jié) 語(yǔ)

本文研究高校體育數(shù)據(jù)庫(kù)模型的構(gòu)建和數(shù)據(jù)挖掘問(wèn)題，為提高高校體育信息的管理分析能力，提出一種基于云計(jì)算的海量高校體育數(shù)據(jù)建模與分析方法，構(gòu)建高校海量體育數(shù)據(jù)的分布式數(shù)據(jù)庫(kù)模型，在云計(jì)算環(huán)境下進(jìn)行數(shù)據(jù)庫(kù)訪問(wèn)模型設(shè)計(jì)，采用K均值數(shù)據(jù)聚類(lèi)方法進(jìn)行體育數(shù)據(jù)的可靠性挖掘，實(shí)現(xiàn)高校體育數(shù)據(jù)的優(yōu)化信息調(diào)度和檢索分析。仿真結(jié)果表明，采用該模型進(jìn)行高校海聯(lián)體育數(shù)據(jù)分析的實(shí)時(shí)性較好，數(shù)據(jù)挖掘的精度較高，可靠性較好，具有一定的應(yīng)用前景。

參考文獻(xiàn)

[1] 嚴(yán)海芳，蔣卉，張文權(quán).用MCEM加速算法估計(jì)多序列無(wú)根樹(shù)最優(yōu)分支長(zhǎng)度[J].湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2014，36（2）：13?16.

[2] 劉穎，蘇俊峰，朱明強(qiáng).基于迭代容積粒子濾波的蒙特卡洛定位算法[J].信息與控制，2013，42（5）：632?637.

[3] 徐金龍，趙榮彩，韓林.分段約束的超字并行向量發(fā)掘路徑優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用，2015，35（4）：950?955.

[4] 周亞蘭.基于FPGA的多通道數(shù)據(jù)解碼技術(shù)研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：32?34.

[5] 杜麗萍，李曉戈，周元哲，等.互信息改進(jìn)方法在術(shù)語(yǔ)抽取中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2015，35（4）：996?1000.

[6] YAMAMOTO K， CARUSONE A C. A 1?1?1?1 MASH delta?sigma modulator with dynamic comparator?based OTAs [C]// Proceedings of 2011 IEEE Custom Integrated Circuits. [S.l.]： IEEE， 2011： 1866?1883.

[7] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Know?ledge and information systems， 2015， 42（3）： 545?577.

[8] HILLS J， BAGNALL A， IGLESIA B， et al. BruteSuppression： a size reduction method for Apriori rule sets [J]. Journal of intelligent information systems， 2013， 40（3）： 431?454.