本文摘要：下面是两篇计算机工程类论文范文，第一篇论文介绍了增强现实技术发展分析及预测，在现实生活应用虚拟显示技术，增强真实性，在很多领域都有运用。第二篇论文介绍了健康大数据挖掘方法研究，从健康大数据的概念及特点入手，针对其数据挖掘问题进行了研究。
下面是两篇计算机工程类论文范文，第一篇论文介绍了增强现实技术发展分析及预测，在现实生活应用虚拟显示技术，增强真实性，在很多领域都有运用。第二篇论文介绍了健康大数据挖掘方法研究，从健康大数据的概念及特点入手，针对其数据挖掘问题进行了研究。
《增强现实技术发展分析及预测》
摘要：虚拟现实是指通过一系列技术手段使人们置身于虚拟世界中，而增强现实是指将虚拟的物体在真实世界中展现出来，所以增强现实更加真实也更加贴近生活，在现实生活中应用广泛。增强现实在工业领域最先提出，后来相继在医疗、军事、娱乐游戏、教育领域出现，可用于化学实验、建筑模拟、教学指导等。阐述了国内外增强现实的发展历程，对增强现实未来领域进行了展望。
关键词：增强现实;虚拟现实;发展领域
随着技术的发展，增强现实在越来越多的领域崭露头角。增强现实一词自1990年提出到现在历经27年，定义相对明了。Milgram P和Takemura H[1]在1994年通过广义和狭义两个维度定义了“增强现实”：广义上是指“增强自然反馈的操作与仿真的线索”;狭义上注重技术方面，认为增强现实是“虚拟现实的一种形式，其中参与者的头盔式显示器是透明的，能清楚地看到现实世界”。
增强现实来源于虚拟现实，其通过一些技术手段让现实中的场景和真实世界相结合，从而增强用户体验。增强现实相对于虚拟现实来说，是对真实世界的延伸，是在真实事物上对虚拟事物的叠加，更加真实也更加贴近生活;从技术手段来说，增强现实技术比虚拟现实技术要困难一些，需要对现实事物进行识别并在真实背景上导入虚拟事物，识别的准确性及背景事物的复杂性对技术要求相对高一些;从应用领域来说，增强现实应用的領域比虚拟现实更广，因为虚拟现实创建场景工作量巨大，而增强现实不存在这种问题，只需要将虚拟事物制作出来，相对简单且成本低，受设备限制少，因此可以应用在更多领域。
1增强现实发展分析
1.1增强现实国内发展分析
国内最早提及增强现实一词是在1998年中国智能自动化学术会议上，由杨斌等[2]提出“虚拟环境中有3种技术：虚拟现实、增强现实和临场感”，并给出了立体视觉技术相应的计算公式。2000年刘渭滨等[3]提出了“AVR(From actua reality to virtua reality，即由真实现实到虚拟现实的转换)理论”，这个理论的提出，使真实事物在虚拟建模时更加精确，并且减少了建模工作量，对增强现实技术有着重要意义。
2004年，计算机在国内大面积普及，有关计算机的各项学术活动创出新高，增强现实也得到了大力发展。在第三届全国数字成像技术及相关材料发展与应用学术研讨会中，刘越等[4]首次提出了一个相对比较完整的理论体系。同时，也首次提出将增强现实技术应用在教育及工业仪器设备制造中，扩展了增强现实的应用领域。
2008年，陈靖等[5]首次提出将增强现实技术应用到旅游产业中，“基于关键帧匹配的增强现实跟踪注册算法，实现圆明园大水法遗址的数字重现”，让人们可以看到全盛时期圆明园的宏伟景观。在随后的几年中，增强现实主要应用在地理地图或三维实时导航上，一般在校园或博物馆3D漫游中的应用比较多。
直到2010年，增强现实首次明确出现在教学中。余明媚等 [6]从中小学教育、特殊教育、职业教育等方面，对增强现实在教育中的应用作了一个完整的综述，为增强现实未来几年在教育方面的发展奠定了基础，同时也为研究指明了方向。
随着2016年虚拟现实元年的到来，虚拟现实的发展带动了增强现实技术的提高，应用领域也扩展到了军事模拟、网络购物、教育游戏等领域。娱乐领域是增强现实一个很重要的应用领域。2016年腾讯QQ推出的AR火炬传递，引起了增强现实应用的火热浪潮。腾讯QQ跟随《神偷奶爸3》上映的脚步，推出营救小黄人“扫香蕉”的活动中，用户使用手机摄像头扫描一根香蕉，手机屏幕上就会出现不同的小黄人造型，引起广泛关注。增强现实的应用除了创意与艺术表现外，技术上的不断钻研进步更令人惊喜。
1.2增强现实国外发展分析
国外增强现实的字眼在1993年的ACM(国际计算机组织)中就出现了，比国内早了整整6年，Steven Feine[7]写到，增强现实 “发展了计算机视野，使用目标识别技术，利用技术创造一个新的复杂的增强现实应用，呈现一种人类接触自然的新方式”，而Wendy Mackay[8]则认为增强现实“能够在纸上扩展计算的规模”。
1994年Greenleaf W J[9]更加详细说明了增强现实的功能，“可将真实世界分为3种空间：视觉、听觉和触觉”，首次提出“将一些增强现实的技术应用到残疾人的日常生活中”，从而开发了增强现实的第一个应用领域。随着计算机技术的发展，增强现实逐渐出现在大众视野内，应用领域也从医学领域的外科转向了内科，并且提出了用增强现实技术注解现实世界的事物，这才是增强现实最基本的功能。某些医院推出了游戏打针，通过增强现实技术，使用增强现实设备，小孩便可同虚拟视野里面的小人进行交流，获得小孩的信任之后，虚拟的小人指导小孩通过完成游戏中任务的形式来完成打针，从而减轻小孩打针时的恐惧感和疼痛感，打针成功的小孩还会获得一枚勋章。从此，小孩打针不再是家长头疼的一件事情，相反还变成了小孩引以为傲的事情。
1996年，首次提出了利用增强现实工具进行3D解剖，同时又提出另外一个领域的应用，就是运动分析。现今运动分析非常流行，很好地迎合了热爱健康热爱运动这一类人群的需求。比如骑自行车减肥，减肥本是一件痛苦的事情，还要通过单调的骑自行车来完成，岂不是更无聊?如果用户可以在完全沉浸式的环境中，比如在一个鸟语花香的大自然中，或者更刺激更有挑战的大峡谷中完成自行车的骑行里程，这样的减肥方式有谁不愿意尝试呢?
1999年，首次提出将增强现实应用于工业、标签追踪等领域。在此后的几年中，增强现实依然主要应用于医学领域。2001年增强现实则首次应用于城市规划中，Jie Shen等[10]提出增强现实“利用这种基于影像的思想，不仅节省了更多时间，而且比传统的基于制图法的虚拟现实更加真实和客观”。Sygic最近推出针对Android手机和平板电脑的GPS导航应用程序的AR功能——Real View Navigation，该新功能可以让手机摄像头扫描行驶路线和周边情况，将模拟的路况附加在真实路面上，用户在汽车行驶过程中只需要观察路面就可以了解导航情况，不需要看导航，同时该软件还可提供路边的信息，比如加油站、周边景点、酒店旅馆等信息，这些信息不会影响到驾驶员的视线。
2010年迎来了增强现实的春天。这年，增强现实的应用扩展到了很多领域，尤其是教育领域。在教学环境中采用一种新的教学方式，用现有的课程加上一些符合教学规律的活动，组成一个化学虚拟现实学习系统(CARLS)[11]。历经几年的探索，从刚开始建立一个全新的学习系统，到现在借助之前存在的系统加以修改补充，变成即便没有受过专业训练的教师也可以简单完成的系统，节省了教师学习、熟悉、制作新系统的时间及成本。
随着移动学习和深度学习的成熟，增强现实也加入到移动学习的大家族中，随时随地使用增强现实已经实现，各种各样的增强现实型游戏、甚至是电子书，还有越来越多的应用程序软件都携带增强现实功能，增强现实技术得到了空前的发展。
增强现实从刚开始的一个设想，到有了简单的理论支撑，理论指导实践，又有了增强现实的实现技术，实践充实理论，有了完整的理论支撑，从而发展成一个研究领域。这中间经历了无数次的尝试，无数前辈为之奉献，才有了今天所看到的增强现实这么多的应用领域。
2增强现实技术未来展望
在未来，增强现实的应用如同WiFi一样实现全面覆盖。在一堂课上，教师应用增强现实技术给学生展示一些晦涩难懂的知识，比如天体的运转、生物分子结构等，学生可佩戴相关设备(简单轻便，可随身携带)观看教师的展示。如果有学生生病或其它原因缺席，这位学生可在家或病房观看教师的演示，整个过程这位学生一样可全程参与，如同现在的远程教育。
增强现实在医疗方面尤其在手术中的应用变得越来越重要。可以通过拍摄CT或者扫描得到的人体内部结构，构建出增强现实的立体画面，不论主治医生还是实习医生都能看清病人的具体情况，从而给出最完美的解决方案，同时也可通过增强现实手段实施院外甚至是省外专家的实时会诊。这些珍贵的资料都可保存下来，为医学院学生提供更好的学习机会。
增强现实在职业教育方面的应用也有很大的提升空间。在未来的职业教育中，学生可通过增强现实技术安装虚拟电机，如果中途或最后的测试阶段出现错误导致虚拟电机无法正常运转，学生可远程连线校外有经验的工程师。工程师可看到学生安装虚拟设备的情况，不仅可通过语言指导，还能在虚拟环境中通过增强现实设备动手演示，解决学生的问题，这是另外一种形式的工学结合。
现今只要是稍具规模的购物商场，都会出现一个VR体验店，很受年轻人欢迎，相信在不久的将来，增强现实会很快研发出各种触手可得的娱乐项目，推出AR体验店。
参考文献参考文献：
[1]MIGRAM，TAKEMURA，UTSUMI，et al.Augmentedreality：a class of displays on the realityvirtuality continuum[J].Spie，1994，2351(34)：282292.
[2]杨斌，叶榛，王家廞.虚拟环境中立体视觉的技术与应用[C].1998年中国智能自动化学术会议，1998.
[3]刘渭滨，张超，袁保宗.AVR虚拟环境建模理论与实践[C].中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议，2000.
========================================================================================================================================================================
《健康大数据挖掘方法研究》
摘要：为了应对当今社会健康数据持续性爆炸增长的态势，从健康大数据的概念及特点入手，针对其数据挖掘问题进行了研究，明晰了健康大数据挖掘的基本流程，重点分析比对了传统与新兴数据挖掘算法的异同及其应用范围，并对健康大数据挖掘的意义及面临的挑战进行了阐述。最后得到结论，只有将现有的挖掘算法与新兴技术结合起来，才是未来健康大数据挖掘的发展趋势。
关键词关键词：健康大数据;数据挖掘;健康医疗
0引言
随着现代科技的进步，尤其是信息技术的高速发展，传统数据模式已不足以满足人们的需求，因此大数据引起了人们的广泛关注。人工智能和数据挖掘技术的成熟也为健康大数据的发展带来契机，人们身边无时无刻不在流动着大量有关健康方面的信息，但是这些数据分散在不同的医院、健康公司甚至个人医疗系统中，而这些系统由不同软件公司开发，它们之间缺乏联系，数据结构也不尽相同，从而形成“信息孤岛”。因此，需要对这些潜藏于大数据中有价值的健康信息进行分析与挖掘，以使其为健康医疗服务。
1健康大数据概念及特点
实际上，目前对健康大数据的定义尚未形成共识，不同学者对健康大数据的理解不同。本文采用黎建民教授[1]的说法，即健康大数据是指所有与医疗和生命健康相关的，包括患者在受到照护期间产生的所有数据的总合。
舍恩伯格[2]曾经在《大数据时代》一书中讲到大数据具有4V 特点：Volume(海量)、Velocity(快速)、Variety(多样)、Value(价值)。健康大数据除了完全符合这4个特点外(见图1)，还具有健康领域特有的一些特征[3]，如：①多态性，健康数据包括纯数据、信号、图像、文字等多种形态;②时序性，患者的就诊、疾病发病过程在时间上有一个进度;③隐私性，健康大数据的隐私性极高，如若泄漏将对患者造成严重后果;④冗余性，大批相同或相似的健康信息被记录下来，如与病理特征无关的检查信息或对一些常见疾病的描述信息等。
2健康大数据挖掘流程
一个完整的数据挖掘流程包括数据收集、数据预处理、数据挖掘与结果理解4 个主要组成部分[4](见图2)，健康大数据的挖掘也不例外，只是在具体环节上采用的算法有所不同。
(1)数据收集：针对所选择的目标进行数据挖掘，分析与其相关的所有数据，也包括目标外部的数据信息(如天气、空气、环境等外部信息会对某些医疗行为产生影响)，并选出适应于该挖掘目标的数据。
(2)数据预处理：通过收集得到的数据中通常存在噪声、不完整和不一致的数据，这是数据仓库与大型数据库的共同特点[5]。因此，需要在挖掘之前对这些数据进行预处理，以提高其质量和分析能力。具体步骤有：数据清洗与加工(通过各种方式对所收集数据的准确性、合法性、完整性、一致性、时效性等各方面进行检查，对质量差的数据进行修正甚至删除)、数据标准化(为收集的数据建立数据集标准，并按该标准进行数据格式的转换、采集)、属性选择(采用相应算法对数据属性值进行评估，选取与结果相关性高的属性)。数据预处理过程十分繁琐，往往占用整个工作流程一半甚至60%左右的时间。
(3)数据挖掘：又称为建立模型，需要确定模型的算法和评价方法。对于健康大数据的挖掘主要有2种思路：一是根据之前的经验人为建立数学模型分析数据，即传统算法;二是通过近年来兴起的人工智能系统，利用大量样本数据进行训练，让机器代替人工获得从数据中提取知识的能力，即新兴算法。模型构建之后需要对模型进行评估和优化，若有必要还需返回上一流程进行参数调整。
(4)结果分析：即对模型的解释，实际应用效果要反馈给建立的模型，而且要根据应用效果进行模型的相应调整。
3健康大数据挖掘算法
在健康大数据时代，数据的产生和收集是基础，挖掘是关键，数据挖掘是健康大数据研究中最关键且最有价值的工作。传统的挖掘算法有分类、聚类、预测、关联规则等。这些算法在分析健康大数据时依然可以使用，但是由于大数据的超大规模性和快速增长性，传统挖掘算法的效率有时跟不上用户预期，而且在处理非结构和半结构化复杂数据时面临一定困难。而新兴的算法如网络爬虫、云计算等挖掘方式效率更高，应用范围也更广，处理实时且快速。
3.1传统算法
3.1.1算法分类
通过找出数据库中一组数据对象的共同特点即分类标号，然后根据训练数据集和类标号属性构建模型，对现有数据及新数据进行分类 [6]。具体分类算法有决策树、神经网络、支持向量机、贝叶斯分类等。
其中在健康医疗领域应用比较广泛的有决策树算法，决策树是一种典型的分类算法，其在医药大数据的处理中十分常见。决策树是一种类似于流程图的树结构，决策树算法是通过测试每个属性的信息增益，选择具有最大信息增益的属性作为当前节点的测试属性，并自上而下对属性进行递归划分从而构建树的算法。它可以提高处理多维且数量巨大的医药数据的速度，因此为数据量巨大的医疗大数据处理带来了便利。 而且，此方法也可以用于一些需要长期观察的慢性病研究，分析疾病的变化趋势，对疾病作出预测。决策树算法的最大优点是它可以自学习，在学习过程中，并不需要使用者了解很多背景知识，只要训练事例能够用属性-值的方式表达出来，就能使用该算法进行学习。此外，决策树算法的健壮性较好，还能够处理非线性关系。但是它也存在着缺乏伸缩性的缺点，即由于进行深度优先搜索，所以算法受内存大小限制，难以处理大训练集。
3.1.2聚类
聚类类似于分类，但与分类的目的不同。聚类是把不同的对象集合分成若干个不同类别的模型，每个模型具有相似的对象，有着基本相似的特征，又与其它类别中的对象不同[7]。聚类算法又分为划分法(如K-MEANS、K-MEDOIDS算法)、层次法(如BRICH算法)与基于密度的方法(如DBSCAN算法)。通过聚类方法可以对医疗大数据进行分类处理，找出与其它病症不同或类似的病症，从而能够分析出同一病种的微小差异， 做到精准治疗。如Hastie等[8]通过对疼痛反应结果的聚类分析，完成了对热性疼痛、压力性疼痛、缺血性疼痛的诱因分析。聚类分析在医疗健康记录的关键词分类、生理信号分析中也发挥着重要作用。但是也要注意到目前的许多聚类算法都只是理论上的，经常处于某种假设之下，比如聚类能很好地被分离，没有突出的孤立点等，但现实中的数据尤其是医疗数据通常很复杂，噪声也很大。因此，如何有效地消除噪声影响，提高处理现实数据的能力还有待进一步研究。
3.1.3预测
预测是指基于历史数据建立模型，运用数据对未来发展趋势进行测算，以预先了解事情发展的结果。具体预测方法有回归分析(简单线性回归、多元线性回归、非线性回归)和时间序列(时序平均数法、移动平均法等)。
其中，回归分析方法在健康领域应用较多。回归分析方法反映的是数据库中属性值在时间上的特征，其主要研究包括数据序列的趋势特征、数据序列预测以及数据间的关系等问题。例如对医院信息系统中医疗风险因素的回归分析，即分析各个影响因素与医疗风险之间的联系及引起风险的概率变化，用于指导医院的风险管理。但有时在回归分析中，选用何种因子和该因子采用何种表达式只是一种推测，从而影响了因子的多样性，使回归分析在某些情况下受到限制。
3.1.4关联规则
关联规则是描述数据库中数据项之间所存在的某种潜在关系的规则，也即可以从一个事务中某些项的出现推导出另一些项在同一事务中也将出现。该方法能够发现医疗信息数据库中满足目的的最小支持度和最小可信度的所有關联规则，从而揭示隐藏在健康大数据中的关联关系[9]。在一些存在大量用户医疗信息的数据库中，比如个人健康信息、临床治疗信息、临床诊断信息等，可以通过这一方法进行数据的挖掘处理，实现疾病的临床决策和特殊疾病诊断[10]。关联规则算法对患者所表现出的疾病特点及诊疗过程研究十分有效，但其也存在着在每一步产生侯选项目集时循环产生组合过多的缺点，且没有排除不应该参与组合的元素，从而产生过多的候选项目集，导致I/O负载大。
3.2新兴算法
3.2.1云计算
云计算作为一种高扩展、高弹性、虚拟化的计算模式，为健康大数据挖掘存储能力及处理速度提升提供了动力支撑。基于云计算的数据挖掘是分布式并行数据挖掘与服务模式，一方面对于同一算法可以分布于多个节点上，另一方面多个算法之间是并行的，多个节点的计算资源可以按需分配。基于云计算的数据挖掘可以将传统算法，如关联分析、决策树、神经网络等算法结合使用。其主要有以下优点：①减少费用。医院或医疗机构之间不需要单独建立一个计算中心，只需要在云平台上购买所需的服务，从而节省了大量费用;②高可靠性。云计算使用数据多副本容错、计算节点同构可互换等措施，从而保障了服务的高可靠性，使用云计算比使用本地计算机更加可靠;③移动化。相比于传统基于本地的服务，云计算可以使人们随时随地进行移动办公。目前，基于云计算的大数据挖掘在健康领域主要应用在医学图像诊断、临床决策支持等方面[9]。
3.2.2网络爬虫
运用网络爬虫技术打破数据壁垒，对健康大数据进行整理融合，对数据挖掘具有十分重要的意义。而且先进的健康数据大都存在于网页之中，而运用网络爬虫(Web crawler)技术可以快速、准确地获取大量网页信息，并实现数据的实时更新[11]。
网络爬虫的核心原理为： 通过统一资源定位符(URL)地址，利用超文本传输协议 (HTTP) 模拟浏览器请求访问网站服务器的方式，封装必要的请求参数，获取网站服务器端的许可，返回原始页面并解析数据，其一般工作流程如图3所示。
卞伟玮、王永超等[12]利用网络爬虫技术快速、准确地获得公共卫生服务系统的医疗数据，并进行数据整理，为建立人群健康风险评估模型提供数据基础。然而目前基于网络爬虫的数据挖掘算法在健康领域的应用还不太广泛，有待进一步研究。
4健康大数据挖掘面临的挑战
目前健康医疗大数据技术还处于早期发展阶段，许多专业医疗机构、研究机构、企业都参与其中，推出各种特色的应用方案，以期挖掘健康医疗大数据的价值， 促进健康医疗行业发展。因此，健康医疗大数据将在医疗行业发挥越来越重要的作用。尽管如此，在实际应用中还存在许多问题和挑战：
(1)数据共享困难。“信息孤岛”普遍存在，来自不同医疗机构的数据结构差异性大，比如各个医院的电子病历格式都不相同。在这种情况下进行挖掘，会延长挖掘周期，从而大大限制健康医疗数据的应用范围。
(2)数据标准不统一。各医疗机构通常有自己的信息化系统，且不同厂商的设备标准也不一样，导致挖掘健康大数据时采用的原始数据质量较差。
(3)隐私保护堪忧。这主要是由于健康大数据的高度隐私性决定的，不同于其它大数据，健康大数据一旦发生泄漏，将损害患者的人格和尊严，特别是基因数据。由于每个人的基因数据都不相同，所以一旦泄漏后果不堪设想。如何在数据挖掘和分析过程中保护好患者隐私，是一项巨大的挑战。
(4)复合型人才不足。医疗行业缺乏既精通医疗业务又擅长信息技术的新型健康管理人才，这已成为阻碍健康大数据挖掘技术应用的一大难题。
5结语
医疗健康与人类生活息息相关，如今正处在健康医疗行业大数据分析的一个重要转折点，如何更好地利用身边的大数据，促进人们生活水平的提高，是一个亟待解决的问题。健康大数据的应用，不仅可以为人们带来更好的医疗健康服务，更重要的是在应用中，利用大数据挖掘算法可以不断发现新的知识内容，从而促进医学技术进步。而每一种数据挖掘算法都有其优缺点，适用范围也不相同，因此在以后的研究中需要比较每种算法的优缺点，并将它们与新兴技术结合起来，这将是未来健康大数据研究的重点。
参考文献参考文献：
[1]黎健民.大数据时代下的医疗康复与健康[J].中国医药导报，2016，13(33)：178181.
[2]迈尔舍·恩伯格，肯尼思·库克耶.大数据时代生活、工作与思维的大变革[M].杭州：浙江人民出版社，2013.
[3]许培海，黄匡时.我国健康医疗大数据的现状、问题及对策[J].中国数字医学，2017，12(5)：2426.
[4]李雨童，姚登举，李哲，等.基于R的医学大数据挖掘系统研究[J].哈尔滨理工大学学报，2016，21(2)：3843.
推荐阅读：《大众硬件》是由大众软件杂志社主办，于2003年1月创刊的一本以电脑硬件为主要内容的杂志，目前为月刊。以马列主义、毛泽东思想、邓小平理论和“三个代表”重要思想为指导。
转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/16226.html
