本發(fā)明涉及數(shù)據(jù)分析領(lǐng)域，特別涉及一種iOS設(shè)備數(shù)據(jù)分析系統(tǒng)。

背景技術(shù)：

在我國,隨著移動互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和廣泛應(yīng)用，移動智能終端設(shè)備大量普及于民眾，移動應(yīng)用依托于智能設(shè)備每天都產(chǎn)生大量的使用數(shù)據(jù)。如何有效的使用這些數(shù)據(jù)，提高移動應(yīng)用的質(zhì)量與安全成為一個新的研究方向。

用戶信息個性化特征明顯，涉及到健康參數(shù)、運動情況、飲食習(xí)慣等各個方面，借助數(shù)據(jù)分析、處理整合之后具有很大的商業(yè)價值，可供軟件開發(fā)者應(yīng)用于醫(yī)療、社交、娛樂等多個方面。移動應(yīng)用的未來發(fā)展將圍繞如何實現(xiàn)用戶數(shù)據(jù)價值而進行。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：提供一種iOS設(shè)備數(shù)據(jù)分析系統(tǒng)，對iOS設(shè)備的數(shù)據(jù)進行分析。

為解決上述問題，本發(fā)明采用的技術(shù)方案是：一種iOS設(shè)備數(shù)據(jù)分析系統(tǒng)，包括：

均值分析模塊，采用一種針對數(shù)據(jù)呈現(xiàn)正太分布模型的分析方法，對數(shù)據(jù)進行分析；

線性回歸分析模塊，采用一種針對呈現(xiàn)線性分布模型的分析方法，對數(shù)據(jù)進行分析；

邏輯回歸分析模塊，采用一種針對數(shù)據(jù)呈現(xiàn)二分類分布的分析方法，對數(shù)據(jù)進行分析；

聚類分析模塊，采用一種針對數(shù)據(jù)呈現(xiàn)聚合分布的分析方法，對數(shù)據(jù)進行分析。

具體的，均值分析模塊的具體分析步驟包括：

步驟a1：獲取可信的原始數(shù)據(jù)以及待驗證的數(shù)據(jù)；這里用戶需要提供數(shù)據(jù)，其中用戶提供的數(shù)據(jù)需要包含2個部分：1、用戶需要提供正確的原始數(shù)據(jù)，數(shù)據(jù)必須是可信的且數(shù)據(jù)量不能太?。?、用戶需要提供待驗證的數(shù)據(jù)。待驗證的數(shù)據(jù)沒有數(shù)據(jù)量的限制。

步驟a2：根據(jù)可信的原始數(shù)據(jù)，建立高斯算法模型；

步驟a3：將待驗證的數(shù)據(jù)帶入到建立的高斯算法模型中，得出所述待驗證的數(shù)據(jù)的概率，對結(jié)果求平均值；

步驟a4：將分析得出的結(jié)果輸出給用戶。

具體的的，線性回歸分析模塊的具體分析步驟包括：

步驟b1：獲取經(jīng)驗數(shù)據(jù)和待驗證的數(shù)據(jù)；這里用戶提供的數(shù)據(jù)需要包含2個部分：1、用戶需要提供正確的原始經(jīng)驗數(shù)據(jù)，數(shù)據(jù)必須是可信的且數(shù)據(jù)量不能太??；2、用戶需要提供待驗證的數(shù)據(jù)。待驗證的數(shù)據(jù)沒有數(shù)據(jù)量的限制；

步驟b2：根據(jù)經(jīng)驗數(shù)據(jù)，建立線性回歸分析模型；

步驟b3：對建立的線性回歸分析模型進行檢驗；

步驟b4：將待要驗證數(shù)據(jù)源帶入到檢驗后的線性回歸分析模型中，求出可決系數(shù)；

步驟b5：將分析得出的結(jié)果輸出給用戶。

進一步的，步驟b2首先建立含系數(shù)的模型，然后采用最小二乘法和梯度下降法，找到殘差最小時的參數(shù)值，從而確定模型的系數(shù)。

進一步的，步驟b3采用擬和優(yōu)度檢驗線性回歸分析模型。

具體的，邏輯回歸分析模塊的具體分析步驟包括：

步驟c1：獲取經(jīng)驗數(shù)據(jù)和待驗證的數(shù)據(jù)；一般是從可信數(shù)據(jù)庫加載經(jīng)驗數(shù)據(jù)，得到一個可供分析的多維數(shù)據(jù)集合；

步驟c2：根據(jù)經(jīng)驗數(shù)據(jù)，確定函數(shù)形式并訓(xùn)練算法模型，得到回歸系數(shù)；

步驟c3：檢驗步驟c2得到的回歸系數(shù)，若檢驗結(jié)果表明步驟c2的算法模型顯著則繼續(xù)步驟c4，否則返回步驟c2重新訓(xùn)練其他算法模型；

步驟c4：使用步驟c2的算法模型對待驗證的數(shù)據(jù)進行分析，得到相應(yīng)的分類結(jié)果，結(jié)果以閾值為界線，大于閾值，則輸出結(jié)果是，小于閾值，則輸出結(jié)果否。

進一步的，步驟從c2包括：

c21、將經(jīng)驗數(shù)據(jù)轉(zhuǎn)換為模型需要的數(shù)據(jù)格式；

c22、確定邏輯回歸模型函數(shù)形式；

c23、訓(xùn)練算法，得到回歸系數(shù)。

進一步的，步驟c23中，訓(xùn)練算法采用梯度上升法得到回歸系數(shù)。

進一步的，步驟c3使用似然比檢驗法檢驗得到的回歸系數(shù)。

具體的，聚類分析模塊的具體分析步驟包括：

步驟d1：獲取經(jīng)驗數(shù)據(jù)與待校驗數(shù)據(jù)，將經(jīng)驗數(shù)據(jù)與待校驗數(shù)據(jù)據(jù)合并，并整理合并后的數(shù)據(jù)，得到一個可供分析的多維度數(shù)據(jù)集合；

步驟d2：將整理后的數(shù)據(jù)通過多次的迭代計算，得到聚類分布模型；

步驟d3：將待校驗數(shù)據(jù)與得到的聚類分布模型進行分析，得到待校驗數(shù)據(jù)之于模型的一個權(quán)重值，然后輸出結(jié)果。

進一步的，步驟d2包括：

d21：計算數(shù)據(jù)的平均歐式距離，作為初始聚類標(biāo)準；

d22、根據(jù)聚類標(biāo)準使用快速聚類算法，得到首次聚類分布；

d23、重新計算中心點，不斷調(diào)用快速聚類算法，最后得到穩(wěn)定分布。

本發(fā)明的有益效果是：本發(fā)明主要針對當(dāng)前iPhone等iOS設(shè)備能收集到的用戶數(shù)據(jù)進行本地化分析，在盡可能少的占用主應(yīng)用程序資源的前提下，在應(yīng)用后臺進行數(shù)據(jù)分析輸出結(jié)果。本發(fā)明整個數(shù)據(jù)分析系統(tǒng)，沒有涉及到通用的對用戶信息的建模分析，對用戶不同的行為進行了均值分析，線性回歸分析，邏輯回歸分析，與聚類分析等進行建模，可以幫助開發(fā)人員分析用戶數(shù)據(jù)，從而提供優(yōu)化服務(wù)。

附圖說明

圖1是數(shù)據(jù)分析整體結(jié)構(gòu)圖；

圖2是均值分析流程圖；

圖3是線性回歸分析流程圖；

圖4是邏輯回歸分析流程圖；

圖5是聚類分析流程圖。

具體實施方式

發(fā)明采用了多線程，異步并行等多種方式進行分析操作。如圖1所示，系統(tǒng)能夠進行四種形式的分析，包括四種分析模塊：均值分析模塊、線性回歸分析模塊、邏輯回歸分析模塊、聚類分析模塊。每個模塊獨立承擔(dān)各自的分析任務(wù)，也可以將幾種分析模塊組合使用，實現(xiàn)某些數(shù)據(jù)分析的需求。整個系統(tǒng)可以編譯成靜態(tài)庫，在其他iPhone應(yīng)用中使用，實現(xiàn)數(shù)據(jù)分析的目的。

A.均值分析

均值分析模塊主要用來對服從正態(tài)分布模型的數(shù)據(jù)的正確性校驗，算法主要采用高斯算法模型進行校驗，最后的輸出結(jié)果時一個介于0到1的概率值，數(shù)值越大則正確性越高。分析的過程會依次對輸入的數(shù)據(jù)進行驗證從而獲取一個概率值，然后對所有的概率值取平均值，獲得結(jié)果。

B.線性回歸分析

線性回歸模塊主要是用來處理由一組樣本數(shù)據(jù)出發(fā)，確定變量之間的數(shù)學(xué)模型關(guān)系式的算法。獲取變量的參數(shù)主要采用最小二乘法和梯度下降法，整個分析過程是找到殘差最小時的參數(shù)值。得出參數(shù)之后，求出模型，求出此模型的可決系數(shù)，可決系數(shù)越大說明擬合程度越高，最后輸出結(jié)果。

C.邏輯回歸分析

邏輯回歸分析模塊主要用來分析得到最新收集到的數(shù)據(jù)的分類結(jié)果。算法使用已知分類結(jié)果的經(jīng)驗數(shù)據(jù)訓(xùn)練模型，采用遞度上升法(梯度上升的思想是：要找到某函數(shù)的最大值，最好的方法是沿著該函數(shù)的梯度方向?qū)ふ?得到模型回歸系數(shù)。最后輸出結(jié)果為表征新數(shù)據(jù)所在分類的一個權(quán)重值。輸于結(jié)果一般以0.5為界線分類，選擇0.5作為閾值是一般做法，實際應(yīng)用時特定的情況可以選擇不同閾值，如果對正例的判別準確性要求高，可以選擇閾值大一些，對正例的召回要求高，則可以選擇閾值小一些。

D.聚類分析

聚類分析模塊主要用來處理含有定類變量、定量(離散和連續(xù))變量的數(shù)據(jù)。算法主體采用快速聚類算法，聚類指標(biāo)使用數(shù)據(jù)之間歐式距離。最后輸出結(jié)果為待校驗數(shù)據(jù)所在聚類的一個權(quán)重值。整個分析過程是一個尋找穩(wěn)定聚類分布的過程，模塊初始化會定義一個最大運算次數(shù)保證最后有穩(wěn)定分布輸出。數(shù)據(jù)加入聚類分析模塊過后會計算一個平均歐式距離作為首次聚類標(biāo)準，然后用快速聚類算法形成初始聚類。接下來不斷重新構(gòu)建聚類中心與分布，迭代直到得到穩(wěn)定分布，輸出結(jié)果。

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合附圖2-5對以上四個模塊的詳細技術(shù)實施方案進行說明

一、均值分析流程：

如流程圖2所示，包含以下步驟：進入均值分析系統(tǒng)，首先進入S1步驟獲取數(shù)據(jù)源。在S2步驟中根據(jù)S1步驟獲取的數(shù)據(jù)建立模型，模型建立成功后在S3步驟中通過模型驗證數(shù)據(jù)。獲取數(shù)據(jù)的結(jié)果后在S4步驟中計算S3步驟中獲取的值的均值。S5步驟將S4步驟計算的均值輸出得到結(jié)果。

上述S2步驟包含以下幾步驟：

a1、通過獲取的可信數(shù)據(jù)求出期望值，求期望值的公式如下：

E[X]＝∫_ΩX dP

a2、通過a1步驟求出的期望值和獲取的可信數(shù)據(jù)求出標(biāo)準差，求標(biāo)準差的公式如下：

a3、通過a1、a2步驟獲取期望值和標(biāo)準差后就可以建立數(shù)據(jù)模型，建立模型的公式如下：

二、線性回歸分析流程：

如圖3所示，包含以下步驟：首先流程開始進入S1步驟傳入數(shù)據(jù)，此數(shù)據(jù)是從本地沙盒的可信存儲空間中獲取，然后進入步驟S2，構(gòu)建數(shù)據(jù)模型，根據(jù)線性分析的數(shù)據(jù)條件，構(gòu)建線性回歸分析模型，模型構(gòu)建完成后進入步驟S3，校驗?zāi)Ｐ?，若模型誤差符合線性規(guī)劃的誤差范圍，則利用該模型進行數(shù)據(jù)分析，進入步驟S4分析數(shù)據(jù)，并輸出結(jié)果，若校驗出來的數(shù)據(jù)不符合線性規(guī)劃模型，則結(jié)束流程。

上述步驟S2包含以下子步驟：

b1、建立模型：

模型如下：

Y＝β₁+β₂X+μ

b2、參數(shù)估計：

使用最小二乘法對數(shù)據(jù)進行擬合，為了使總得擬合誤差達到最小，可以使用最小二乘法的原則是以“殘差平方和最小”確定直線位置。

殘差平方和：

b3、求出該模型的系數(shù)：

通過Q最小確定這條直線，即確定和以和為變量把它看做Q的函數(shù)，就變成了一個求極值的問題，求Q對兩個待估參數(shù)的偏導(dǎo)數(shù)，可以求得兩參數(shù)為：

所以可得模型為：

若為多元線性回歸，則模型可表示為：

Y＝β₀+β₁X₁+β₂X₂+…+β_mX_m+e

求解過程與一元相似，可先求出偏回歸系數(shù)，b₀，b₁，b₂，…，b_m,求出回歸方程如下：

最后對方程進行檢驗，檢驗過程與一元類似。

上述步驟S3是對模型檢驗算法的分析說明如下：

此處采用擬合優(yōu)度檢驗，對樣本回歸直線與樣本觀測值之間擬合程度的檢驗。

TSS＝RSS+ESS

TSS為總離差平方和，ESS為回歸平方和，RSS為殘差平方和，在給定樣本中，TSS不變，實際觀測點離樣本回歸線越近，則ESS在TSS中占得比重越大，擬合優(yōu)度就是回歸平方和ESS/Y的總離差平方和。

由上述公式計算出可決系數(shù)進行模型校驗；

上述步驟S4做以下說明：

可決系數(shù)的取值范圍[0,1]。R²越接近1，擬合優(yōu)度越高，一般要求R²≥0.7

如果R²≥0.7則說明該模型可靠程度較高，說明該模型符合當(dāng)前環(huán)境，在以后的分析可以使用該模型進行分析。

三、邏輯回歸分析流程：

如圖4所示，流程包含以下步驟：首先進入S1步驟輸入可信數(shù)據(jù)庫中的經(jīng)驗數(shù)據(jù)，得到一個可供分析的多維數(shù)據(jù)集合。在步驟S2中根據(jù)S1步驟輸入的數(shù)據(jù)確定邏輯回歸的函數(shù)形式，構(gòu)建模型，接下來S3步驟檢驗S2步驟構(gòu)建的模型，若檢驗結(jié)果表明模型顯著則繼續(xù)S4步驟，否則流程結(jié)束。接下來，S4步驟輸入新數(shù)據(jù)得到新數(shù)據(jù)的分析結(jié)果。最后S5步驟將S4得到的分析結(jié)果輸出得到分類結(jié)果。

上述步驟S2包含以下子步驟：

c1、將步驟S1輸入的經(jīng)驗數(shù)據(jù)轉(zhuǎn)換為模型需要的數(shù)據(jù)格式；

c2、確定函數(shù)形式并確定訓(xùn)練算法；

c3、使用訓(xùn)練算法，得到回歸系數(shù)。

構(gòu)建模型算法描述如下：

首先，邏輯回歸是一種廣義的線性回歸，因此與多重線性回歸形式上基本相同，都具有y＝wx+b的形式，區(qū)別在于線性回歸直接將wx+b作為因變量，而邏輯回歸通過一個函數(shù)L將wx+b轉(zhuǎn)換為一個隱狀態(tài)p，即p＝L(wx+b)，L通常稱為sigmod函數(shù)，其具有如下形式：

對于S1得到的多維數(shù)據(jù):

y(x)＝w₀+w₁x₁+w₂x₂…+w_Nx_N＝W^Tx

p(x)有特殊含義，表示結(jié)果取1的概率。

訓(xùn)練算法采用梯度上升算法得到最優(yōu)回歸系數(shù)，梯度上升法的思想是：要找到某函數(shù)的最大值，最好的方法是沿著該函數(shù)的梯度方向?qū)ふ?。函?shù)f(x,y)的梯度可以表示：

梯度上升算法意味著沿著梯度方向移動，到達每個點后都會重新計算梯度確定移動的方向，如此循環(huán)迭代，直到滿足停止條件，而迭代的過程中，梯度算子總是保證能選取到最佳的移動方向。梯度算法迭代公式如下：

該公式將一直被迭代執(zhí)行，直至達到某個停止條件，比如迭代次數(shù)達到某個指定值或算法達到某個可以允許的誤差范圍。

步驟S3所述模型校驗算法采用似然比檢驗(Likelihood ratio test)，似然比檢驗算法思想是：在一個模型里面，含有變量x_i和不含有變量x_i的對數(shù)似然值乘以-2的結(jié)果之差，服從χ²分布，這一檢驗統(tǒng)計量稱為似然比檢驗。

四、聚類分析流程：

如圖5所示，流程包含以下步驟：首先進入S1步驟將待校驗數(shù)據(jù)與經(jīng)驗數(shù)據(jù)整理后傳入分析模塊。在S2步驟構(gòu)建聚合，得到穩(wěn)定的聚類分布，接下來S3步驟計算待校驗數(shù)據(jù)所在聚類的權(quán)重。最后將獲取到權(quán)重在S4步驟輸出。至此流程結(jié)束。

上述S2步驟包含以下子步驟：

d1、計算輸入數(shù)據(jù)的平均歐式距離，作為初始聚類標(biāo)準。

d2、根據(jù)聚類標(biāo)準，使用快速聚類算法，得到首次聚類分布。

d3、重新計算中心點然后不斷調(diào)用快速聚類算法，最后得到穩(wěn)定的聚類分布。

快速聚類算法描述：

首先根據(jù)輸入數(shù)據(jù)計算出一個平均歐式距離，公式如下：

其中n代表數(shù)據(jù)總數(shù)，X，Y…Z為單個數(shù)據(jù)各個緯度的值，數(shù)據(jù)可以是多維的。

然后確定首次聚類分布，過程如下：

d21、隨機選取一個數(shù)據(jù)作為初始點，形成一個聚合，此時只包含該初始值。

d22、遍歷剩下的數(shù)據(jù)，求出每個數(shù)據(jù)與初始點的距離d，如果某個數(shù)據(jù)的距離則把數(shù)據(jù)加入到該聚合中。

d23將已加入聚合的數(shù)據(jù)從原數(shù)據(jù)集合中刪除，如果所有數(shù)據(jù)都加入了聚合，過程就結(jié)束。如果還有數(shù)據(jù)未加入聚合，就回到步驟d21，重復(fù)整個過程。

接下來，計算各個聚合的中心點，計算公式如下；

這里的n代表當(dāng)前聚合的數(shù)據(jù)總數(shù)，X，Y…Z為單個數(shù)據(jù)各個緯度的值，數(shù)據(jù)可以是多維的。

這樣就形成了與聚合數(shù)量相同k個中心點，然后重新遍歷原來所有數(shù)據(jù)，將數(shù)據(jù)與k個中心點的距離作比較，將數(shù)據(jù)加入距離最短的那個中心所在的聚合，這樣就形成了一個新的聚類分布。重復(fù)最后這兩個步驟，直到最后的聚類分布不再改變，就得到穩(wěn)定的聚類分布。

以上描述了本發(fā)明的基本原理和主要的特征，說明書的描述只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。