⑸ 其他辅助数据
在检验检疫业务系统中还包含了大量其他辅助数据，例如企业档案数据、业务档案数据、注册备案管理数据等，其中每一类数据又是由大量种类复杂的数据项组成的。其变化周期各不相同，同时包含结构化和非结构化数据。
综上所述，检验检疫行业中蕴含大量数据，但数据来源广泛，且以非结构化数据为主，数据产生速度快，其中包含的有效信息较少。因此，如需有效利用这些数据，首先需要对数据进行分析和处理，将高维空间中的原始数据降维到低维空间中，从而使用传统的数据分析工具进行信息抽取。这些高维空间中的数据显然不满足线性条件约束，因此可以应用现代的基于流形学习的降维算法进行处理。
4 大数据在检验检疫行业中应用思考
目前，已经有一些大数据技术应用于检验检疫行业[8-9]，例如利用大数据信息进行质量溯源、企业信用评价、业务互联互通、业务规模趋势预测，以及运用大数据进行工作量评估等。
⑴ 质量溯源
在综合业务管理系统CIQ2000的基础上，全国各地的检验检疫机构陆续建立了一些用于产品溯源管理的信息系统，例如：深圳检验检疫局研发的“供港蔬菜检验检疫监管系统”，三明检验检疫局开发的“出口番茄制品安全身份认证与生产供应链系统”，苏州检验检疫局建立的“进口酒类监管智能化管理平台”等，分别实现了对进口、出口产品信息的溯源管理。这些系统在一定范围内实现了对产品历史数据的追踪与管理，方便了检验检疫机构和消费者了解产品信息。
然而，这些系统还停留在区域化的阶段，数据间无交互，没能实现真正的大数据统一管理。建立统一的产品质量信息溯源系统，真正实现产品相关信息从生产到进出口的全流程管理，同时利用现代的数据分析技术，提取其中的有效信息，应用于日常管理，将是今后的发展方向。
⑵ 企业信用评级
为全面有效地掌握及整合企业信用信息，质检总局建设了进出口企业信用管理系统，制定了企业信用管理办法及评分标准。通过对进出口企业检验检疫信用等级实施规范化、定量化、科学化的考核，改变以人的主观判断来确定企业信用等级的方式，促进进出口企业信用意识和产品质量的提高，同时提高一线检验检疫工作效率。
传统的信用等级评价方法是根据与检验检疫相关的信用指标设定评定标准，然后建立专家系统进行主观或者客观的综合评价。近年来，为准确、客观、科学的进行企业信用评价，国内外很多学者作了大量研究工作，将数据分析、预测模型引入信用评级。弱化了人为因素对预测结果的影响，同时提高了评价结果的准确性、科学性。今后，建立模型统一、评价指标统一的信用评级模型将有利于检验检疫工作的科学化、规范化管理。
⑶ 信息互联互通
强化大通关协作机制，推进口岸管理相关部门信息互换、监管互认、执法互助，是当前检验检疫业务工作重点。信息时代，离不开共享共用。推动检验检疫与其他口岸查验部门间的合作，实现进出境产品信息的共享共用，试行单证无纸化和出入境检疫指令快速放行，推进国际贸易便利化。当然，在实现信息互联互通的同时，确保检验检疫网络及信息系统安全是首要任务。

　　5 总结

      　信息时代，离不开数据的共享和利用，检验检疫行业在过去十几年快速发展的基础上，已经积累了大量有效的数据。科学、合理的利用这些数据，提取其中蕴含的丰富信息，将会对检验检疫业务发展起到推动作用，将检验检疫事业不断推向新的高度。 

　　参考文献：
[1] Usama M. Fayyad， Ramasamy Uthurusamy （Eds.）： Proceedings of
the First International Conference on Knowledge. Discovery and Data Mining[C]， Montreal， Canada，1995.8：20-21
[2] M. Turk， A. P. Pentland， Face recognition using eigenfaces， IEEE
Conference on Computer Vision and Pattern Recognition[C]. Hannover， Germany，1991：586-591
[3] P. N. Belhumeur， J. P. Hespanha， D. J. Kriegman， Eigenfaces vs.
Fisherfaces： recognition using class specific linear projection[J]， IEEE Transactions on Pattern Analysis and Machine Intelligence，1997.19（7）：711-720
[4] T. Roweis， L. K. Saul. Nonlinear dimensionality reduction by
locally linear embedding[J].Science，2000.290：2323-2326
[5] J. B. Tenenbaum， V. D. Silva， J. C. Langford， A global geometric
framework for nonlinear dimensionality reduction[J].Science，2000.290：2319-2323
[6] M. Belkin， P. Niyogi， Laplacian Eigenmaps and spectral techniques
for embedding and clustering[C]. Proceedings of the Conference on Advances in Neural Information Processing Systems，2001：585-591
[7] 国家质量监督检验检疫总局中国电子检验检疫主干系统项目概要
设计说明书（总册）[R].
[8] 魏哲.浅谈检验检疫溯源管理中的大数据应用[J].中国科技期刊数据
库，2014.7：271
[9] 王晓燕，严茂根.基于人工神经网络的出口食品加工企业检验检疫信
用评价[J].计算机应用与软件，2010.27（5）：191-193

　　[10] 王星.大数据分析：方法与应用（第一版）[M].清华大学出版社，2013. 

(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(代写代发论文_广州毕业论文代笔_广州职称论文代发_广州论文网）