基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型設(shè)計(jì)

梁燕紅

摘 要： 針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型中關(guān)聯(lián)挖掘方法和用戶交互矛盾問題，提出一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型設(shè)計(jì)。采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)計(jì)算，解決了二次函數(shù)的非線性優(yōu)化問題。運(yùn)用優(yōu)化的算法保證了適應(yīng)度函數(shù)的選擇能力，避免了閾值以及權(quán)值對(duì)BP神經(jīng)網(wǎng)絡(luò)的誤差倒數(shù)的影響。為了驗(yàn)證所設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型的有效性，設(shè)計(jì)了對(duì)比仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，提出的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型設(shè)計(jì)能夠有效地解決關(guān)聯(lián)挖掘方法和用戶交互矛盾問題。

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)； 關(guān)聯(lián)挖掘模型； 算法改進(jìn)； 二次函數(shù)； 選擇能力； 用戶交互

中圖分類號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）02?0163?03

Abstract： In allusion to the contradiction between association mining method and user interaction in the traditional association mining model based on BP neural network， the design of association mining model based on the improved BP neural network is proposed. The improved BP neural network algorithm is used for BP neural network computation to resolve the nonlinear optimization problem of quadratic function. The optimized algorithm guarantees the selection capability of the fitness function and avoids the effects of the threshold value and the weighted value on the error reciprocal of BP neural network. To verify the validation the designed association mining model based on the improved BP neural network， the contrast simulation experiment was carried out. The experimental results show that the designed association mining model based on the improved BP neural network can effectively resolve the contradiction between the association mining method and user interaction.

Keywords： BP neural network； association mining model； algorithm improvement； quadratic function； selection capability； user interaction

0 引 言

伴隨BP神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)挖掘已經(jīng)成為數(shù)據(jù)關(guān)聯(lián)挖掘的一種突破性方法[1?2]。

隨著科技的發(fā)展，硬件補(bǔ)償方法已經(jīng)對(duì)數(shù)據(jù)關(guān)聯(lián)挖掘起不到促進(jìn)作用，只能通過不斷完善軟件的設(shè)計(jì)來達(dá)到對(duì)挖掘模型的完善[3]。

傳統(tǒng)軟件補(bǔ)償方法主要有以下幾種：插值分位填充法、最小公倍數(shù)多項(xiàng)分列曲線表達(dá)法、BP神經(jīng)網(wǎng)絡(luò)方法等[4?6]。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型中，存在關(guān)聯(lián)挖掘方法和用戶交互矛盾問題[7]。

針對(duì)上述問題，本文提出一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型設(shè)計(jì)，運(yùn)用了改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行閾值測(cè)量計(jì)算以及權(quán)值反饋，優(yōu)化了適應(yīng)度函數(shù)的選擇，保證了BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)關(guān)聯(lián)挖掘模型的有效性。這樣不需要對(duì)數(shù)據(jù)誤差倒數(shù)進(jìn)行補(bǔ)償，提高了設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型的準(zhǔn)確性。

為了驗(yàn)證本文設(shè)計(jì)方法的有效性，還設(shè)計(jì)了對(duì)比仿真實(shí)驗(yàn)，通過實(shí)驗(yàn)數(shù)據(jù)進(jìn)一步證明了設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型的有效性。

1 運(yùn)用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)挖掘模型的設(shè)計(jì)

1.1 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

本文設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型運(yùn)用BP神經(jīng)網(wǎng)絡(luò)來建立關(guān)聯(lián)挖掘模型[8?9]。在數(shù)據(jù)選取有效性上，要考慮數(shù)據(jù)的變化幅度以及數(shù)據(jù)節(jié)點(diǎn)，如果數(shù)據(jù)節(jié)點(diǎn)數(shù)為1，說明本文設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型可以正常使用，如果節(jié)點(diǎn)數(shù)大于20，設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型不能正常使用。節(jié)點(diǎn)計(jì)算公式如下：

式中，d值是一個(gè)范圍值，表示在某一個(gè)區(qū)間內(nèi)。因此，改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)模型用數(shù)學(xué)公式描述如下：

式中：G為BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)誤差；x為權(quán)值的變化值；y為閾值的變化值。

設(shè)為BP神經(jīng)網(wǎng)絡(luò)的誤差倒數(shù)，其主要表示的是挖掘數(shù)據(jù)的有效性[10]。為了使所設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型具有良好的泛化能力，應(yīng)當(dāng)使得E2在一定的值域范圍之內(nèi)，這樣才能滿足關(guān)聯(lián)挖掘模型的要求。

權(quán)值修正量表示為：

式中：η為挖掘數(shù)據(jù)速率；g（n）為目前誤差倒數(shù)梯度；α為挖掘因數(shù)；n為泛化能力系數(shù)。通過上述公式的修正能夠徹底完善設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型中關(guān)聯(lián)挖掘方法。endprint

為了解決關(guān)聯(lián)挖掘方法和用戶交互矛盾問題，還需要改進(jìn)適應(yīng)度函數(shù)。

1.2 改進(jìn)適應(yīng)度函數(shù)

本文根據(jù)權(quán)值、閾值所對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)二次函數(shù)，計(jì)算出BP網(wǎng)絡(luò)的誤差權(quán)重，這樣可以避免設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型中關(guān)聯(lián)挖掘方法中的誤差產(chǎn)生，即：

式中：R為關(guān)聯(lián)算子；M，N分別為關(guān)聯(lián)挖掘模型的最大閾值和最小閾值。

本文使用改進(jìn)后的適應(yīng)函數(shù)，對(duì)關(guān)聯(lián)挖掘方法中的用戶交互現(xiàn)象進(jìn)行優(yōu)化。首先按適應(yīng)函數(shù)值的大小對(duì)用戶數(shù)據(jù)進(jìn)行排序，然后按式（4） 計(jì)算數(shù)據(jù)的啟用概率：

式中：P為用過啟用數(shù)據(jù)的概率；M為適應(yīng)函數(shù)值在關(guān)聯(lián)函數(shù)中排列序號(hào)。為了避免關(guān)聯(lián)挖掘方法和用戶交互產(chǎn)生數(shù)據(jù)通用，需要從根本上解決問題，誤差配方計(jì)算為：

式中，r是配方系數(shù)。通過公式可以看出關(guān)聯(lián)挖掘方法數(shù)據(jù)和用戶交互數(shù)據(jù)之間由于配方不同進(jìn)而產(chǎn)生區(qū)別。從根本上解決了關(guān)聯(lián)挖掘方法和用戶交互作用矛盾的問題。

綜上所述，運(yùn)用改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)解決了二次函數(shù)的非線性優(yōu)化問題，進(jìn)一步完善了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型，使用改進(jìn)的適應(yīng)度函數(shù)從根本上解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型中關(guān)聯(lián)挖掘方法和用戶交互矛盾問題。

2 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型的有效性，設(shè)計(jì)了對(duì)比仿真實(shí)驗(yàn)。對(duì)某公司的大型廢棄數(shù)據(jù)庫(kù)進(jìn)行關(guān)聯(lián)挖掘?qū)嶒?yàn)。為了保證實(shí)驗(yàn)的有效性使用本文設(shè)計(jì)的方法與傳統(tǒng)方法同時(shí)進(jìn)行。

2.1 參數(shù)設(shè)置

設(shè)置閾值參量u，v，z分別為10.5，8.6，77.5，設(shè)置節(jié)點(diǎn)誤差范圍G為[0，20]。為了能夠進(jìn)快速的關(guān)聯(lián)挖掘，保證計(jì)算算子必須在100以內(nèi)。

關(guān)聯(lián)程序如下：

Select Nsrsbh=NSRSBH，Nsyc_lx=CONVERT（char（6），KPRQ），Value_actual=sum（KPJE），Value_threshold=0，Nsyc_count=

intotemp_fp from ZZSFPCGLMX where CONVERT （char （6），KPRQ）>=Date_start and CONVERT （char（6），KPRQ）<=Date_end groupby NSRSBH，CONVERT（char（6），KPRQ）

2.2 實(shí)驗(yàn)數(shù)據(jù)的獲取與分析

通過圖1可以看出本文設(shè)計(jì)的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型可以在多次實(shí)驗(yàn)過程中都保持著較高的泛化率，保證了進(jìn)行關(guān)聯(lián)挖掘的有效性。

如圖2所示，本文設(shè)計(jì)的方法用過數(shù)據(jù)互交率較高，說明受到關(guān)聯(lián)挖掘方法的影響較小。傳統(tǒng)方法一直保持在0.15左右，說明受到的影響較大。

3 結(jié) 語

本文提出一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)挖掘模型方法，采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，能夠有效地解決二次函數(shù)非線性優(yōu)化的問題。使用優(yōu)化后的適應(yīng)度函數(shù)解決了關(guān)聯(lián)挖掘方法和用戶交互矛盾問題，同時(shí)保證了該模型能夠進(jìn)行準(zhǔn)確的關(guān)聯(lián)挖掘。

參考文獻(xiàn)

[1] 李衛(wèi)紅，陳業(yè)濱，聞磊.基于GA?BP神經(jīng)網(wǎng)絡(luò)模型的登革熱時(shí)空擴(kuò)散模擬[J].中國(guó)圖象圖形學(xué)報(bào)，2015，20（7）：981?991.

LI Weihong， CHEN Yebin， WEN Lei. Simulation of spatio?temporal diffusion of dengue fever based on the GA?BP neural network model [J]. Chinese journal of image and graphics， 2015， 20（7）： 981?991.

[2] 孫佳，王淳，胡蕾.基于改進(jìn)灰色模型與BP神經(jīng)網(wǎng)絡(luò)模型組合的風(fēng)力發(fā)電量預(yù)測(cè)研究[J].水電能源科學(xué)，2015（4）：203?205.

SUN Jia， WANG Chun， HU Lei. Research on wind power generation forecast based on the combination of improved grey model and BP neural network model [J]. Hydroelectric energy science， 2015（4）： 203?205.

[3] 花亞梅，趙賢林，王效華，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的厭氧發(fā)酵產(chǎn)氣量預(yù)測(cè)模型[J].環(huán)境工程學(xué)報(bào)，2016，10（10）：5951?5956.

HUA Yamei， ZHAO Xianlin， WANG Xiaohua， et al. Prediction modeling for gas production of anaerobic fermentation based on improved BP neural network [J]. Journal of environmental engineering， 2016， 10（10）： 5951?5956.

[4] 康國(guó)煉，楊遂軍，葉樹亮.改進(jìn)BP算法在熱流傳感器溫度補(bǔ)償中的應(yīng)用[J].傳感器與微系統(tǒng)，2016，35（2）：154?156.

KANG Guolian， YANG Suijun， YE Shuliang. Application of improved BP algorithm in temperature compensation of heat flux sensor [J]. Sensors and microsystems， 2016， 35（2）： 154?156.

[5] 胡丹娟，蔣金豹，陳緒慧，等.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)裸露地表土壤水分反演模型對(duì)比[J].國(guó)土資源遙感，2016，28（1）：72?77.endprint

HU Danjuan， JIANG Jinbao， CHEN Xuhui， et al. Comparison of bared soft moisture inversion models based on improved BP neural network [J]. Remote sensing for land and resources， 2016， 28（1）： 72?77.

[6] 劉曉晨，張靜.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)無線定位方法[J].計(jì)算機(jī)應(yīng)用與軟件，2016，33（6）：114?117.

LIU Xiaochen， ZHANG Jing. Indoor wireless positioning method based on improved BP neural network [J]. Computer application and software， 2016， 33（6）： 114?117.

[7] 王新普，周想凌，邢杰，等.一種基于改進(jìn)灰色BP神經(jīng)網(wǎng)絡(luò)組合的光伏出力預(yù)測(cè)方法[J].電力系統(tǒng)保護(hù)與控制，2016，44（18）：81?87.

WANG Xinpu， ZHOU Xiangling， XING Jie， et al. A method of photovoltaic output prediction based on improved grey BP neural network combination [J]. Power system protection and control， 2016， 44（18）： 81?87.

[8] 姜雪杰，李國(guó)寧.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的駝峰場(chǎng)車輛減速器故障診斷的研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2016，60（12）：135?139.

JIANG Xuejie， LI Guoning. Research on fault diagnosis of hump field vehicle decelerator based on improved BP neural network [J]. Railway standard design， 2016， 60（12）： 135?139.

[9] 齊銀峰，譚榮建.基于改進(jìn)粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)在大壩變形分析中的應(yīng)用[J].水利水電技術(shù)，2017，48（2）：118?124.

QI Yinfeng， TAN Rongjian. Application of improved particle swarm optimization algorithm?based BP neural network to dam deformation analysis [J]. Water resources and hydropower engineering， 2017， 48（2）： 118?124.

[10] 趙燕偉，任設(shè)東，陳尉剛，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的可拓分類器構(gòu)建[J].計(jì)算機(jī)集成制造系統(tǒng)，2015，21（10）：2807?2815.

ZHAO Yanwei， REN Rendong， CHEN Weigang， et al. Construction of extension classifier based on improved BP neural network [J]. Computer integrated manufacturing system， 2015， 21（10）： 2807?2815.endprint