蘇丹

摘 要： 針對(duì)傳統(tǒng)的高空氣象數(shù)據(jù)挖掘方法中存在的數(shù)據(jù)挖掘深度問題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的高空氣象數(shù)據(jù)挖掘方法。采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)以及小波分析法對(duì)數(shù)據(jù)挖掘模型進(jìn)行優(yōu)化，引進(jìn)協(xié)同多分類器算法進(jìn)行更加精確的數(shù)據(jù)挖掘，避免數(shù)據(jù)產(chǎn)生的干擾。提出的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法提高了數(shù)據(jù)挖掘的深度，還對(duì)數(shù)據(jù)的特征提取起到了一定的輔助作用。為了驗(yàn)證該方法的有效性，設(shè)計(jì)了對(duì)比仿真試驗(yàn)，將所提方法與傳統(tǒng)方法相比較得出，所提方法有效地解決了數(shù)據(jù)干擾問題，提高了數(shù)據(jù)挖掘程度。

關(guān)鍵詞： 數(shù)據(jù)挖掘方法； 高空氣象數(shù)據(jù)； BP神經(jīng)網(wǎng)絡(luò)； 小波分析法； 模型優(yōu)化

中圖分類號(hào)： TN915?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0040?03

Abstract： In allusion to the data mining depth problem existing in the traditional high?altitude meteorological data mining method， a high?altitude meteorological data mining method based on BP neural network technology is proposed. The BP neural network technology and the wavelet analysis method are adopted to optimize the data mining model. The cooperative multi?classifier algorithm is introduced to perform more accurate data mining and avoid data interference. The proposed high?altitude meteorological data mining method based on BP neural network has increased the depth of data mining and played an auxiliary role in data feature extraction. To verify the validity of the method， a simulation test in contrast with the traditional method was designed and carried out. The results show that the proposed method can effectively resolve the problem of data interference and improve the degree of data mining.

Keywords： data mining method； high?altitude meteorological data； BP neural network； wavelet analysis method； model optimization

0 引 言

由于大氣的無規(guī)律運(yùn)動(dòng)，高空的氣象也隨著不斷的變化，這樣伴隨性的變化是存在一定可預(yù)測(cè)規(guī)律的。怎樣根據(jù)大氣運(yùn)動(dòng)的過程去判斷氣象的變化，對(duì)于氣象的預(yù)報(bào)、災(zāi)害預(yù)警、農(nóng)業(yè)生產(chǎn)勞作等領(lǐng)域起到至關(guān)重要的作用。為此，進(jìn)行高空氣象數(shù)據(jù)挖掘是十分必要的[1?3]。目前為止，主要的氣象數(shù)據(jù)挖掘方法包括以下幾種：基于平均值分離計(jì)算的高空氣象數(shù)據(jù)挖掘方法、基于離散型算法的高空氣象數(shù)據(jù)挖掘方法和基于天氣預(yù)報(bào)相關(guān)的數(shù)據(jù)挖掘模型的高空氣象數(shù)據(jù)挖掘方法[4?6]。其中，經(jīng)常使用的是基于天氣預(yù)報(bào)相關(guān)的數(shù)據(jù)挖掘模型的高空氣象數(shù)據(jù)挖掘方法[7]。由于高空氣象數(shù)據(jù)挖掘技術(shù)已經(jīng)成為大氣領(lǐng)域的研究核心，高空氣象數(shù)據(jù)挖掘技術(shù)的發(fā)展直接影響天氣預(yù)測(cè)領(lǐng)域的發(fā)展[8]。高空氣象數(shù)據(jù)挖掘方法本身是以數(shù)據(jù)進(jìn)行研究判斷的，因此解決高空氣象數(shù)據(jù)挖掘方法中的數(shù)據(jù)挖掘深度問題十分的關(guān)鍵[9]。本文針對(duì)上述問題提出基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法。

1 基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法設(shè)計(jì)

1.1 BP神經(jīng)網(wǎng)絡(luò)挖掘模型設(shè)計(jì)

使用BP神經(jīng)網(wǎng)絡(luò)算法前需要進(jìn)行數(shù)據(jù)的小波轉(zhuǎn)換，通過轉(zhuǎn)換可以使數(shù)據(jù)進(jìn)行躍遷到高緯度層次面，轉(zhuǎn)換公式為：

1.2 引入?yún)f(xié)同多分類器算法

在上文基礎(chǔ)上進(jìn)行氣象數(shù)據(jù)支持度計(jì)算：

通過上述的關(guān)系確立，可以進(jìn)行數(shù)據(jù)的分組識(shí)別，分組后各項(xiàng)集表示為：

式中，E表示數(shù)據(jù)的亨特因子。根據(jù)關(guān)系進(jìn)行連接，由于數(shù)據(jù)具有較強(qiáng)的連續(xù)性，因此，進(jìn)行關(guān)聯(lián)匹配如下：

式中，表示屬性匹配度系統(tǒng)。根據(jù)上面的闡述，可以得到基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的高空氣象數(shù)據(jù)挖掘模型為：

這樣可以完成一次無數(shù)據(jù)干擾基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)高空氣象數(shù)據(jù)挖掘[10]，此方式有效避免了數(shù)據(jù)干擾，同時(shí)增加了數(shù)據(jù)挖掘程度。

2 試驗(yàn)驗(yàn)證

為了驗(yàn)證本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法的有效性，設(shè)計(jì)了對(duì)比仿真試驗(yàn)，把傳統(tǒng)的高空氣象數(shù)據(jù)挖掘方法與本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法相比較。選定某地區(qū)進(jìn)行數(shù)據(jù)高空氣象數(shù)據(jù)的采集，為了體現(xiàn)有效性，同時(shí)對(duì)采集數(shù)據(jù)進(jìn)行挖掘。設(shè)置小波轉(zhuǎn)換系數(shù)W為6.5，離散型的數(shù)據(jù)深度取值為86.59，權(quán)限屬性N設(shè)置在100以內(nèi)即可。由于該地區(qū)數(shù)據(jù)采集程度未知，因此自變量因子b的值設(shè)為最大值。結(jié)果如表1、圖2所示。

根據(jù)表1可以看出本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法能夠有效地進(jìn)行深度挖掘，同時(shí)在更短的時(shí)間里進(jìn)行了更為精確的特征提取。本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法還不需要進(jìn)行修訂，大大節(jié)約了數(shù)據(jù)分析的時(shí)間。

3 結(jié) 語

本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的高空氣象數(shù)據(jù)挖掘方法可以有效地解決傳統(tǒng)方法中的挖掘深度問題，同時(shí)對(duì)數(shù)據(jù)的特征提取有一定的輔助作用，希望通過本文的研究能夠促進(jìn)高空氣象數(shù)據(jù)挖掘方法的應(yīng)用。

參考文獻(xiàn)

[1] 王丹妮，包世泰，王春林，等.基于氣象數(shù)據(jù)挖掘的廣東省農(nóng)業(yè)高溫災(zāi)害預(yù)測(cè)研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015（2）：106?112.

[2] 周立軍，張杰，呂海燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)入侵檢測(cè)技術(shù)研究[J].現(xiàn)代電子技術(shù)，2016，39（6）：10?13.

[3] 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.

[4] 樊楚，賀向前，于躍，等.基于數(shù)據(jù)挖掘技術(shù)建立的BP神經(jīng)網(wǎng)絡(luò)模型鑒別兒童川崎病與發(fā)熱性疾病的研究[J].中國(guó)循證兒科雜志，2017（1）：22?26.

[5] 喬非，葛彥昊.基于BP神經(jīng)網(wǎng)絡(luò)的就業(yè)招聘企業(yè)客戶分類問題研究[J].計(jì)算機(jī)科學(xué)，2015，42（z2）：1?4.

[6] 張會(huì)喜，周剛偉.數(shù)據(jù)挖掘技術(shù)在船舶操縱運(yùn)動(dòng)預(yù)報(bào)中的應(yīng)用研究[J].艦船科學(xué)技術(shù)，2016（16）：64?66.

[7] 牛軍濤.數(shù)據(jù)挖掘在艦船電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J].艦船科學(xué)技術(shù)，2016（12）：73?75.

[8] 巫江虹，劉超鵬，梁志豪，等.房間空調(diào)器長(zhǎng)效運(yùn)行性能預(yù)測(cè)及優(yōu)化方案的研究[J].機(jī)械工程學(xué)報(bào)，2015，51（18）：158?166.

[9] 艾洪福，石瑩.基于BP人工神經(jīng)網(wǎng)絡(luò)的霧霾天氣預(yù)測(cè)研究[J].計(jì)算機(jī)仿真，2015，32（1）：402?405.

[10] 熊賢成，楊春平，敖明武，等.基于BP神經(jīng)網(wǎng)絡(luò)的云相態(tài)檢測(cè)方法研究[J].遙感技術(shù)與應(yīng)用，2015，30（4）：714?718.endprint