陳 沖，徐清宇，程 欣，李克奇，甄 磊

（北方自動控制技術研究所，太原 030006）

0 引言

現(xiàn)今的模擬仿真訓練系統(tǒng)中，對于溫度、風力、云、霧、沙塵、降雨量等氣象環(huán)境的仿真主要是以復現(xiàn)歷史戰(zhàn)場氣象環(huán)境數(shù)據(jù)來實現(xiàn)的。主要是通過對歷史戰(zhàn)場氣象環(huán)境數(shù)據(jù)的挖掘進行復現(xiàn)，主要方法包括基于K 均值聚類算法的氣象數(shù)據(jù)挖掘、基于蟻群算法的戰(zhàn)場氣象環(huán)境數(shù)據(jù)挖掘，和基于氣象預測相關數(shù)據(jù)挖掘模型的戰(zhàn)場氣象環(huán)境數(shù)據(jù)挖掘。其中最常用的是氣象預測相關數(shù)據(jù)挖掘模型的戰(zhàn)場氣象環(huán)境數(shù)據(jù)挖掘方法。

在模擬仿真訓練過程中，單一的對歷史戰(zhàn)場氣象環(huán)境的再現(xiàn)，已經(jīng)遠遠不能滿足對于多變戰(zhàn)場環(huán)境的仿真需求。針對陸軍模擬仿真訓練系統(tǒng)其在訓練過程中對虛擬戰(zhàn)場氣象環(huán)境的干預，需要在合理可控的預測區(qū)間內(nèi)對調(diào)理作出響應。本文所提出的基于戰(zhàn)場氣象環(huán)境歷史數(shù)據(jù)的模糊預測算法，是在擬合區(qū)間內(nèi)對氣象數(shù)據(jù)的模糊預測擬合，滿足陸戰(zhàn)場仿真系統(tǒng)中對多變戰(zhàn)場氣象環(huán)境的要求。

1 戰(zhàn)場氣象環(huán)境數(shù)據(jù)處理方法

1.1 氣象預報專家系統(tǒng)

對于氣象環(huán)境預報來說，用到最多的是被廣為熟知的氣象預報專家系統(tǒng)。該系統(tǒng)是以氣象環(huán)境學知識為基礎，并以推理機系統(tǒng)產(chǎn)生的邏輯推斷為依據(jù)來預報氣象環(huán)境。通常包括知識獲取、知識庫、數(shù)據(jù)庫、推理機、輸出解釋和資料處理與預報參數(shù)采集等6 部分分系統(tǒng)。知識獲取分系統(tǒng)是利用壓縮后的預報因子和因子群，將從氣象環(huán)境預報員和氣象領域專家得到的知識轉變?yōu)橄到y(tǒng)可識別的形式，并將其寄存于知識庫分系統(tǒng)中。推理機分系統(tǒng)是利用氣象學知識產(chǎn)生的規(guī)則，對氣象環(huán)境數(shù)據(jù)進行邏輯判斷。知識庫分系統(tǒng)是氣象預報專家系統(tǒng)的核心部分，知識的獲取、解析、推理和預報都建立在知識庫分系統(tǒng)的基礎上。數(shù)據(jù)庫分系統(tǒng)是用來存儲氣象信息數(shù)據(jù)的，主要包括歷史氣象數(shù)據(jù)資料和實時氣象數(shù)據(jù)資料兩部分內(nèi)容。輸出解釋分系統(tǒng)是通過人機互操作的形式將系統(tǒng)的各種信息提供給用戶，使系統(tǒng)具備一定的可理解性。資料處理與預報參數(shù)分系統(tǒng)又可以稱之為學習系統(tǒng)，通過與外界環(huán)境進行交互不斷完善自身的性能。

隨著數(shù)據(jù)處理技術的不斷發(fā)展，對氣象環(huán)境數(shù)據(jù)處理能力在不斷提高，獲取到的氣象環(huán)境數(shù)據(jù)量也在不斷增加，氣象環(huán)境數(shù)據(jù)的殘缺、冗余和混亂現(xiàn)象越來越明顯。通過專家和人工獲取的知識已經(jīng)不能滿足對復雜數(shù)據(jù)總體特性準確描述的需求，因數(shù)據(jù)量爆炸式增長而出現(xiàn)的知識匱乏現(xiàn)象也日漸顯露。在氣象環(huán)境數(shù)據(jù)量龐大的今天，知識獲取逐漸成為制約氣象預報專家系統(tǒng)發(fā)展的核心問題。

1.2 氣象數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是利用多種分析工具在海量數(shù)據(jù)中尋求構建模型和數(shù)據(jù)之間關系的過程，并利用這些數(shù)據(jù)和模型間關系對數(shù)據(jù)更進一步預測。數(shù)據(jù)挖掘在氣象預報中首先要做的是對氣象數(shù)據(jù)的描述，并對統(tǒng)計變量進行計算。隨著數(shù)據(jù)庫和數(shù)據(jù)挖掘技術的發(fā)展，數(shù)據(jù)挖掘在氣象預報中的應用越來越多。從最早在氣象環(huán)境數(shù)據(jù)處理中用到的統(tǒng)計學回歸和聚類分析方法，到現(xiàn)今所用到的數(shù)據(jù)挖掘技術、氣象環(huán)境數(shù)據(jù)處理技術也在不斷變革。

由于氣象數(shù)據(jù)和電力負荷數(shù)據(jù)之間存在著極大的不確定性關系，在計算機系統(tǒng)中的電力負荷預測上，開始出現(xiàn)了大量的研究和試驗。大量研究表明，氣象變化是導致計算機系統(tǒng)電力負荷變化的因素之一。

雖然上面所提到的兩種方法對于戰(zhàn)場氣象環(huán)境數(shù)據(jù)都能起到預測作用，但是針對陸軍模擬仿真訓練系統(tǒng)，所要實現(xiàn)的不僅僅是對戰(zhàn)場氣象環(huán)境數(shù)據(jù)的準確預測，還有在仿真過程中在不影響整體系統(tǒng)環(huán)境數(shù)據(jù)的基礎上，對虛擬戰(zhàn)場氣象環(huán)境在合理范圍內(nèi)的干預和調(diào)理。針對以上問題，本文提出了一種基于歷史戰(zhàn)場氣象環(huán)境數(shù)據(jù)的模糊預測算法設計。

2 戰(zhàn)場氣象環(huán)境數(shù)據(jù)預處理技術

對戰(zhàn)場氣象環(huán)境進行精準的預測，是在對戰(zhàn)場氣象環(huán)境數(shù)據(jù)進行準確分析后的基礎上完成的。原始氣象環(huán)境數(shù)據(jù)中所存在的數(shù)據(jù)冗余、雜亂和不完整等問題，會直接影響到數(shù)據(jù)挖掘和模糊預測的效果，所以在對氣象數(shù)據(jù)進行挖掘和模糊預測前，要根據(jù)氣象數(shù)據(jù)特性，利用現(xiàn)有的數(shù)據(jù)清理、集成、變換和規(guī)約等預處理技術，可以提升戰(zhàn)場氣象環(huán)境數(shù)據(jù)的質量，提高挖掘和預測的效率。

數(shù)據(jù)清理主要是用來填補遺漏數(shù)據(jù)、消除異常數(shù)據(jù)和平滑噪聲數(shù)據(jù)，能有效糾正錯誤數(shù)據(jù)。

數(shù)據(jù)集成是指將不同數(shù)據(jù)源的數(shù)據(jù)整合到一起，形成一個統(tǒng)一的數(shù)據(jù)集合，為數(shù)據(jù)挖掘和模糊預測提供完整的數(shù)據(jù)基礎。以給出的兩個屬性A 和B 數(shù)據(jù)集合為例，其中n 是集合A、B 的元素個數(shù)，A與B 是集合A、B 的均值，σA與σB是集合A、B 的標準差。根據(jù)集合A、B 的數(shù)值屬性，使用下式分析集合A、B 數(shù)值屬性間的互相關關系：

數(shù)據(jù)變化是指采用規(guī)范化和屬性構造等方法，將原始氣象環(huán)境數(shù)據(jù)轉變?yōu)檫m合挖掘和預測的形式。常用的規(guī)范化方法有最小-最大規(guī)范化、零均值規(guī)范化和十基數(shù)變換規(guī)范化。

1）最小-最大規(guī)范化法：假設minA和maxA為A 屬性的最小值與最大值。最小-最大規(guī)范化是對A 的值線性變換，將其映射到區(qū)間［newminA，newmaxA］中，其映射公式如下：

2）零均值規(guī)范化法：將集合A 的數(shù)值屬性值v基于A 的平均值和標準差進行處理，其中A、σA為集合A 的均值和標準差，利用下式規(guī)范為v'：

3）十基數(shù)變換規(guī)范化法：通過移動集合A 的小數(shù)點位置，將集合A 的屬性值v 規(guī)范化為v'，其中j 是使得max（|v'|）<1 的最小整數(shù)。而小數(shù)點的移動位數(shù)取決于A 的最大絕對值。

數(shù)據(jù)歸約技術是對氣象環(huán)境原始數(shù)據(jù)集進行屬性選擇和部分采樣等處理，得到原數(shù)據(jù)集的精簡集合。該精簡數(shù)據(jù)集不僅減小了原始數(shù)據(jù)集的數(shù)據(jù)量，還保持了原數(shù)據(jù)集的完整性。

對于模糊預測在歷史氣象數(shù)據(jù)挖掘應用來說，主流的是在K 均值聚類算法的基礎上，引入隸屬關系形成的模糊K 均值聚類的氣象數(shù)據(jù)挖掘算法，其在一定程度上增加了數(shù)據(jù)挖掘的準確率。以主從隸屬的依附關系，根據(jù)隸屬度關系進行分類模糊，提高某幾類數(shù)據(jù)挖掘的準確率。但在氣象數(shù)據(jù)模糊預測中，所要求的是對于整個時間段內(nèi)氣象數(shù)據(jù)的挖掘預測，不存在隸屬關系，就需要來尋求其他的關于氣象數(shù)據(jù)挖掘的模糊預測。

3 模糊預測數(shù)據(jù)生成算法設計

本文所提出的基于模擬訓練歷史數(shù)據(jù)的氣象環(huán)境數(shù)據(jù)模糊預測算法，其通過時間序列分析氣象環(huán)境數(shù)據(jù)之間的關聯(lián)性，通過模擬訓練的歷史氣象環(huán)境數(shù)據(jù)挖掘時間序列變化的規(guī)律，來對未來氣象環(huán)境數(shù)據(jù)進行模糊預測。模型計算的模糊帶包絡覆蓋了實際值變化的曲線，能夠在模擬仿真訓練過程中滿足用戶在真實可能性的基礎上，實現(xiàn)對虛擬戰(zhàn)場環(huán)境數(shù)據(jù)定制。模糊時間序列曲線擬合預測過程主要包括以下內(nèi)容。

3.1 原始數(shù)據(jù)模糊化

以某一虛擬戰(zhàn)場環(huán)境數(shù)據(jù)來說，假設該戰(zhàn)場環(huán)境某月的歷史平均數(shù)據(jù)為一組實數(shù)x1，x2，…xT，利用它們構造一組模糊數(shù)，設當t=1 和T 時，

3.2 計算模糊時間序列的階數(shù)

在給出的歷史年份T 內(nèi)取不同的正整數(shù)k 值，計算趨勢方程：

3.3 計算趨勢方程模糊系數(shù)pi 和邊界線

設pi為三角模糊函數(shù)，則它的估計值p^i可以設為：

得到pi的估計值p^i，則得到趨勢方程為：

此時可代入未來時間，SVt*（）也是一個三角模糊數(shù)，當時間變動時SVt*（t）不是一條曲線，而是一個曲線帶，曲線帶的上下兩條邊界曲線分別為f1（t）=β（t）+S（t）和f2（t）=β（t）-S（t），中心線為f0（t）=β（t），

3.4 Box-Muller 算法得正態(tài)分布的隨機數(shù)

Box-Muller 算法核心是先產(chǎn)生一組服從均勻分布的隨機數(shù)，再將該組均勻分布的隨機數(shù)通過變化轉換為正態(tài)分布的隨機數(shù)。

在（0，1］值域內(nèi)生成u1和u2，且u1、u2為相互獨立的兩個隨機數(shù)：

u1=rand（）*1.0/RAND_MAX;

u2=rand（）*1.0/RAND_MAX;

其中，RAND_MAX 為定義的字符常量，rand（）為產(chǎn)生在0-RAND_MAX 區(qū)間值的函數(shù)，由此算出一個正態(tài)分布的隨機數(shù)字Z：

Z=R*cos（a）；

其中，R=sqrt（-2*log（u2））；a=2*π*u1；

得到一個均值為0，標準差為1 統(tǒng)計量，映射到一個均值為β（t），標準偏差為S（t）的統(tǒng)計量X：

X =β（t）+ Z * S（t），即為默認的預測值函數(shù)。

4 實驗結果分析

為了驗證算法的可行性和有效性，本文采取戰(zhàn)場環(huán)境中的天氣溫度數(shù)據(jù)來進行算法的可行性實現(xiàn)，并與歷史數(shù)據(jù)挖掘到的溫度數(shù)據(jù)進行比較，驗證該算法的有效性。利用MATLAB 工具以虛擬仿真訓練戰(zhàn)場氣象環(huán)境中的氣溫為例，來繪制戰(zhàn)場環(huán)境的歷史氣溫挖掘數(shù)據(jù)和本文設計算法得到的預測溫度數(shù)據(jù)。

本文以中部戰(zhàn)區(qū)某戰(zhàn)場2020 年7 月份的日平均溫度作為樣本數(shù)據(jù)來進行預測，以1999-2019 年前20 年的該戰(zhàn)場7 月份日平均氣溫數(shù)據(jù)進行挖掘獲得7 月份日平均溫度的歷史數(shù)據(jù)，氣溫數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)。由于數(shù)據(jù)繁多復雜，這里直接給出原始數(shù)據(jù)經(jīng)過預處理后的2020 年7 月份和前20 年中部某戰(zhàn)場的日平均氣溫數(shù)據(jù)，如表1 和表2所示。

表1 2020 年中部某戰(zhàn)場7 月日平均溫度

對于所要預測擬合的2020 年7 月份太原市的日平均氣溫本文以前20 年的溫度為樣本，利用本文算法給出預測擬合區(qū)間，并在該區(qū)間內(nèi)進行預測擬合，同時與常用的歷史數(shù)據(jù)挖掘得到的數(shù)據(jù)進行比較，分析該算法的有效性，所得到的結果如圖1～圖4 所示。

表2 前20 年7 月份中部某戰(zhàn)場日平均溫度

圖1 2020 年7 月份日平均氣溫

圖3 歷史氣溫數(shù)據(jù)挖掘曲線

從上圖中可以看出本文所提出的利用歷史數(shù)據(jù)來進行戰(zhàn)場環(huán)境的模糊預測模擬，相比歷史數(shù)據(jù)挖掘所得到的環(huán)境數(shù)據(jù)更加貼合實際戰(zhàn)場環(huán)境數(shù)據(jù)，且其在擬合區(qū)間內(nèi)進行戰(zhàn)場環(huán)境的數(shù)據(jù)預測擬合思想，更加符合在模擬仿真訓練過程中對虛擬戰(zhàn)場環(huán)境的實時戰(zhàn)場干預和調(diào)理。

圖4 擬合區(qū)間內(nèi)算法預測擬合的曲線

5 結論

虛擬戰(zhàn)場環(huán)境仿真數(shù)據(jù)通過模糊時間序列算法預測得出的是一個可能性區(qū)間，在該合理區(qū)間內(nèi)可以進行預測擬合曲線的自定義。預測方程系數(shù)不是確定的數(shù)，而是一組模糊數(shù)；預測的是一個區(qū)間，而不是一個確定值，在該區(qū)間內(nèi)可以對陸軍模擬仿真訓練過程中的虛擬戰(zhàn)場氣象環(huán)境進行合理的干預調(diào)理。