亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LDABPSO算法的煙葉復(fù)烤配方關(guān)聯(lián)特征挖掘

        2022-03-25 04:45:14杜清清侯開虎陳興侯劉雅琴馬顯滔范振宇孫浩巍
        軟件導(dǎo)刊 2022年3期
        關(guān)鍵詞:二進(jìn)制置信度煙葉

        杜清清,侯開虎,陳興侯,劉雅琴,馬顯滔,范振宇,孫浩巍

        (1.昆明理工大學(xué)機(jī)電工程學(xué)院,云南昆明 650500;2.云南煙葉復(fù)烤有限責(zé)任公司麒麟復(fù)烤廠,云南曲靖 655000;3.云南省煙草質(zhì)量監(jiān)督檢測站,云南 昆明 650500)

        0 引言

        卷煙作為一種特殊的農(nóng)業(yè)副食品,通常要求吸食口感長期保持穩(wěn)定[1]。復(fù)烤企業(yè)作為煙草生產(chǎn)鏈的關(guān)鍵環(huán)節(jié),實(shí)現(xiàn)對煙葉的初步加工及模塊化配方打葉,對不同質(zhì)量的煙葉進(jìn)行協(xié)調(diào)搭配,為卷煙企業(yè)提供穩(wěn)定的原材料。但在實(shí)際生產(chǎn)中,煙葉質(zhì)量受氣候、土質(zhì)等因素的影響,導(dǎo)致復(fù)烤配方每年的波動(dòng)性較大,如何維護(hù)復(fù)烤配方模塊是目前亟待解決的問題。

        近年來,已經(jīng)有學(xué)者針對煙葉復(fù)烤配方維護(hù)展開研究。雒興剛等[2]基于歷史配方數(shù)據(jù),運(yùn)用關(guān)聯(lián)規(guī)則Apriori算法挖掘配方中隱含的規(guī)則,得到單料煙的替換規(guī)則,對于卷煙配方維護(hù)具有積極意義。王蘿萍等[3]在文獻(xiàn)[2]的基礎(chǔ)上對Apriori 算法進(jìn)行改進(jìn),提出一種基于矩陣的多維關(guān)聯(lián)規(guī)則算法并在煙葉復(fù)烤配方中成功實(shí)踐。上述文獻(xiàn)通過Apriori 算法可得到配方中隱藏的大量煙葉搭配協(xié)同信息進(jìn)而提煉為規(guī)則,能在一定程度上實(shí)現(xiàn)配方維護(hù)。但采用Apriori 算法進(jìn)行關(guān)聯(lián)分析,需要人工設(shè)定規(guī)則提取閾值,挖掘結(jié)果受主觀性影響大,造成海量冗余規(guī)則的出現(xiàn)且規(guī)則質(zhì)量較低,如何解決上述問題是現(xiàn)階段研究的方向。

        關(guān)聯(lián)分析屬于離散域問題,而二進(jìn)制粒子群算法(Binary Particle Swarm Optimization,BPSO)在離散優(yōu)化方面具有較好的性能[4],近年來備受研究者關(guān)注。宋剛等[5]利用二進(jìn)制粒子群算法優(yōu)化LSTM 模型,并將其應(yīng)用于股票預(yù)測研究,該模型提高了預(yù)測準(zhǔn)確度,且具有普遍適用性;閆坤等[6]針對復(fù)雜網(wǎng)絡(luò)問題,提出基于二進(jìn)制粒子群算法的攻擊策略,研究表明該策略具有高效性等優(yōu)勢;古良云等[7]提出一種改進(jìn)二進(jìn)制粒子群算法,并且在6 個(gè)高維數(shù)據(jù)集上進(jìn)行關(guān)聯(lián)規(guī)則挖掘驗(yàn)以證算法性能,通過與Apriori 算法作對比,表明該方法具有一定可行性;鐘倩漪等[8]將一種多策略二進(jìn)制粒子群算法用于關(guān)聯(lián)規(guī)則挖掘,如此可得到更有效的規(guī)則。上述文獻(xiàn)表明,二進(jìn)制粒子群算法在離散域問題及關(guān)聯(lián)規(guī)則挖掘中的有效性,但現(xiàn)有文獻(xiàn)并未將該算法應(yīng)用于復(fù)烤配方維護(hù)領(lǐng)域。

        綜上,提出一種改進(jìn)二進(jìn)制粒子群算法(Latin Hypercube Arcshaped Binary Particle Swarm Optimization,LDABPSO)用于煙葉復(fù)烤配方關(guān)聯(lián)規(guī)則挖掘。首先對二進(jìn)制粒子群算法從種群初始化、可行解的停滯、擾動(dòng)機(jī)制等3 個(gè)方面提出改進(jìn)策略;其次,將LDABPSO 算法在標(biāo)準(zhǔn)測試函數(shù)上與BPSO算法[9]、李浩君等[10]提出的ABPSO算法(Arcshaped Binary Particle Swarm Optimization,ABPSO)作對比。最后,以云南省麒麟復(fù)烤廠近年配方數(shù)據(jù)作為數(shù)據(jù)源,運(yùn)用LDABPSO 算法進(jìn)行配方關(guān)聯(lián)規(guī)則挖掘。實(shí)驗(yàn)表明,當(dāng)Apriori 算法最小支持度和最小置信度分別設(shè)置為0.18 和0.5 時(shí),LDABPSO 算法挖掘到的煙葉規(guī)則數(shù)量相比Apriori算法減少90.23%,極大減少了冗余規(guī)則的產(chǎn)生,挖掘到的煙葉搭配規(guī)則質(zhì)量更好,且算法運(yùn)行時(shí)間減少8.4%。

        1 改進(jìn)二進(jìn)制粒子群算法

        基本粒子群算法(Particle Swarm Optimization,PSO)只能解決連續(xù)問題,為了解決離散空間問題,Kennedy 等[9]于1997 年在PSO 算法的基礎(chǔ)上提出BPSO 算法。針對BPSO算法容易陷入局部最優(yōu)且產(chǎn)生大量無用計(jì)算的缺陷,本文從全局及局部搜索方面進(jìn)行算法改進(jìn),進(jìn)而提出LDABPSO算法。

        1.1 全局搜索

        本文全局改進(jìn)策略主要從種群初始化方面進(jìn)行設(shè)計(jì),BPSO 算法一般采用隨機(jī)初始化策略,但種群的好壞同樣影響算法的收斂速度和精度[11]。鑒于此,本文提出采用拉丁超立方抽樣初始化種群,均勻劃分搜索空間,保持初始種群的多樣性[12],與隨機(jī)初始化不同的是,拉丁超立方抽樣可以保證變量覆蓋整個(gè)分布空間。圖1 和圖2 分別為隨機(jī)抽樣分布圖和拉丁超立方抽樣圖,在區(qū)間[0,1]隨機(jī)抽取10 個(gè)點(diǎn),可以看到拉丁超立方抽樣基本可以分布到整個(gè)空間。

        Fig.1 Comparison of the two sampling methods圖1 兩種抽樣方式比較

        1.2 局部搜索

        1.2.1 limit 閾值

        受文獻(xiàn)[13]啟發(fā),本文引入蜂群算法在迭代過程中可行解的停滯次數(shù)limit 閾值。在BPSO 算法迭代過程中,算法后期全局搜索過強(qiáng)、局部搜索不足,容易陷入局部最優(yōu)[14]。limit 閾值的引入在很大程度上能促使算法跳出局部最優(yōu),是對算法迭代過程的一種監(jiān)控。在算法初始階段,提前設(shè)置閾值的極大值limitmax。算法迭代時(shí),觀察每個(gè)粒子在閾值內(nèi)的位置是否發(fā)生變化,若沒有發(fā)生變化,則說明算法可能陷入了局部最優(yōu),此時(shí)需要調(diào)整陷入局部最優(yōu)的粒子位置。本文采取的策略是:若某個(gè)粒子位置在limitmax 內(nèi)的位置沒有發(fā)生改變,則直接舍棄,生成新的粒子作為補(bǔ)充。文獻(xiàn)[15]提到,閾值大小對算法尋優(yōu)能力的影響較大,經(jīng)過多次試驗(yàn),本文將limitmax 閾值設(shè)置為80。

        1.2.2 隨機(jī)擾動(dòng)

        其中,是第k次迭代時(shí)第i個(gè)粒子的速度,w為慣性權(quán)重,C1、C2為學(xué)習(xí)因子,r1、r2來自于均勻分布(0,1),pi為粒子最佳適應(yīng)值,g為全局最優(yōu)適應(yīng)值,xi是粒子當(dāng)前位置,x′為粒子隨機(jī)位置,類似地,r3來自于均勻分布(0,1)。由于BPSO 算法中粒子位置只能為0、1,因而粒子位置通過映射函數(shù)決定,rand()為[0,1] 區(qū)間的隨機(jī)數(shù),如式(3)所示。

        1.3 算法框架

        Fig.2 LDABPSO algorithm flow圖2 LDABPSO 算法流程

        2 LDABPSO 算法測試

        2.1 測試函數(shù)

        為了測試LDABPSO 算法的性能,選擇6 種基準(zhǔn)函數(shù)進(jìn)行測試,表1 為標(biāo)準(zhǔn)測試函數(shù)及參數(shù)說明,其中F1、F2、F3為單峰函數(shù),適合測試算法收斂性,F(xiàn)4、F5、F6為多峰函數(shù),用來測試函數(shù)跳出局部最優(yōu)的能力,所有粒子的取值只有0和1。

        Table 1 Standard test functions and parameters表1 標(biāo)準(zhǔn)測試函數(shù)及參數(shù)

        2.2 比較算法

        為了驗(yàn)證LDABPSO 算法的性能,選用以下算法進(jìn)行仿真實(shí)驗(yàn):①基本BPSO 算法[9];②文獻(xiàn)[10]提出的ABPSO 算法;③本文提出的LDABPSO 算法。

        2.3 關(guān)鍵參數(shù)確定

        (1)學(xué)習(xí)因子。學(xué)習(xí)因子C1、C2的大小分別控制粒子向局部最優(yōu)粒子和全局最優(yōu)粒子靠近的步長,通常令C1=C2=1.449。

        (2)慣性權(quán)重。BPSO 算法的慣性權(quán)值w 和文獻(xiàn)[9]保持一致,采用固定慣性權(quán)重。ABPSO、LDABPSO 算法均采用文獻(xiàn)[17]的線性遞減式慣性權(quán)重,相應(yīng)的最大和最小慣性權(quán)重值分別為0.9 和0.4。

        (3)其他參數(shù)。在本次實(shí)驗(yàn)中,BPSO 算法、ABPSO 算法、LDABPSO 算法種群數(shù)量均設(shè)置為15,迭代次數(shù)設(shè)置為500 次。參考文獻(xiàn)[10],BPSO、ABPSO 算法的最大速度值設(shè)為9,LDABPSO 算法的最大速度值設(shè)為4。

        2.4 仿真結(jié)果

        仿真實(shí)驗(yàn)數(shù)據(jù)通過10 次獨(dú)立實(shí)驗(yàn)獲取,圖3 為3 種算法在F1-F6函數(shù)上的收斂曲線比較圖(以種群數(shù)15、迭代次數(shù)500 次為例)。

        為了更好地體現(xiàn)LDABPSO 算法的性能,表2 計(jì)算了BPSO 算法、ABPSO 算法、LDABPSO 算法在F1-F6函數(shù)上的均值及方差。

        Fig.3 Function convergence curve圖3 函數(shù)收斂曲線

        由于單峰函數(shù)F1、F2、F3沒有局部最小點(diǎn),因此算法設(shè)置的維度較低,F(xiàn)4、F5、F6為多峰函數(shù),函數(shù)隨著維度的增加會出現(xiàn)更多局部最小解,所以將其維度設(shè)置為30。從表2可知,種群數(shù)為15、20、25,對應(yīng)迭代次數(shù)分別為500、600、700。不同的參數(shù)設(shè)定下,LDABPSO 算法在6 個(gè)標(biāo)準(zhǔn)測試函數(shù)中具有最好的均值,除多峰函數(shù)F5 外,算法同樣有最好的方差,說明算法具有較好的穩(wěn)定性。通過對初始化種群、加入擾動(dòng)、局部停滯解次數(shù)等多方面的改進(jìn)后,LDABPSO的性能優(yōu)于文獻(xiàn)[10]提出的ABPSO 算法和基本BPSO算法,且LDABPSO 算法在單峰函數(shù)上的收斂速度和精度高于ABPSO 算法、BPSO 算法。

        圖3(d)—圖3(f)為多峰函數(shù)收斂曲線圖,曲線呈直線狀態(tài)時(shí),說明此時(shí)算法已經(jīng)陷入局部最優(yōu),不可避免的是3條曲線都出現(xiàn)了這種情況。曲線狀態(tài)由直線轉(zhuǎn)為折線時(shí),說明算法跳出了局部最優(yōu),從多峰函數(shù)收斂曲線圖可以看出,相較于BPSO 算法、ABPSO 算法,LDABPSO 算法在多峰函數(shù)上的收斂曲線呈折線狀態(tài)較多,這說明算法具有很好的跳出局部最優(yōu)的能力。如圖3(f)所示,在迭代300 次左右時(shí),BPSO 算法、ABPSO 算法在局部已呈現(xiàn)直線狀態(tài),而LDABPSO 算法依然呈折線狀態(tài),說明算法在不斷跳出局部最優(yōu),向質(zhì)量更好的解迭代,因此本文所提的LDABPSO 算法在單峰、多峰測試函數(shù)上均表現(xiàn)良好。

        Table 2 Experimental simulation results表2 實(shí)驗(yàn)仿真結(jié)果

        3 LDABPSO 算法關(guān)聯(lián)規(guī)則挖掘

        本文將一種改進(jìn)二進(jìn)制粒子群算法(LDABPSO)用于歷史復(fù)烤配方(2018-2020 年)的關(guān)聯(lián)規(guī)則挖掘,課題及數(shù)據(jù)均來源于云南省麒麟復(fù)烤廠。

        3.1 復(fù)烤配方關(guān)聯(lián)特征挖掘設(shè)計(jì)

        3.1.1 編碼

        關(guān)聯(lián)規(guī)則就是從數(shù)據(jù)集中發(fā)現(xiàn)事務(wù)之間的關(guān)系,用形如{A}→{B}這樣的規(guī)則表示[18]。首先發(fā)現(xiàn)頻繁項(xiàng)集,頻繁項(xiàng)集指滿足最小支持度的集合,最終關(guān)聯(lián)規(guī)則由頻繁項(xiàng)集生成,用于描述兩種事物間存在很強(qiáng)的關(guān)系,生成的關(guān)聯(lián)規(guī)則必須同時(shí)滿足最小支持度和置信度。

        定義1支持度表示事務(wù)A 和B 在整個(gè)數(shù)據(jù)庫中的占比,σ(D)代表整個(gè)事務(wù)數(shù)據(jù)庫,數(shù)學(xué)表達(dá)如式(4)所示。

        定義2置信度表示所有包含A的事務(wù)中又包含事務(wù)B的占比,數(shù)學(xué)表達(dá)如式(5)所示。

        由上述可知,關(guān)聯(lián)規(guī)則挖掘?qū)儆陔x散域問題,因此本文采用二進(jìn)制編碼,將原始數(shù)據(jù)轉(zhuǎn)換為二進(jìn)制數(shù)據(jù),每條記錄的屬性為0 或1[19],在實(shí)際計(jì)算時(shí)便可很容易計(jì)算出相應(yīng)的支持度和置信度,編碼表示如圖4 所示。

        Fig.4 Coding圖4 編碼

        3.1.2 解碼

        傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘Apriori 算法通過逐層搜索進(jìn)行迭代的方法發(fā)現(xiàn)頻繁項(xiàng)集,進(jìn)而直接得到關(guān)聯(lián)規(guī)則。二進(jìn)制粒子群算法用于關(guān)聯(lián)規(guī)則挖掘則不同,在滿足既定最大迭代次數(shù)M的前提下,最后得到的M 個(gè)全局最佳位置需以一定方式解碼得到關(guān)聯(lián)規(guī)則。如Gbest=(000110111000),采用Holland的密歇根方法[20],其按順序兩兩組合得到S1=(0,0),S2=(0,1),S3=(1,0),S4=(1,1),S5=(1,0),S6=(0,0),Gbest=(S1,S2,S3,S4,S5,S6),S1…S6分別由兩部分組成,第一部分若為1,則表示該事務(wù)出現(xiàn)在規(guī)則中,反之,規(guī)則中不存在該事務(wù);第二部分表示該事務(wù)是規(guī)則的前項(xiàng)或后項(xiàng),1為前項(xiàng),0 為后項(xiàng)。綜上,Gbest 所代表的規(guī)則表示為{ 3,5} →{ 4}。

        3.1.3 適應(yīng)度函數(shù)

        在Apriori 算法中,適應(yīng)度函數(shù)多以支持度或置信度為主。單獨(dú)使用支持度為適應(yīng)度函數(shù),數(shù)據(jù)集中很少出現(xiàn)的項(xiàng)會被刪減,盡管它們?nèi)匀粫a(chǎn)生潛在有價(jià)值的規(guī)則;若單獨(dú)使用置信度,根據(jù)置信度的定義,具有更高支持度的結(jié)果將自動(dòng)產(chǎn)生更高的置信值,即使項(xiàng)目之間不存在關(guān)聯(lián)。因此,本文采用文獻(xiàn)[21]所提的使用支持度和置信度的乘積作為關(guān)聯(lián)規(guī)則挖掘研究的適應(yīng)度函數(shù),如式(6)所示。

        3.2 復(fù)烤配方關(guān)聯(lián)規(guī)則挖掘?qū)崿F(xiàn)

        用拉丁超立方抽樣初始化每個(gè)粒子,重復(fù)以下步驟,直到達(dá)到預(yù)先指定的迭代次數(shù)M。

        Step1:使用式(6)計(jì)算所有粒子的適應(yīng)度函數(shù);

        Step2:更新局部最佳值和全局最佳值;

        Step3:使用式(2)更新粒子位置;

        Step4:判斷粒子的位置在limit 閾值內(nèi)是否發(fā)生變化;

        Step5:粒子的位置若沒有發(fā)生變化,重新生成新的粒子保持種群不變,返回Step1;

        Step6:若粒子位置發(fā)生變化,滿足結(jié)束條件,挖掘停止。

        這個(gè)過程將生成一個(gè)單一的規(guī)則,算法需運(yùn)行M 次,以便從數(shù)據(jù)中獲取前M 個(gè)規(guī)則,基于LDABPSO 算法的煙葉復(fù)烤配方關(guān)聯(lián)規(guī)則挖掘過程如圖5 所示。

        Fig.5 LDABPSO algorithm-based association rule mining flow for redrying formula圖5 基于LDABPSO 算法的復(fù)烤配方關(guān)聯(lián)規(guī)則挖掘流程

        3.3 數(shù)據(jù)預(yù)處理

        現(xiàn)有歷史復(fù)烤配方共計(jì)82 個(gè),分為不同的配方模塊,但是由于有些配方模塊數(shù)較少,不適合關(guān)聯(lián)規(guī)則挖掘,因此本文結(jié)合企業(yè)實(shí)際生產(chǎn),對主要生產(chǎn)加工配方模塊進(jìn)行關(guān)聯(lián)規(guī)則挖掘。通過對配方數(shù)據(jù)的篩選及整理,得到實(shí)驗(yàn)所用復(fù)烤配方數(shù)據(jù),共計(jì)12 行、72 列。若對應(yīng)行的配方中包含對應(yīng)列的煙葉,則為1,反之為0,A 模塊配方數(shù)據(jù)如表3 所示。

        Table 3 Module A formula data表3 A模塊配方數(shù)據(jù)

        3.4 關(guān)聯(lián)規(guī)則挖掘結(jié)果比較分析

        從規(guī)則提取時(shí)間、提取數(shù)量、規(guī)則質(zhì)量3 個(gè)方面分別對Apriori 算法、基于LDABPSO 算法的關(guān)聯(lián)規(guī)則挖掘結(jié)果進(jìn)行實(shí)驗(yàn)比較。

        3.4.1 規(guī)則提取時(shí)間比較

        使用Apriori 算法進(jìn)行復(fù)烤配方挖掘時(shí),將支持度設(shè)置為0.18,置信度設(shè)置為0.5。LDABPSO 算法中,算法總體規(guī)模保持在20 次,迭代次數(shù)保持在50 次,取20 次實(shí)驗(yàn)結(jié)果的平均值,兩種算法的運(yùn)行時(shí)間對比如表4 所示。

        Table 4 Time comparison表4 時(shí)間比較 (s)

        根據(jù)表4 可知,LDABPSO 算法相比于Apriori 算法運(yùn)行時(shí)間減少8.4%。這主要是因?yàn)锳priori 算法在運(yùn)行時(shí),采用逐層搜索迭代策略,在實(shí)際計(jì)算時(shí),需要多次掃描輸入數(shù)據(jù),而LDABPSO 算法不需要多次掃描數(shù)據(jù),只需要將處理過后的數(shù)據(jù)按照既定的條件迭代,最后得到的全局最好值即為提取到的較佳規(guī)則,且隨著數(shù)據(jù)集的增大,本文所提出的方法在運(yùn)行時(shí)間方面將會有更突出的優(yōu)勢。

        3.4.2 規(guī)則提取質(zhì)量

        因得到的規(guī)則數(shù)量較多,表5 所展示的只是部分規(guī)則。表5 中[0.21,0.52]代表支持度為0.21,置信度為0.52。以改進(jìn)算法提取的規(guī)則5 為例,規(guī)則表示為{53,62} →{55,57},可以看出模塊配方同時(shí)包含煙葉編號為53、62、55、57的概率為10%,置信度為1,表明在實(shí)際模塊配方中,在含有煙葉編號53、62的前提下,有100%的概率包含編號為55 和57的煙葉,規(guī)則提取質(zhì)量比較如表5 所示。

        通過表5 可知,Apriori 算法提取出的規(guī)則{ 6} →{ 23}和{ 23} →{ 6} 為冗余規(guī)則,而LDABPSO 算法提取到的規(guī)則只有{ 6} →{ 23}。同樣地,規(guī)則{17,18,23} →{6,13,16} 和規(guī)則{17,6} →{13,17,18,23} 也為冗余規(guī)則,可見在Apriori算法中,會出現(xiàn)大量的冗余規(guī)則,這造成兩種不同算法提取到的規(guī)則數(shù)量出現(xiàn)很大差距。

        Table 5 Comparison of rule extraction quality(partial)表5 規(guī)則提取質(zhì)量比較(部分)

        綜上,Apriori 算法提取到的規(guī)則多為無效規(guī)則。此外,LDABPSO 算法還能挖掘出被忽略的低支持度而高置信度的關(guān)聯(lián)規(guī)則,而往往這類規(guī)則具有重要價(jià)值,例如規(guī)則{6,20,35,37} →{17,32},這是Apriori 算法無法實(shí)現(xiàn)的。

        3.4.3 規(guī)則提取數(shù)量

        對于Apriori 算法,需要提前設(shè)定好最小支持度和最小置信度,最后得到的煙葉搭配規(guī)則數(shù)受上述兩個(gè)參數(shù)的影響較大。將其最小支持度和最小置信度分別設(shè)置為0.18和0.5,提取規(guī)則共計(jì)4 073 條,將其分別設(shè)置為其他數(shù)值,如0.2 和0.5,得到的結(jié)果僅1 532 條,又如設(shè)定為0.1 和0.3,得到結(jié)果共8 956 條,由此可見,Apriori 算法受主觀性影響很大。若最小支持度和最小置信度設(shè)定過小,結(jié)果集會出現(xiàn)海量規(guī)則;如果設(shè)定過大,又會丟失很多重要規(guī)則,LDABPSO 算法解決了從海量雜亂規(guī)則中人工盲目篩選規(guī)則的問題,兩種算法得到的規(guī)則數(shù)量比較如表6 所示。

        Table 6 Comparison of number of rules表6 規(guī)則數(shù)量比較

        綜上可知,運(yùn)用LDABPSO 算法挖掘A 配方模塊中煙葉之間的協(xié)同、搭配信息規(guī)則,經(jīng)過比對真實(shí)配方數(shù)據(jù),挖掘到的結(jié)果和真實(shí)配方數(shù)據(jù)保持一致,因而采用LDABPSO 算法挖掘到的煙葉搭配規(guī)則有效。

        4 結(jié)語

        本文將一種改進(jìn)二進(jìn)制粒子群算法(LDABPSO)用于復(fù)烤配方的關(guān)聯(lián)規(guī)則挖掘,對BPSO 算法提出改進(jìn)策略,將其應(yīng)用于關(guān)聯(lián)規(guī)則復(fù)烤配方挖掘,并通過實(shí)驗(yàn)對比驗(yàn)證所提算法的有效性。LDABPSO 算法避免了Apriori 算法預(yù)設(shè)最小支持度和最小置信度的缺陷及大量冗余規(guī)則的出現(xiàn),且規(guī)則質(zhì)量進(jìn)一步提升。在實(shí)際生產(chǎn)中,使用LDABPSO 算法挖掘到的復(fù)烤配方中煙葉協(xié)同搭配信息可在一定程度上實(shí)現(xiàn)復(fù)烤配方維護(hù)。此外,各配方模塊所使用的主要煙葉每年變動(dòng)不大,對于復(fù)烤企業(yè)而言,可以根據(jù)挖掘到的煙葉協(xié)同規(guī)則為卷煙企業(yè)提前準(zhǔn)備煙葉原料,縮短生產(chǎn)提前期。隨著配方數(shù)的不斷增多,未來可考慮從算法運(yùn)行時(shí)間、規(guī)則質(zhì)量提升方面作進(jìn)一步優(yōu)化。

        猜你喜歡
        二進(jìn)制置信度煙葉
        硼鋁復(fù)合材料硼含量置信度臨界安全分析研究
        用二進(jìn)制解一道高中數(shù)學(xué)聯(lián)賽數(shù)論題
        有趣的進(jìn)度
        關(guān)于新形勢下煙葉生產(chǎn)可持續(xù)發(fā)展的思考
        活力(2019年15期)2019-09-25 07:21:56
        二進(jìn)制在競賽題中的應(yīng)用
        正負(fù)關(guān)聯(lián)規(guī)則兩級置信度閾值設(shè)置方法
        煙葉主要真菌病害的發(fā)生與防治
        置信度條件下軸承壽命的可靠度分析
        軸承(2015年2期)2015-07-25 03:51:04
        一種降低造紙法再造煙葉平滑度的方法
        天津造紙(2015年2期)2015-01-04 08:18:13
        湘西上部煙葉化學(xué)成分特征及聚類分析
        作物研究(2014年6期)2014-03-01 03:39:04
        国产精品av免费网站| 天堂影院一区二区三区四区| 无码不卡高清毛片免费| 亚洲一区二区免费日韩| 99久久国产免费观看精品| 偷拍激情视频一区二区三区| 久久综合精品国产丝袜长腿| WWW拍拍拍| 久久精品亚洲精品国产区| 国产无夜激无码av毛片| 亚洲碰碰人人av熟女天堂| 大陆啪啪福利视频| 高清不卡av一区二区| 影音先锋色小姐| 狠狠躁夜夜躁人人爽超碰97香蕉| 国产一区二区三区视频免费在线| 手机久草视频福利在线观看| 中字幕人妻一区二区三区| 亚洲黄色免费网站| 人妻中出中文字幕在线| 最新国产精品拍自在线观看| 国产精品美女久久久久| 在线观看av国产自拍| 午夜免费观看一区二区三区| 国产精品扒开腿做爽爽爽视频 | 免费人成无码大片在线观看| 国产成人福利在线视频不卡| 一区二区在线观看日本视频| 久久精品国产免费观看| 精品国产香蕉伊思人在线又爽又黄| 国产三级在线观看高清| 亚洲国产精品久久精品| 国产70老熟女重口小伙子| 国产成人丝袜在线无码| 成人av蜜桃在线观看| 色偷偷噜噜噜亚洲男人| 国产精品久久久久影视不卡| 99伊人久久精品亚洲午夜| 无码人妻丰满熟妇啪啪网站| 91视频免费国产成人| 亚洲中文字幕一区高清在线|