數(shù)據(jù)挖掘技術在中藥提取信息分析中的應用

馬 健，董 輝，盛 魁 (亳州職業(yè)技術學院信息工程系，安徽 亳州 236800)

數(shù)據(jù)挖掘技術在中藥提取信息分析中的應用

馬 健，董 輝，盛 魁 (亳州職業(yè)技術學院信息工程系，安徽 亳州 236800)

中藥提取在中藥生產(chǎn)中占有十分重要的地位，在中藥提取過程中，生產(chǎn)參數(shù)數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)往往會出現(xiàn)一些問題。將改進的FP-Growth算法和k-means聚類算法應用于中藥生產(chǎn)，并對生產(chǎn)過程中的數(shù)據(jù)進行分析。結果表明，利用數(shù)據(jù)挖掘技術可以解決中藥提取過程中存在的數(shù)據(jù)問題，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

數(shù)據(jù)挖掘；關聯(lián)規(guī)則；中藥提取；FP-Growth算法

數(shù)據(jù)挖掘技術能夠在大量的數(shù)據(jù)中分析出對企業(yè)生產(chǎn)決策和經(jīng)營決策提供幫助的信息，關聯(lián)規(guī)則挖掘和聚類分析是數(shù)據(jù)挖掘中非常重要的2種類型，F(xiàn)P-Growth 算法是實現(xiàn)關聯(lián)規(guī)則挖掘的經(jīng)典算法。筆者在分析FP-Growth 算法的基礎上將其進行改進，并利用該算法和k-means算法對中藥提取信息進行分析挖掘，以便為中藥生產(chǎn)企業(yè)提供一定幫助，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

1 關聯(lián)規(guī)則挖掘

關聯(lián)規(guī)則挖掘的問題描述如下：設I={i1,i2,i3,…,in}是數(shù)據(jù)項的集合，D={T1,T2,…,Tn}是一個事務數(shù)據(jù)庫,其中每個事務T是數(shù)據(jù)項集I的子集，即T?I，每個事務T有一個標識符TID與之相關。如果I的一個子集X滿足X?T，則稱事務T包含項目集X。一個關聯(lián)規(guī)則就是形如X?Y的蘊涵式，即X?I，Y?I，X∩Y=Φ，此處，“?”稱為“關聯(lián)”操作，X稱為關聯(lián)規(guī)則的先決條件，Y稱為關聯(lián)規(guī)則的結果。例如，中藥信息提取中，提取過程為A，固含量為B，則可用關聯(lián)規(guī)則R表示為：R:A?B。支持度(Support)和置信度(Confidence)是關聯(lián)規(guī)則中的重要概念，分別如式(1)和式(2)所示[1]：

support(A?B)=support(A∪B)=B|A

(1)

(2)

在實際應用中，支持度和置信度均較高的關聯(lián)才可作為有用的關聯(lián)規(guī)則。最小支持度表示數(shù)據(jù)項在統(tǒng)計意義下的最低重要性，只有滿足最小支持度的數(shù)據(jù)項集才能在關聯(lián)規(guī)則中出現(xiàn)，稱之為頻繁項集；最小置信度則表示關聯(lián)規(guī)則的最低可靠度。滿足大于最小支持度和最小置信度的規(guī)則稱為強規(guī)則，關聯(lián)規(guī)則挖掘的任務是發(fā)現(xiàn)所有頻繁項集并挖掘出事務數(shù)據(jù)庫D中所有的強規(guī)則[2]。

2 FP-Growth算法改進

FP-Growth算法是韓家瑋等[3]提出的基于FP-Tree增長樹的著名算法，該算法在不產(chǎn)生候選集的情況下，提供了良好的頻繁模式挖掘過程，其性能比Apriori算法有所提高。但隨著遞歸調(diào)用的深入，F(xiàn)P-Growth算法產(chǎn)生的條件FP-Tree越來越多，這不僅費時而且占用大量存儲空間，導致挖掘效率不高。為了解決該問題，筆者對FP-Growth算法進行改進，其基本思想是通過減少搜索共享前綴的時間來減少生成FP-Tree的時間，從而提高挖掘效率。即在存在共享前綴的條件下，遍歷節(jié)點的第1個子女節(jié)點就發(fā)現(xiàn)共享前綴，其挖掘步驟如下：①頻繁1-項集排序。掃描數(shù)據(jù)庫D一次，生成頻繁1-項集及每個頻繁項集的支持度，按支持度降序排序，結果為L。②事務項重排序。按照頻繁項表L的次序?qū)κ聞諗?shù)據(jù)庫項排序，生成事務數(shù)據(jù)庫D1。③事務集再排序。按照L的次序?qū)1的整個數(shù)據(jù)集再排序，即先對事務集的首列按L的次序排序，然后在此基礎上對事務集的次列再按L的次序排序，依次類推到數(shù)據(jù)集的終列得到排序數(shù)據(jù)集D2。④構造FP-Tree條件。創(chuàng)建以“null”為標記的根節(jié)點，掃描D2，對其中每個事務調(diào)用insert_tree(P,T)過程，生成FP-Tree。⑤挖掘FP-Tree。遞歸調(diào)用FP-Growth算法，挖掘FP-Tree,得到頻繁項集。

3 利用k-means算法對質(zhì)量檢測數(shù)據(jù)聚類

k-means算法是典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即2個對象的距離越近，其相似度就越大。該算法認為簇是由距離靠近的對象組成的，因此把得到緊湊且獨立的簇作為最終目標[4]。k-means算法的基本思想是將n個數(shù)據(jù)對象xj(j=1,2,…,n)劃分為k個集合ki(i=1,2,…,k)，每個集合為一個簇，k≤n。每個數(shù)據(jù)對象只屬于一個簇，每簇至少包含一個對象。k需要用戶指定，隨即創(chuàng)建初始劃分的簇，然后采用迭代重定位技術進行劃分，中心選擇聚類中心，直到聚類中心收斂，使同一個簇中的對象距離最近和不同簇的對象距離最遠。距離評價函數(shù)根據(jù)數(shù)據(jù)對象的特性選擇不同的相似度計算函數(shù)。k-means聚類算法是劃分方法中的一種常用方法，每個簇的中心用該簇內(nèi)數(shù)據(jù)對象的均值表示[5]。

中藥提取是中藥生產(chǎn)的第1道工序，由于需要質(zhì)檢的數(shù)據(jù)很多，筆者采用k-means算法對調(diào)配液的相對密度、檢測溫度、固體含量和水煮液相對密度、檢測溫度、固含量以及噴霧干燥的水分共7個屬性進行聚類分析，以便得到上述質(zhì)檢指標的數(shù)據(jù)分布情況，從而對企業(yè)目前的標準進行合理優(yōu)化。現(xiàn)以中藥降壓避風片提取的檢測指標(見表1)為例進行說明。

表1 提取生產(chǎn)中的檢測指標調(diào)配液

設置參數(shù)聚類數(shù)目范圍為2～4，系統(tǒng)運行后得到聚類分析的結果如表2所示。

表2 聚類參數(shù)值分析

根據(jù)表2提供的中藥提取質(zhì)檢數(shù)據(jù)的7個屬性，采用k-means聚類的初始參數(shù)進行優(yōu)劣比較，聚類數(shù)目的參數(shù)范圍為2～4，選擇goodness Index值最小值對應的參數(shù)作為k-means聚類算法的初始參數(shù)。通過計算，如要得到精確的聚類，則優(yōu)質(zhì)因子goodness Index值的劃分要小，因而根據(jù)最佳聚類數(shù)據(jù)把參數(shù)代入相應的函數(shù)，就可以得到k-means聚類結果(見表3)。由于表3是以系統(tǒng)選擇的最佳初始參數(shù)為初始參數(shù)，采用k-means聚類算法對7個質(zhì)檢指標進行聚類后得到的結果，因而操作人員可以根據(jù)上述結果來研究更符合生產(chǎn)工藝的質(zhì)量檢測要求，即若某區(qū)間參數(shù)數(shù)據(jù)量最多，則可將該區(qū)間作為質(zhì)量檢測指標的參考值來進行數(shù)據(jù)分析。

4 利用改進的FP-Growth算法對數(shù)據(jù)關聯(lián)操作

1)整理數(shù)據(jù) 首先整理過程和結果數(shù)據(jù)，集成2個數(shù)據(jù)文件，使之成為1個數(shù)據(jù)集。采用將同種批號數(shù)據(jù)每個屬性取均值和方差代表該批數(shù)據(jù)的方式，將各個屬性的均值和方差與固含量數(shù)據(jù)結合起來，其結果如表4所示。

通過數(shù)據(jù)離散化對目前關聯(lián)規(guī)則發(fā)現(xiàn)數(shù)據(jù)進行處理，采用用戶自由擬定分組數(shù)目對各個屬性進行等寬度劃分的方式對數(shù)據(jù)進行輸入。離散化連續(xù)數(shù)據(jù)劃分區(qū)間如表5所示。

3)產(chǎn)生最大頻繁集 在中藥提取企業(yè)中，為了能夠得到更好的調(diào)配液固含量，可以利用改進的FP-growth算法，在生成FP-Tree前將事務數(shù)據(jù)集按頻繁項集的降序排序,從而使得搜索共享前綴在理想條件下搜索,從而減少搜索時間。根據(jù)該算法能夠快速挖掘出所有頻繁項模式，可使挖掘效率顯著提高。

表3 對檢測調(diào)配液數(shù)據(jù)的聚類結果

表4 提取與濃縮過程屬性和固含量數(shù)據(jù)分別結合數(shù)據(jù)集

表5 離散化連續(xù)數(shù)據(jù)劃分區(qū)間

3)結果分析 根據(jù)關聯(lián)原則設定一個最小置信度，設定的值應比較適中，根據(jù)實際情況設定為67%，產(chǎn)生的關聯(lián)規(guī)則結果如表6所示。從表6可以看出，對于提取過程與固含量的關系，當生產(chǎn)的批次中進液量方差和循環(huán)溫度方差均較小時，能夠得到很好的固含量結果；對于濃縮過程與固含量的關系，當生產(chǎn)的批次中濃縮液密度均值在1.02～1.03之間、濃縮罐溫度、密度方差適中時，能夠得到很好的固含量結果。

表6 關聯(lián)規(guī)則結果

[1]Han Jia-wei，Micheline Kamber. 數(shù)據(jù)挖掘：概念與技術[M]. 范明，孟小峰 譯.北京：機械工業(yè)出版社，2007.

[2]李云，蔡俊杰，劉宗田，等.基于量化規(guī)則格的關聯(lián)規(guī)則漸進更新[J].計算機應用研究，2007，24(5)：27-30.

[3]叢丹，王俊普，楊文.基于FP-tree的模式分解算法[J].計算機工程，2005，31(16)：77-80.

[4]張建輝.k-means聚類算法研究及應用[D].武漢：武漢理工大學，2007.

[5]羅洎,王瑩.基于k-均值聚類的中國存貨景氣指數(shù)設計研究[J].經(jīng)濟研究導刊,2009(26):10-12.

[編輯] 李啟棟

10.3969/j.issn.1673-1409.2012.01.036

TP311

A

1673-1409(2012)01-N113-03