基于改進BP神經網絡的關聯挖掘模型設計

梁燕紅

摘 要： 針對傳統BP神經網絡的關聯挖掘模型中關聯挖掘方法和用戶交互矛盾問題，提出一種基于改進BP神經網絡的關聯挖掘模型設計。采用改進的BP神經網絡算法進行BP神經網絡計算，解決了二次函數的非線性優化問題。運用優化的算法保證了適應度函數的選擇能力，避免了閾值以及權值對BP神經網絡的誤差倒數的影響。為了驗證所設計的基于改進BP神經網絡的關聯挖掘模型的有效性，設計了對比仿真實驗，實驗結果表明，提出的基于改進BP神經網絡的關聯挖掘模型設計能夠有效地解決關聯挖掘方法和用戶交互矛盾問題。

關鍵詞： BP神經網絡； 關聯挖掘模型； 算法改進； 二次函數； 選擇能力； 用戶交互

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 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神經網絡的不斷發展，使用BP神經網絡進行關聯挖掘已經成為數據關聯挖掘的一種突破性方法[1?2]。

隨著科技的發展，硬件補償方法已經對數據關聯挖掘起不到促進作用，只能通過不斷完善軟件的設計來達到對挖掘模型的完善[3]。

傳統軟件補償方法主要有以下幾種：插值分位填充法、最小公倍數多項分列曲線表達法、BP神經網絡方法等[4?6]。傳統的BP神經網絡的關聯挖掘模型中，存在關聯挖掘方法和用戶交互矛盾問題[7]。

針對上述問題，本文提出一種基于改進BP神經網絡的關聯挖掘模型設計，運用了改進的BP 神經網絡算法進行閾值測量計算以及權值反饋，優化了適應度函數的選擇，保證了BP神經網絡進行數據關聯挖掘模型的有效性。這樣不需要對數據誤差倒數進行補償，提高了設計的基于改進BP神經網絡的關聯挖掘模型的準確性。

為了驗證本文設計方法的有效性，還設計了對比仿真實驗，通過實驗數據進一步證明了設計的基于改進BP神經網絡的關聯挖掘模型的有效性。

1 運用改進BP神經網絡進行關聯挖掘模型的設計

1.1 BP神經網絡的改進

本文設計的基于改進BP神經網絡的關聯挖掘模型運用BP神經網絡來建立關聯挖掘模型[8?9]。在數據選取有效性上，要考慮數據的變化幅度以及數據節點，如果數據節點數為1，說明本文設計的基于改進BP神經網絡的關聯挖掘模型可以正常使用，如果節點數大于20，設計的基于改進BP神經網絡的關聯挖掘模型不能正常使用。節點計算公式如下：

式中，d值是一個范圍值，表示在某一個區間內。因此，改進BP 神經網絡模型用數學公式描述如下：

式中：G為BP神經網絡的節點誤差；x為權值的變化值；y為閾值的變化值。

設為BP神經網絡的誤差倒數，其主要表示的是挖掘數據的有效性[10]。為了使所設計的基于改進BP神經網絡的關聯挖掘模型具有良好的泛化能力，應當使得E2在一定的值域范圍之內，這樣才能滿足關聯挖掘模型的要求。

權值修正量表示為：

式中：η為挖掘數據速率；g（n）為目前誤差倒數梯度；α為挖掘因數；n為泛化能力系數。通過上述公式的修正能夠徹底完善設計的基于改進BP神經網絡的關聯挖掘模型中關聯挖掘方法。endprint

為了解決關聯挖掘方法和用戶交互矛盾問題，還需要改進適應度函數。

1.2 改進適應度函數

本文根據權值、閾值所對應的BP神經網絡二次函數，計算出BP網絡的誤差權重，這樣可以避免設計的基于改進BP神經網絡的關聯挖掘模型中關聯挖掘方法中的誤差產生，即：

式中：R為關聯算子；M，N分別為關聯挖掘模型的最大閾值和最小閾值。

本文使用改進后的適應函數，對關聯挖掘方法中的用戶交互現象進行優化。首先按適應函數值的大小對用戶數據進行排序，然后按式（4） 計算數據的啟用概率：

式中：P為用過啟用數據的概率；M為適應函數值在關聯函數中排列序號。為了避免關聯挖掘方法和用戶交互產生數據通用，需要從根本上解決問題，誤差配方計算為：

式中，r是配方系數。通過公式可以看出關聯挖掘方法數據和用戶交互數據之間由于配方不同進而產生區別。從根本上解決了關聯挖掘方法和用戶交互作用矛盾的問題。

綜上所述，運用改進的BP 神經網絡解決了二次函數的非線性優化問題，進一步完善了基于改進BP神經網絡的關聯挖掘模型，使用改進的適應度函數從根本上解決了傳統BP神經網絡的關聯挖掘模型中關聯挖掘方法和用戶交互矛盾問題。

2 實驗驗證

為了驗證本文設計的基于改進BP神經網絡的關聯挖掘模型的有效性，設計了對比仿真實驗。對某公司的大型廢棄數據庫進行關聯挖掘實驗。為了保證實驗的有效性使用本文設計的方法與傳統方法同時進行。

2.1 參數設置

設置閾值參量u，v，z分別為10.5，8.6，77.5，設置節點誤差范圍G為[0，20]。為了能夠進快速的關聯挖掘，保證計算算子必須在100以內。

關聯程序如下：

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 實驗數據的獲取與分析

通過圖1可以看出本文設計的基于改進BP神經網絡的關聯挖掘模型可以在多次實驗過程中都保持著較高的泛化率，保證了進行關聯挖掘的有效性。

如圖2所示，本文設計的方法用過數據互交率較高，說明受到關聯挖掘方法的影響較小。傳統方法一直保持在0.15左右，說明受到的影響較大。

3 結 語

本文提出一種基于改進BP神經網絡的關聯挖掘模型方法，采用改進的BP神經網絡系統，能夠有效地解決二次函數非線性優化的問題。使用優化后的適應度函數解決了關聯挖掘方法和用戶交互矛盾問題，同時保證了該模型能夠進行準確的關聯挖掘。

參考文獻

[1] 李衛紅，陳業濱，聞磊.基于GA?BP神經網絡模型的登革熱時空擴散模擬[J].中國圖象圖形學報，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.基于改進灰色模型與BP神經網絡模型組合的風力發電量預測研究[J].水電能源科學，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BP神經網絡的厭氧發酵產氣量預測模型[J].環境工程學報，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] 康國煉，楊遂軍，葉樹亮.改進BP算法在熱流傳感器溫度補償中的應用[J].傳感器與微系統，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.基于改進的BP神經網絡裸露地表土壤水分反演模型對比[J].國土資源遙感，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BP神經網絡的室內無線定位方法[J].計算機應用與軟件，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.一種基于改進灰色BP神經網絡組合的光伏出力預測方法[J].電力系統保護與控制，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，李國寧.基于改進BP神經網絡的駝峰場車輛減速器故障診斷的研究[J].鐵道標準設計，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.基于改進粒子群優化算法的BP神經網絡在大壩變形分析中的應用[J].水利水電技術，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，任設東，陳尉剛，等.基于改進BP神經網絡的可拓分類器構建[J].計算機集成制造系統，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