基于人工智能技術的物聯網大數據挖掘算法

（江蘇電力信息技術有限公司，江蘇南京市，210000）封 晶 孫澄宇 董 平 趙 南

物聯網技術的飛速發展，推動著大數據挖掘的變革，信息挖掘逐漸從整體化挖掘對象轉變為分布式、碎片化的挖掘模式。為實現物聯網中海量信息的有效利用，以及促進數據挖掘的集中化發展，提出了具有前瞻性的人工智能大數據挖掘算法，在智能化時代背景下對于我國工業經濟的發展和建設具有重要作用。

1 基于人工智能的大數據發掘算法

1.1 數據模型樹構建

為滿足物聯網動態特性以及用戶信息獲取的準確度，需要構建數據模型用于無法物聯網中用戶的行為。首先，基于模型樹的特征，對物聯網中的用戶數據進行掃描，以保證數據的全面性。其次，根據物聯網網絡節點構建用戶數據集。最后，從數據集中提取數據量較大的節點，然后進行數據挖掘，針對其他數據節點主要采用排序方法進行處理[1]?；谏鲜鼍W絡節點選擇方法，可以獲取不同周期的節點數據模型樹。

1.2 物聯網數據特征檢測

構建數據模型樹雖然可以明確數據挖掘內容和范圍，但是無法保證模型關聯度的準確性以期獲取的挖掘結果。因此，需要采用數據特征提取算法分析大數據特征，并根據數據屬性，獲取數據價值維度。假設大數據挖掘集為D，數據集維度為d，則根據大數據屬性可以獲取大數據屬性集合W。

如果數據挖掘子空間為S，則數據屬性集合將包含子空間S，并且子空間S中的對象為0∈D?；跀祿x群特征，可以獲取子空間S中數據對象的鄰域（0,S），該鄰域為非均勻分布狀態。如果在子空間S中隨機提取一個對象，那么其離群概率則為Id（0,S）。從數據屬性方面來看，該集合中子空間中心位置即為數據對象0，由此得出子空間離群概率距離公式為：

式中：d為距離；Id（0,S）為離群概率。

由于物聯網大部分的數據都為不均勻分布，因此需要利用理算數據標準距離與密度的近似值表示離散數據特征：

基于離散特征λ可以獲取物聯網中離散數據分布情況。針對上述數據值的獲取，可以采用信息熵檢測方法，在待測數據集Y中，對數據y的分布特征進行分析，基于概率函數p可以獲得y數據信息熵E（y）：

根據信息熵計算結果，可以對待測數據進行排序。并按照從大到小的排序方式，提取出多個信息熵較大的數據作為聚類中心對剩余數據進行檢測。數據聚類中心距離計算公式為：

式（4）中，a、b為隨機提取的聚類中心，并將其作為核心，對所有數據信息熵進行計算后獲得聚類閾值。如果聚類中心距離小于閾值時，則需要重新選擇聚類中心，并重復式（4）計算過程中，直至聚類距離計算結果大于閾值為止[2]。

1.3 特征數據的標準化處理

在數據特征檢測過程中通常會產生噪聲數據或數據量綱差異較差，該情況會影響大數據挖掘質量和效率，因此為保證數據分析的準確性，需要采用標準化方法對檢測數據進行處理。

在數據標準化處理過程中，利用標準差對數據進行計算，可以進一步強化數據的特征，有利于保證大數據挖掘的質量。除了利用標準差對數據進行標準化處理外，還可以利用數據平均偏差Gα進行計算，計算公式為：

利用上述公式對特征數據進行標準化處理后，可以提高大數據挖掘算法抗干擾性。數據標準差Yα、數據平均偏差Gα、數據均值α計算公式為：

式中，m為迭代次數。在對數據進行標準化處理后，需要采用人工智能技術對大數據進行挖掘。

1.4 基于人工神經網絡的大數據挖掘

BP神經網絡（以下簡稱BP網）具有多層傳輸結構，并且其各層神經元數量可以隨意設定，因此將其作為大數據挖掘的主體結構，并將經過標準化處理的數據傳輸至BP網中[3]。由于BP網結構存在的一定的特殊性，因此需要計算數據信息熵，并求出其平均值E，然后將其作為物聯網各層的連接權值ω，其計算公式為：

式中：ω為連接權值；Hi為屬性熵值，E為信息熵平均值。

在獲取到BP網連接權值后，需要根據圖2分析流程，對物聯網中的數據進行挖掘。

圖1 BP網挖掘流程

從圖2可知，基于人工智能的物聯網大數據挖掘算法，融入了遺傳學習算法，并配置了以網絡結構和網絡分類能力為核心的大數據分類器。利用遺傳學習算法對大數據挖掘進行優化，然后輸出滿足大數據挖掘條件的數據[4]。

2 仿真實驗

2.1 獲取數據集

為驗證基于人工智能技術的大數據挖掘算法的性能，通過仿真實驗方法對算法應用效果進行檢驗。首先，選擇具有3500個二維特征的數據，并將其構成數據集。

數據被劃分為15類，并且每個數據聚類模糊系數均為1.7，傳遞點數量為2。為使數據向量維度值保持在0～1之間，需要去除每個維度中參數最小的值，并計算最大值與計算結構之間的商值。該計算過程主要是對數據進行正則化處理。在本次仿真實驗中，共設置四個數據集，數據集大小為10%、20%、25%、50%。

2.2 性能指標

在本次仿真實驗中主要采用RI和F-measure作為判斷人工智能大數據挖掘算法的重要指標，Fmeasure是一種常用的大數據挖掘性能評價指標，其計算公式為：

式中：F為計算結果；R為召回率；P為精度。

計算結果的準確性通常取決于精度和召回率。其中精度具體是指大數據挖掘過程中精準參數所占據的比例；召回率具體是指具有特定類特性的數據數量。I、j量類數據的召回率與精度計算公式為：

大數據挖掘的質量也可以利用RI指標對其進行評價。首先，計算出數據集X聚類參數和實際聚類參數CT。其次，對無序數據點（xi，xj）進行定義，劃分出RI值的集合FP、TP、FN、TN。

RI計算公式為：

利用公式（11）對RI指標進行計算，可以獲取到取值范圍在0～1之間的參數，如果RI指標趨近于1，則實際計算結果與挖掘結果相似度越高，并且挖掘算法精度也越高；如果RI指標趨近于0，則實際計算結果與挖掘結果相似度較低，并且算法精度也較低。

3 結論

本文基于人工智能技術，通過特征數據提取、特征數據檢測、特征數據標準化處理等方式，在獲取和處理挖掘數據信息熵后，融入遺傳學習算法對信息熵平均值進行計算，該算法能夠進一步提高物聯網中大數據挖掘的質量和效率。BP網和遺傳學算法的融入，不僅提高了大數據對數據集的處理能力，而且也解決了大數據挖掘過程中信息傳遞錯誤的情況。通常仿真實驗，驗證了基于人工智能技術的大數據挖掘算法在RI結果和F-measure結果確實有所改進，同時也證明了人工智能技術在大數據挖掘中的應用，有利于促進大數據挖掘的持續發展。