基于改进BP神经网络的关联挖掘模型设计

梁燕红

摘 要： 针对传统BP神经网络的关联挖掘模型中关联挖掘方法和用户交互矛盾问题，提出一种基于改进BP神经网络的关联挖掘模型设计。采用改进的BP神经网络算法进行BP神经网络计算，解决了二次函数的非线性优化问题。运用优化的算法保证了适应度函数的选择能力，避免了阈值以及权值对BP神经网络的误差倒数的影响。为了验证所设计的基于改进BP神经网络的关联挖掘模型的有效性，设计了对比仿真实验，实验结果表明，提出的基于改进BP神经网络的关联挖掘模型设计能够有效地解决关联挖掘方法和用户交互矛盾问题。

关键词： BP神经网络； 关联挖掘模型； 算法改进； 二次函数； 选择能力； 用户交互

中图分类号： TN711?34 文献标识码： A 文章编号： 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

伴随BP神经网络的不断发展，使用BP神经网络进行关联挖掘已经成为数据关联挖掘的一种突破性方法[1?2]。

随着科技的发展，硬件补偿方法已经对数据关联挖掘起不到促进作用，只能通过不断完善软件的设计来达到对挖掘模型的完善[3]。

传统软件补偿方法主要有以下幾种：插值分位填充法、最小公倍数多项分列曲线表达法、BP神经网络方法等[4?6]。传统的BP神经网络的关联挖掘模型中，存在关联挖掘方法和用户交互矛盾问题[7]。

针对上述问题，本文提出一种基于改进BP神经网络的关联挖掘模型设计，运用了改进的BP 神经网络算法进行阈值测量计算以及权值反馈，优化了适应度函数的选择，保证了BP神经网络进行数据关联挖掘模型的有效性。这样不需要对数据误差倒数进行补偿，提高了设计的基于改进BP神经网络的关联挖掘模型的准确性。

为了验证本文设计方法的有效性，还设计了对比仿真实验，通过实验数据进一步证明了设计的基于改进BP神经网络的关联挖掘模型的有效性。

1 运用改进BP神经网络进行关联挖掘模型的设计

1.1 BP神经网络的改进

本文设计的基于改进BP神经网络的关联挖掘模型运用BP神经网络来建立关联挖掘模型[8?9]。在数据选取有效性上，要考虑数据的变化幅度以及数据节点，如果数据节点数为1，说明本文设计的基于改进BP神经网络的关联挖掘模型可以正常使用，如果节点数大于20，设计的基于改进BP神经网络的关联挖掘模型不能正常使用。节点计算公式如下：

式中，d值是一个范围值，表示在某一个区间内。因此，改进BP 神经网络模型用数学公式描述如下：

式中：G为BP神经网络的节点误差；x为权值的变化值；y为阈值的变化值。

设为BP神经网络的误差倒数，其主要表示的是挖掘数据的有效性[10]。为了使所设计的基于改进BP神经网络的关联挖掘模型具有良好的泛化能力，应当使得E2在一定的值域范围之内，这样才能满足关联挖掘模型的要求。

权值修正量表示为：

式中：η为挖掘数据速率；g（n）为目前误差倒数梯度；α为挖掘因数；n为泛化能力系数。通过上述公式的修正能够彻底完善设计的基于改进BP神经网络的关联挖掘模型中关联挖掘方法。endprint

为了解决关联挖掘方法和用户交互矛盾问题，还需要改进适应度函数。

1.2 改进适应度函数

本文根据权值、阈值所对应的BP神经网络二次函数，计算出BP网络的误差权重，这样可以避免设计的基于改进BP神经网络的关联挖掘模型中关联挖掘方法中的误差产生，即：

式中：R为关联算子；M，N分别为关联挖掘模型的最大阈值和最小阈值。

本文使用改进后的适应函数，对关联挖掘方法中的用户交互现象进行优化。首先按适应函数值的大小对用户数据进行排序，然后按式（4） 计算数据的启用概率：

式中：P为用过启用数据的概率；M为适应函数值在关联函数中排列序号。为了避免关联挖掘方法和用户交互产生数据通用，需要从根本上解决问题，误差配方计算为：

式中，r是配方系数。通过公式可以看出关联挖掘方法数据和用户交互数据之间由于配方不同进而产生区别。从根本上解决了关联挖掘方法和用户交互作用矛盾的问题。

综上所述，运用改进的BP 神经网络解决了二次函数的非线性优化问题，进一步完善了基于改进BP神经网络的关联挖掘模型，使用改进的适应度函数从根本上解决了传统BP神经网络的关联挖掘模型中关联挖掘方法和用户交互矛盾问题。

2 实验验证

为了验证本文设计的基于改进BP神经网络的关联挖掘模型的有效性，设计了对比仿真实验。对某公司的大型废弃数据库进行关联挖掘实验。为了保证实验的有效性使用本文设计的方法与传统方法同时进行。

2.1 参数设置

设置阈值参量u，v，z分别为10.5，8.6，77.5，设置节点误差范围G为[0，20]。为了能够进快速的关联挖掘，保证计算算子必须在100以内。

关联程序如下：

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 实验数据的获取与分析

通过图1可以看出本文设计的基于改进BP神经网络的关联挖掘模型可以在多次实验过程中都保持着较高的泛化率，保证了进行关联挖掘的有效性。

如图2所示，本文设计的方法用过数据互交率较高，说明受到关联挖掘方法的影响较小。传统方法一直保持在0.15左右，说明受到的影响较大。

3 结 语

本文提出一种基于改进BP神经网络的关联挖掘模型方法，采用改进的BP神经网络系统，能够有效地解决二次函数非线性优化的问题。使用优化后的适应度函数解决了关联挖掘方法和用户交互矛盾问题，同时保证了该模型能够进行准确的关联挖掘。

参考文献

[1] 李卫红，陈业滨，闻磊.基于GA?BP神经网络模型的登革热时空扩散模拟[J].中国图象图形学报，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] 孙佳，王淳，胡蕾.基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究[J].水电能源科学，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] 花亚梅，赵贤林，王效华，等.基于改进BP神经网络的厌氧发酵产气量预测模型[J].环境工程学报，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] 康国炼，杨遂军，叶树亮.改进BP算法在热流传感器温度补偿中的应用[J].传感器与微系统，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，蒋金豹，陈绪慧，等.基于改进的BP神经网络裸露地表土壤水分反演模型对比[J].国土资源遥感，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] 刘晓晨，张静.基于改进BP神经网络的室内无线定位方法[J].计算机应用与软件，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.一种基于改进灰色BP神经网络组合的光伏出力预测方法[J].电力系统保护与控制，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，李国宁.基于改进BP神经网络的驼峰场车辆减速器故障诊断的研究[J].铁道標准设计，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] 齐银峰，谭荣建.基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用[J].水利水电技术，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] 赵燕伟，任设东，陈尉刚，等.基于改进BP神经网络的可拓分类器构建[J].计算机集成制造系统，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