基于偏微分分類數學模型的關聯挖掘改進技術

周曉峰+車潁濤

摘 要： 為了提高大數據的關聯挖掘精度，提出基于偏微分分類數學模型的關聯挖掘技術，構建大數據分類的數學模型，求得微分方程的半正定最小特征解向量并進行穩定解分析，采用漸進有理積分逼近得到偏微分分類數學模型的規則集約束條件，避免在進行大數據分類過程中的錯分和漏分。采用增減量式支持向量機進行數據分類的模糊控制，結合約束捆綁聚類方法實現關聯挖掘改進。實證數據測試得出，該方法進行大數據分類和關聯挖掘的收斂性較好，迭代次數受到數據規模的約束較小，抗擾動性較強，具有優越性。

關鍵詞： 偏微分方程； 時滯； 分類模型； 關聯挖掘

中圖分類號： TN911?34； O211.62 文獻標識碼： A 文章編號： 1004?373X（2017）08?0036?03

Improved technique of association mining based on partial differential

mathematical model

ZHOU Xiaofeng1， CHE Yingtao2

（1. Yellow River Conservancy Technical Institute， Kaifeng 475004， China； 2. College of Mathematics and Statistics， Henan University， Kaifeng 475004， China）

Abstract： In order to improve the relevance mining accuracy of big data， an association mining technology based on partial differential classification mathematical model is proposed to structure a mathematical model for big data classification， and acquire the positive semidefinite minimum feature vector solution of differential equations and conduct its stable solution analysis. The incremental rational integral approximation is used to obtain the rule set constraint conditions of partial differential classification mathematical model， so as to avoid wrong classification or omission classification in the process of big data classification. The fuzzy control of data classification is carried out by using the increment/decrement type support vector machine. The improvement of the association mining is realized by combining the constraint binding clustering method. Empirical data test results show that the method has better convergence for large data classification and association mining， strong anti disturbance， and the number of iterations is less constrained by the data size.

Keywords： partial differential equation； time delay； classification model； association mining

大數據分類數學模型分析對于許多實際的數學應用具有很好的指導意義，隨著計算數學的研究深入，研究偏微分方程的穩定解和收斂性問題受到人們的關注，基于偏微分分類數學模型的關聯挖掘在非線性控制和大數據數理統計等領域中具有重要意義[1]。具有二階時滯的偏微分的凸優化連續穩定解在進行大數據隨機聚類中具有較好的泛函性，結合模糊C均值聚類算法[2]、梯度下降法[3]、束捆計算法等解決大數據分類[4?5]，實現數據的關聯挖掘，并進行收斂性和穩定性證明，本文最后采用實證數據分析方法進行數據關聯挖掘的性能驗證，得出有效性結論。

1 偏微分分類數學模型

1.1 具有二階時滯微分方程的穩定解分析

在Bochner?Riesz空間中構建具有二階時滯的偏微分方程為：

（1）

式中，是二階時滯的偏微分方程特征解在穩定狀態下的時滯項，二階時滯的偏微分方程在邊界穩定平衡點的特征向量表示為：

（2）

在點對具有二階時滯微分方程的穩定解進行Lyapunove泛函[6]，由凸優化理論條件得到新的幾何鄰域，通過構造合適的李雅普諾夫泛函引入了輔助積分矩陣，得到二階時滯的偏微分方程的穩定解為：

（3）

在雙邊界條件的平穩約束下，以原點鄰域的解向量為初始條件，得到具有二階時滯微分方程的穩定解的各參量為：

（4）

其中中的平均擾動特征泛函相同，考慮二階時滯微分項的雙周期性孤立波解，利用穩定解向量作為大數據分類的聚類中心矢量，進行數據分類數學模型構建。

1.2 偏微分分類數學模型的規則集約束條件

采用基于偏微分分類數學模型進行關聯挖掘，構建關聯規則集數學模型，采用漸進有理積分逼近方法，得到Bochner?Riesz空間內的偏微分分類一階偏導函數為：

（5）

利用二項?泊松模型進行全局漸進穩定性泛函，結合支持向量機模型進行二階時滯偏微分數學分類，支持向量機模型表示為：

（6）

根據凸優化KKT定理，采用隨機泛函進行求一階偏導數，得到一個自回歸線性最優解集[7]，具有二階時滯的偏微分方程穩定的充分條件為：

（7）

通過上述規則集約束，得到偏微分分類數學模型的規則集約束條件，避免在進行大數據分類過程中的錯分和漏分。根據上述構建的數學模型的規則集約束條件，進行偏微分分類數學模型構建和關聯挖掘改進設計。

2 關聯挖掘數學模型改進

2.1 偏微分分類數學模型的雙邊界收斂控制及證明

定理1 在調整偏微分分類數學模型的權向量的過程中，矩陣的凸多面體組不為空。在雙邊界條件約束下，具有時滯的偏微分方程的雙邊界穩定性收斂的時滯項滿足：

（8）

為了保證方程的周期解的初值穩定性，由Lipschitz 凸條件，在解空間矩陣更新過程微分方程的邊緣積分項矩陣是可逆的，數據分類的樣本集中，存在集合不為空，此時半正定的特征分解矩陣為：

（9）

進而對偏微分分類數學模型的雙邊界收斂控制的穩定性進行證明如下。

證明：根據半正定約束條件，得到一類具有二階時滯偏微分方程的二階矩如式（2）所示。

基于隨機泛函收斂性條件，在有限域上存在階方陣滿足Bochner?Riesz空間中的收斂性條件，當， 有：

（10）

對任意具有合適維數的矩陣，偏微分分類數學模型具有穩定的邊界平衡點，當有一個大于0時，不等式成立，當且僅當：

（11）

偏微分分類數學模型存在兩個連續時滯的平衡點，由此可見，采用其進行關聯挖掘具有雙邊界收斂性，數據分類的控制過程是穩定收斂的，命題得證。

2.2 關聯挖掘實現

在關聯規則數據集合中，通過引入偏微分分類數學模型，根據訓練速度的變化，采用一個增減量式支持向量機進行數據分類的模糊控制，有，，且，。結合約束捆綁聚類方法，在偏微分分類數學模型控制下，進行關聯數據挖掘的生成子序列分別為：

3 實驗測試分析

采用實證數據分析方法進行性能驗證，實驗的數據集來自于Breast 2014大型數據庫，數據集的名稱和規模描述見表1，仿真軟件采用Matlab仿真，仿真結果見圖1。

訓練樣本的數據量選擇分別為20，50，150，200，采用200迭代和訓練方法進行數據分類的支持向量機學習，分別采用本文的偏微分分類模型、線性增量式模型、線性減量式模型、多項式增量式模型、多項式減量式模型、高斯模型和本文模型進行管理挖掘對比，得到3個數據集樣本進行數據分類和關聯挖掘的平均迭代次數對比仿真結果見圖1。

分析上述結果得出：隨著訓練數據集規模的增大，各種模型對大數據進行關聯挖掘的迭代次數增多； 采用本文模型進行數據分類和關聯挖掘，迭代數在較小的區間內，平均迭代次數受數據集大小的影響因素較小，說明本文方法進行分類挖掘的收斂性較強且抗擾性較好。

4 結 語

針對傳統方法存在的問題，提出基于偏微分分類數學模型的關聯挖掘技術，并進行了實驗對比分析，研究表明，本文方法進行大數據分類和關聯挖掘的收斂性較好、穩定性較強、性能優越。

參考文獻

[1] 朱珍.基于神經網絡集成分類器預處理的支持向量機分類算 法[J].科技通報，2013，29（4）：26?30.

[2] 謝冬秀，黃寧軍，張忠志.對稱廣義中心對稱半正定矩陣模型修正的矩陣逼近法及其應用[J].應用數學學報，2013，36（5）：803?812.

[3] 張韌，張紹義.非線性自回歸序列的平穩解及其矩的存在性[J].數學物理學報，2013，33（2）：260?266.

[4] SUN Huijun， ZHANG Hui， WU Jianjun. Correlated scale?free network with community： modeling and transportation dynamics [J]. Nonlinear dynamics， 2012， 69（4）： 2097?2104.

[5] WU H， LIAO X， FENG W， et al. Robust stability analysis of uncertain systems with two additive time?varying delay components [J]. Applied mathematical modelling， 2009， 33（12）： 4345?4353.

[6] 錢偉，孫優賢.中立型變時滯系統的魯棒穩定性[J].控制理論與應用，2010，27（3）：358?362.

[7] 張先明，吳敏，何勇.線性時滯廣義系統的時滯相關穩定性[J].電路與系統學報，2003，18（4）：3?7.