基于BP神經網絡的高空氣象數據挖掘方法研究

蘇丹

摘 要： 針對傳統的高空氣象數據挖掘方法中存在的數據挖掘深度問題，提出一種基于BP神經網絡技術的高空氣象數據挖掘方法。采用BP神經網絡技術以及小波分析法對數據挖掘模型進行優化，引進協同多分類器算法進行更加精確的數據挖掘，避免數據產生的干擾。提出的基于BP神經網絡的高空氣象數據挖掘方法提高了數據挖掘的深度，還對數據的特征提取起到了一定的輔助作用。為了驗證該方法的有效性，設計了對比仿真試驗，將所提方法與傳統方法相比較得出，所提方法有效地解決了數據干擾問題，提高了數據挖掘程度。

關鍵詞： 數據挖掘方法； 高空氣象數據； BP神經網絡； 小波分析法； 模型優化

中圖分類號： TN915?34 文獻標識碼： A 文章編號： 1004?373X（2017）24?0040?03

Abstract： In allusion to the data mining depth problem existing in the traditional high?altitude meteorological data mining method， a high?altitude meteorological data mining method based on BP neural network technology is proposed. The BP neural network technology and the wavelet analysis method are adopted to optimize the data mining model. The cooperative multi?classifier algorithm is introduced to perform more accurate data mining and avoid data interference. The proposed high?altitude meteorological data mining method based on BP neural network has increased the depth of data mining and played an auxiliary role in data feature extraction. To verify the validity of the method， a simulation test in contrast with the traditional method was designed and carried out. The results show that the proposed method can effectively resolve the problem of data interference and improve the degree of data mining.

Keywords： data mining method； high?altitude meteorological data； BP neural network； wavelet analysis method； model optimization

0 引 言

由于大氣的無規律運動，高空的氣象也隨著不斷的變化，這樣伴隨性的變化是存在一定可預測規律的。怎樣根據大氣運動的過程去判斷氣象的變化，對于氣象的預報、災害預警、農業生產勞作等領域起到至關重要的作用。為此，進行高空氣象數據挖掘是十分必要的[1?3]。目前為止，主要的氣象數據挖掘方法包括以下幾種：基于平均值分離計算的高空氣象數據挖掘方法、基于離散型算法的高空氣象數據挖掘方法和基于天氣預報相關的數據挖掘模型的高空氣象數據挖掘方法[4?6]。其中，經常使用的是基于天氣預報相關的數據挖掘模型的高空氣象數據挖掘方法[7]。由于高空氣象數據挖掘技術已經成為大氣領域的研究核心，高空氣象數據挖掘技術的發展直接影響天氣預測領域的發展[8]。高空氣象數據挖掘方法本身是以數據進行研究判斷的，因此解決高空氣象數據挖掘方法中的數據挖掘深度問題十分的關鍵[9]。本文針對上述問題提出基于BP神經網絡的高空氣象數據挖掘方法。

1 基于BP神經網絡的高空氣象數據挖掘方法設計

1.1 BP神經網絡挖掘模型設計

使用BP神經網絡算法前需要進行數據的小波轉換，通過轉換可以使數據進行躍遷到高緯度層次面，轉換公式為：

1.2 引入協同多分類器算法

在上文基礎上進行氣象數據支持度計算：

通過上述的關系確立，可以進行數據的分組識別，分組后各項集表示為：

式中，E表示數據的亨特因子。根據關系進行連接，由于數據具有較強的連續性，因此，進行關聯匹配如下：

式中，表示屬性匹配度系統。根據上面的闡述，可以得到基于BP神經網絡技術的高空氣象數據挖掘模型為：

這樣可以完成一次無數據干擾基于BP神經網絡技術高空氣象數據挖掘[10]，此方式有效避免了數據干擾，同時增加了數據挖掘程度。

2 試驗驗證

為了驗證本文設計的基于BP神經網絡的高空氣象數據挖掘方法的有效性，設計了對比仿真試驗，把傳統的高空氣象數據挖掘方法與本文設計的基于BP神經網絡的高空氣象數據挖掘方法相比較。選定某地區進行數據高空氣象數據的采集，為了體現有效性，同時對采集數據進行挖掘。設置小波轉換系數W為6.5，離散型的數據深度取值為86.59，權限屬性N設置在100以內即可。由于該地區數據采集程度未知，因此自變量因子b的值設為最大值。結果如表1、圖2所示。

根據表1可以看出本文設計的基于BP神經網絡的高空氣象數據挖掘方法能夠有效地進行深度挖掘，同時在更短的時間里進行了更為精確的特征提取。本文設計的基于BP神經網絡的高空氣象數據挖掘方法還不需要進行修訂，大大節約了數據分析的時間。

3 結 語

本文設計的基于BP神經網絡的高空氣象數據挖掘方法可以有效地解決傳統方法中的挖掘深度問題，同時對數據的特征提取有一定的輔助作用，希望通過本文的研究能夠促進高空氣象數據挖掘方法的應用。

參考文獻

[1] 王丹妮，包世泰，王春林，等.基于氣象數據挖掘的廣東省農業高溫災害預測研究[J].華南農業大學學報，2015（2）：106?112.

[2] 周立軍，張杰，呂海燕.基于數據挖掘技術的網絡入侵檢測技術研究[J].現代電子技術，2016，39（6）：10?13.

[3] 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.

[4] 樊楚，賀向前，于躍，等.基于數據挖掘技術建立的BP神經網絡模型鑒別兒童川崎病與發熱性疾病的研究[J].中國循證兒科雜志，2017（1）：22?26.

[5] 喬非，葛彥昊.基于BP神經網絡的就業招聘企業客戶分類問題研究[J].計算機科學，2015，42（z2）：1?4.

[6] 張會喜，周剛偉.數據挖掘技術在船舶操縱運動預報中的應用研究[J].艦船科學技術，2016（16）：64?66.

[7] 牛軍濤.數據挖掘在艦船電力負荷預測中的應用研究[J].艦船科學技術，2016（12）：73?75.

[8] 巫江虹，劉超鵬，梁志豪，等.房間空調器長效運行性能預測及優化方案的研究[J].機械工程學報，2015，51（18）：158?166.

[9] 艾洪福，石瑩.基于BP人工神經網絡的霧霾天氣預測研究[J].計算機仿真，2015，32（1）：402?405.

[10] 熊賢成，楊春平，敖明武，等.基于BP神經網絡的云相態檢測方法研究[J].遙感技術與應用，2015，30（4）：714?718.endprint