基于BP神经网络的高空气象数据挖掘方法研究
苏丹
摘 要： 针对传统的高空气象数据挖掘方法中存在的数据挖掘深度问题，提出一种基于BP神经网络技术的高空气象数据挖掘方法。采用BP神经网络技术以及小波分析法对数据挖掘模型进行优化，引进协同多分类器算法进行更加精确的数据挖掘，避免数据产生的干扰。提出的基于BP神经网络的高空气象数据挖掘方法提高了数据挖掘的深度，还对数据的特征提取起到了一定的辅助作用。为了验证该方法的有效性，设计了对比仿真试验，将所提方法与传统方法相比较得出，所提方法有效地解决了数据干扰问题，提高了数据挖掘程度。
关键词： 数据挖掘方法； 高空气象数据； BP神经网络； 小波分析法； 模型优化
中图分类号： TN915?34 文献标识码： A 文章编号： 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
由于大气的无规律运动，高空的气象也随着不断的变化，这样伴随性的变化是存在一定可预测规律的。怎样根据大气运动的过程去判断气象的变化，对于气象的预报、灾害预警、农业生产劳作等领域起到至关重要的作用。为此，进行高空气象数据挖掘是十分必要的[1?3]。目前为止，主要的气象数据挖掘方法包括以下几种：基于平均值分离计算的高空气象数据挖掘方法、基于离散型算法的高空气象数据挖掘方法和基于天气预报相关的数据挖掘模型的高空气象数据挖掘方法[4?6]。其中，经常使用的是基于天气预报相关的数据挖掘模型的高空气象数据挖掘方法[7]。由于高空气象数据挖掘技术已经成为大气领域的研究核心，高空气象数据挖掘技术的发展直接影响天气预测领域的发展[8]。高空气象数据挖掘方法本身是以数据进行研究判断的，因此解决高空气象数据挖掘方法中的数据挖掘深度问题十分的关键[9]。本文针对上述问题提出基于BP神经网络的高空气象数据挖掘方法。
1 基于BP神经网络的高空气象数据挖掘方法设计
1.1 BP神经网络挖掘模型设计
使用BP神经网络算法前需要进行数据的小波转换，通过转换可以使数据进行跃迁到高纬度层次面，转换公式为：
1.2 引入协同多分类器算法
在上文基础上进行气象数据支持度计算：
通过上述的关系确立，可以进行数据的分组识别，分组后各项集表示为：
式中，E表示数据的亨特因子。根据关系进行连接，由于数据具有较强的连续性，因此，进行关联匹配如下：
式中，表示属性匹配度系统。根据上面的阐述，可以得到基于BP神经网络技术的高空气象数据挖掘模型为：
这样可以完成一次无数据干扰基于BP神经网络技术高空气象数据挖掘[10]，此方式有效避免了数据干扰，同时增加了数据挖掘程度。
2 试验验证
为了验证本文设计的基于BP神经网络的高空气象数据挖掘方法的有效性，设计了对比仿真试验，把传统的高空气象数据挖掘方法与本文设计的基于BP神经网络的高空气象数据挖掘方法相比较。选定某地区进行数据高空气象数据的采集，为了体现有效性，同时对采集数据进行挖掘。设置小波转换系数W为6.5，离散型的数据深度取值为86.59，权限属性N设置在100以内即可。由于该地区数据采集程度未知，因此自变量因子b的值设为最大值。结果如表1、图2所示。
根据表1可以看出本文设计的基于BP神经网络的高空气象数据挖掘方法能够有效地进行深度挖掘，同时在更短的时间里进行了更为精确的特征提取。本文设计的基于BP神经网络的高空气象数据挖掘方法还不需要进行修订，大大节约了数据分析的时间。
3 结 语
本文设计的基于BP神经网络的高空气象数据挖掘方法可以有效地解决传统方法中的挖掘深度问题，同时对数据的特征提取有一定的辅助作用，希望通过本文的研究能够促进高空气象数据挖掘方法的应用。
参考文献
[1] 王丹妮，包世泰，王春林，等.基于气象数据挖掘的广东省农业高温灾害预测研究[J].华南农业大学学报，2015（2）：106?112.
[2] 周立军，张杰，吕海燕.基于数据挖掘技术的网络入侵检测技术研究[J].现代电子技术，2016，39（6）：10?13.
[3] 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.
[4] 樊楚，贺向前，于跃，等.基于数据挖掘技术建立的BP神经网络模型鉴别儿童川崎病与发热性疾病的研究[J].中国循证儿科杂志，2017（1）：22?26.
[5] 乔非，葛彦昊.基于BP神经网络的就业招聘企业客户分类问题研究[J].计算机科学，2015，42（z2）：1?4.
[6] 张会喜，周刚伟.数据挖掘技术在船舶操纵运动预报中的应用研究[J].舰船科学技术，2016（16）：64?66.
[7] 牛军涛.数据挖掘在舰船电力负荷预测中的应用研究[J].舰船科学技术，2016（12）：73?75.
[8] 巫江虹，刘超鹏，梁志豪，等.房间空调器长效运行性能预测及优化方案的研究[J].机械工程学报，2015，51（18）：158?166.
[9] 艾洪福，石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真，2015，32（1）：402?405.
[10] 熊贤成，杨春平，敖明武，等.基于BP神经网络的云相态检测方法研究[J].遥感技术与应用，2015，30（4）：714?718.
摘 要： 针对传统的高空气象数据挖掘方法中存在的数据挖掘深度问题，提出一种基于BP神经网络技术的高空气象数据挖掘方法。采用BP神经网络技术以及小波分析法对数据挖掘模型进行优化，引进协同多分类器算法进行更加精确的数据挖掘，避免数据产生的干扰。提出的基于BP神经网络的高空气象数据挖掘方法提高了数据挖掘的深度，还对数据的特征提取起到了一定的辅助作用。为了验证该方法的有效性，设计了对比仿真试验，将所提方法与传统方法相比较得出，所提方法有效地解决了数据干扰问题，提高了数据挖掘程度。
关键词： 数据挖掘方法； 高空气象数据； BP神经网络； 小波分析法； 模型优化
中图分类号： TN915?34 文献标识码： A 文章编号： 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
由于大气的无规律运动，高空的气象也随着不断的变化，这样伴随性的变化是存在一定可预测规律的。怎样根据大气运动的过程去判断气象的变化，对于气象的预报、灾害预警、农业生产劳作等领域起到至关重要的作用。为此，进行高空气象数据挖掘是十分必要的[1?3]。目前为止，主要的气象数据挖掘方法包括以下几种：基于平均值分离计算的高空气象数据挖掘方法、基于离散型算法的高空气象数据挖掘方法和基于天气预报相关的数据挖掘模型的高空气象数据挖掘方法[4?6]。其中，经常使用的是基于天气预报相关的数据挖掘模型的高空气象数据挖掘方法[7]。由于高空气象数据挖掘技术已经成为大气领域的研究核心，高空气象数据挖掘技术的发展直接影响天气预测领域的发展[8]。高空气象数据挖掘方法本身是以数据进行研究判断的，因此解决高空气象数据挖掘方法中的数据挖掘深度问题十分的关键[9]。本文针对上述问题提出基于BP神经网络的高空气象数据挖掘方法。
1 基于BP神经网络的高空气象数据挖掘方法设计
1.1 BP神经网络挖掘模型设计
使用BP神经网络算法前需要进行数据的小波转换，通过转换可以使数据进行跃迁到高纬度层次面，转换公式为：
1.2 引入协同多分类器算法
在上文基础上进行气象数据支持度计算：
通过上述的关系确立，可以进行数据的分组识别，分组后各项集表示为：
式中，E表示数据的亨特因子。根据关系进行连接，由于数据具有较强的连续性，因此，进行关联匹配如下：
式中，表示属性匹配度系统。根据上面的阐述，可以得到基于BP神经网络技术的高空气象数据挖掘模型为：
这样可以完成一次无数据干扰基于BP神经网络技术高空气象数据挖掘[10]，此方式有效避免了数据干扰，同时增加了数据挖掘程度。
2 试验验证
为了验证本文设计的基于BP神经网络的高空气象数据挖掘方法的有效性，设计了对比仿真试验，把传统的高空气象数据挖掘方法与本文设计的基于BP神经网络的高空气象数据挖掘方法相比较。选定某地区进行数据高空气象数据的采集，为了体现有效性，同时对采集数据进行挖掘。设置小波转换系数W为6.5，离散型的数据深度取值为86.59，权限属性N设置在100以内即可。由于该地区数据采集程度未知，因此自变量因子b的值设为最大值。结果如表1、图2所示。
根据表1可以看出本文设计的基于BP神经网络的高空气象数据挖掘方法能够有效地进行深度挖掘，同时在更短的时间里进行了更为精确的特征提取。本文设计的基于BP神经网络的高空气象数据挖掘方法还不需要进行修订，大大节约了数据分析的时间。
3 结 语
本文设计的基于BP神经网络的高空气象数据挖掘方法可以有效地解决传统方法中的挖掘深度问题，同时对数据的特征提取有一定的辅助作用，希望通过本文的研究能够促进高空气象数据挖掘方法的应用。
参考文献
[1] 王丹妮，包世泰，王春林，等.基于气象数据挖掘的广东省农业高温灾害预测研究[J].华南农业大学学报，2015（2）：106?112.
[2] 周立军，张杰，吕海燕.基于数据挖掘技术的网络入侵检测技术研究[J].现代电子技术，2016，39（6）：10?13.
[3] 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.
[4] 樊楚，贺向前，于跃，等.基于数据挖掘技术建立的BP神经网络模型鉴别儿童川崎病与发热性疾病的研究[J].中国循证儿科杂志，2017（1）：22?26.
[5] 乔非，葛彦昊.基于BP神经网络的就业招聘企业客户分类问题研究[J].计算机科学，2015，42（z2）：1?4.
[6] 张会喜，周刚伟.数据挖掘技术在船舶操纵运动预报中的应用研究[J].舰船科学技术，2016（16）：64?66.
[7] 牛军涛.数据挖掘在舰船电力负荷预测中的应用研究[J].舰船科学技术，2016（12）：73?75.
[8] 巫江虹，刘超鹏，梁志豪，等.房间空调器长效运行性能预测及优化方案的研究[J].机械工程学报，2015，51（18）：158?166.
[9] 艾洪福，石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真，2015，32（1）：402?405.
[10] 熊贤成，杨春平，敖明武，等.基于BP神经网络的云相态检测方法研究[J].遥感技术与应用，2015，30（4）：714?718.
