数据挖掘在粮食储存中的应用探索-上海工业自动化仪表研究所.pdfVIP

商志根 (上海大学机电工程与自动化学院，上海 200072) 摘 要 储备粮是国家的重要资源。由于粮食的生理特性等原因，使得粮食储存品质控制指标极易变化。本 文从数据挖掘角度出发利用现有数据对粮食储存品质控制指标是否变化作出预测，得到品质变化概率，使品 质变化概率较大的扦样得到较早的处理。 关键词 粮食存储 数据挖掘 SAS Abstract The stored grains are national important resources. Owning to grains’ physiologocal characteristics etc., the stored grains’ quality control index changes easily. From data mining point of view, this project utilizes present data to predict whether the grains’ quality control index changes, obtaining quality change probability and dealing with sampling with higher probabilityas early as possible. Keywords Grain storage Data mining SAS 0 引言 随着测量技术的发展，利用各类传感器使得粮食存储中各项指标的测量成为可能。粮食 储备及收购企业在日常管理中，利用各类传感器的测量结果监视粮食品质变化并积累了大量 的历史数据。利用这些历史数据产生有用的规则或信息便于今后管理的问题也就随着数据挖 掘技术的发展而应运而生。 1 数据挖掘相关概念 1.1 数据挖掘的定义 数据挖掘（Data Mining,简称 DM ）的定义虽未统一，但本文给出一个被普遍采用的定义。 数据挖掘是一个从大量数据中抽取挖掘出来的未知的、有价值的模式规律的复杂过程[1] 。一 个典型的数据挖掘系统如图 1 所示。 图 1 数据挖掘系统框图 数据挖掘是20世纪末刚刚兴起的数据智能分析技术，由于其所具有的广泛的应用前景而 1 倍受关注，是数据库与数据仓库研究与应用中的一个新兴的富有前途的领域，主要解决数据 泛滥而信息匮乏的矛盾。 1.2 数据挖掘分类 对于一个数据挖掘系统而言，它应该能够同时搜索发现多种模式的知识，以满足用户的 期望和实际需要。按其功能以及所能够挖掘的知识类型进行划分，数据挖掘可分为概念描述、 关联分析、分类与回归、聚类分析、异常分析与演化分析。 ① 概念描述 目标类数据的一般特征或特性的汇总或将目标类对象的一般特性与一个或多个对比类 对象的一般特性作比较。 ② 关联分析 从给定的数据集中发现频繁出现的项集模式知识。关联分析广泛用于市场营销、事务分 析等领域。 ③ 分类与回归 分类和回归都用于预测，预测的目的是从利用历史数据记录中自动推导出对给定数据的 推广描述，从而能对未来数据进行预测。和回归方法不同的是，分类的输出是离散的类别值。 回归的输出则是连续数值，例如由顾客过去的刷卡消费量预测其未来的刷卡消费量。分类与 回归有广泛的应用场合。 ④ 聚类分析 将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。例如可以根 据存储在那里的仓库种类把各个地理区域划分成组。 ⑤ 孤立点分析 数据库中可能包括一些数据对象，它们与数据的一般行为或模型不一致，对这些数据对 象的分析被称作孤立点分析。例如,在仓库的 100 万吨粮食中有 200 吨的劣质粮,为了经营安 全,就要发现这 200 吨的内在因素,减小以后经营的风险。 ⑥ 演化分析 数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。与回归一样,它也 是用己知的数据预测未来的值,但这些数据的区别是