叶国权 崔魁 刘晓光 闫晓阳
摘 要：
本文首先利用元仓库将异域、异构的军事物资数据库整合，然后利用关联挖掘中的Apriori算法对整合后的数据库进行深度挖掘，用于帮助管理者在数量庞大的分布、异构的物资信息中，快速智能的查准查全其所需要的数据，及物资之间隐藏的关联关系。
关键词：
元数据;关联;挖掘;整合
中图分类号：
TP39 文献标识码：
A DOI：10.3969/j.issn.1003-6970.2020.10.011
本文著录格式：叶国权，崔魁，刘晓光，等. 关联挖掘在军事物资管理中的应用[J]. 软件，2020，41（10）：4244+49
【Abstract】：
This paper firstly will use the meta warehouse to integrate different places and heterogeneous database of military supplies， then use the Apriori algorithm of the mining association rules to mine the integration of database， used to help managers in the huge number of distributed， heterogeneous information， to find the data they need， and the hidden relationship between the information.
【Key words】：
Metadata; Association; Mining; Integrate
0 引言
随着数据库技术的迅速发展以及数据库管理系统的广泛应用，军事物资的管理也逐渐实现了信息化，但由于建设的过程中没有统一的规划，建设的数据库的结构不同、标准各异，这样就造成了各部门系统之间交互能力不够，无法快速对突发事件做出应有的响应。目前的数据库系统无法发现数据中存在的关系和规则和预测未来的发展趋势。缺乏挖掘数据背后隐藏的关联关系，导致不能实现物资采购的全盘统筹，降低物资库存产生的成本。为了解决以上问题，本文将通过元仓库将异域、异构的军事物资数据库整合，然后利用关联挖掘中的Apriori算法对整合后的数据库进行深度挖掘，找到分布在异构的数量库中的庞大的物资信息之间隐藏的关联关系，来最终实现物资的快速响应和弹性的物资采购策略，降低我们物资的在采购、运输、仓储整个环节的成本。
1 关联挖掘技术
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，那么其中一个变量就能通过其他变量进行预测，这就是关联。关联可分为简单关联、时序关联、因果关联。关联分析是指搜索事务数据库中的所有细节或事务，从中寻找重复出现概率很高的模式或规则。关联分析的目的是为了挖掘隐藏在数据问的相互关系，其生成的规则带有可信度。关联挖掘技术是KDD（知识发现）的核心，是我们在信息爆炸的年代寻找知识的有效途径，其具体的过程如图1所示。
首先我们将分布在不同地区的，结构相异的数据库中的数据变换清理，利用数据集成技术，将清理后的数据信息整合，然后通过数据挖掘技术如：关联挖掘、聚类挖掘、神经网络等对整合后的数据进行深度发掘，并通过相应信息评估手段，对挖掘的信息评估，最终提取有用的知识。
数据挖掘的应用除了在知识发现体系中的应用外，在客户关系管理、WEB挖掘、基因挖掘等领域也非常的广泛，具体情况如图2所示。
2 利用元仓库技术实现数据库整合
近年来，自动识别技术在全球范围内许多领域得到应用和推广。自动识别技术是以计算机技术和通信技术为基础的综合型科学技术，是信息技术自动识读、自动传输到计算机的重要方法和手段。其中主要包括：射频识别（RFID）技术、条码技术、磁卡技术、光学字符识别技术、视觉识别技术、声音识别技术等。
在以上自动识别技术中，RFID技术具有精度高、识别速度快、抗干扰能力强等特点，因此，比其他自动识别技术具有更广的应用领域。对于需要经常进行维护的大型工业生产设备，利用RFID标签能够实现准确的设备管理，并能够自动记录设备的运行状况。通过RFID技术的使用，能够省略记录管理的繁琐手续，并通过操作指令与RFID标签联动，防止对设备的误操作。因此在这里我们采用了RFID技术来将物资的信息提取到相应的物资管理的数据库中。其原理如图3所示。
在后勤物资管理系统的建设过程中，由于没有进行整体的规划，系统中使用的数据库的系统不同，数据存储的结构不同，存储的地点不同，那么如何将这些异域异构的数据库进行整合，也是摆在我们面前的一个主要的问题。异域异构的数据库如图4所示。
一般来说，目前发展比较成熟的数据集成方法从总体上可分为三种：数据仓库、联邦数据库和中间件。这几种方法特点鲜明，体现了对数据集成的不同侧重点。经过对数据仓库和联邦数据库集成思想的分析研究，针对物资管理数据库的数据集成问题，我们提出了一个基于元数据的数据资源整合方案，该方案继承了联邦数据库集成方法的主要优点，利用 CWM（元仓库）来实现异域异构的数据库中元数据的提取和整合，来解决传统数据集成中面临的结构异构和语义异构难题。
元数据是描述数据的数据或是与数据有关的信息，它对数据的结构信息进行了详细的描述，它是面向某种特定应用的用于描述資源属性的机器可理解的信息。通过规范语法结构和语义结构，使得机器能够无二义性地表现和获取信息。图5是我们利用元仓库（CWM）提取的元数据信息。
3 关联挖掘在军事物资数据库的应用
我们在前面已经介绍了关联挖掘的方法和异构数据库整合的方案，下面我们将利用上面的技术来实现军事物资管理系统，在该系统中我们已经利用RFID技术将数据提取到数据库中，并通过CWM将异构数据库进行了整合，下面我们便是选取合适的关联挖掘的算法来实现该系统。在关联挖掘算法中比较经典的有两种：Apriori算法和FP-Tree算法。利用这两种算法实现数据关联挖掘的示意如图6所示。
Apriori算法的优点是逻辑结构简单，要求硬件运行环境较低，但是参与运算的关联项如果过多，那么进行关联运算时，运算的量就会成指数级增长，因此这种方法不适合大关联项的运算。FP-Tree算法是利用二叉树对大关联项进行裁剪，因此不会产生大量的运算，但是我们知道对树型结构进行运算时，需要消耗大量的存储空间，因此其要求的硬件的资源较高。考虑到我们处理的仓库中物品关联项的规模较小，最终采用了Apriori算法，具体实现的代码如下所示。
L1 = {large 1-itemsets}; 所有1-项目频集
for （k=2; Lk-1; k++） do begin
Ck=apriori-gen（Lk-1）; Ck是k-候选集
for all transactions tD do begin
Ct=subset（Ck， t）; Ct是所有t包含的候选集元素
for all candidates c Ct do
c.count++;
end
Lk={cCk |c.countminsup_count}
end
L= ∪Lk;
for all itemset p Lk-1 do
for all itemset qLk-1 do
if p.item1=q.item1， …， p.itemk-1 < q.itemk-1
then begin
C= p∞q; 把q的第k–1个元素连到p后
if has_infrequent_subset（C， Lk-1） then
delete c; 删除含有非频繁项目子集的侯选元素
else add c to Ck;
end
Return Ck;
has_infrequent_subset（C， Lk-1），判断c是否加入到k-侯选集中
下面是我们通过Apriori算法对整合过的数据库中的数据进行关联挖掘后，获得的物资之间的关联关系（如图7），通过该关系，我们可以清晰的发现，各种物资之间的支持度和置信度，并通过用户要求的最小支持度和置信度对分析后的数据进行筛选，找到用户感兴趣的物资关联项。这样我们就可以利用获得物资关联项，预测物资使用的频率合理的安排物资的采购量，节省物资的存储成本，其次我们还可以通过该关联规则，将关联度较高的物品排放在同一货架上，优化提取路径，提高物品提取效率等。关联挖掘除了在物资管理中的应用外，在军人病案信息管理中也有广泛地应用，我们可以在病例分析中影响疾病康复用相关因素的数据进行挖掘，以便提高军人疾病的治愈率。使用Microsoft时序模型预测医院未来的门诊工作量，以便为合理安排人、财、物资源提供科学依据。如此不但是为医院管理者提供了良好分析方法，还为医院科研人员提供了新的手段。
4 结语
本文将通过元仓库将异域、异构的军事物资数据库整合，然后利用关联挖掘中的Apriori算法对整合后的数据库进行深度挖掘，找到分布在异构的数量库中的庞大的物资信息之间隐藏的关联关系，来最终实现物资的快速响应和弹性的物资采购策略，但利用单一的数据挖掘技术，获得的数据的深度和广度还有一定的局限性，因此在今后的研究中我们可以把本体引入到我们的体系中，将本体树建立在数据仓库中的元数据库上，通过本体描述集成在元数据库上的元数据信息之间的关系，从而可以大幅度的提高由元数据进行数据挖掘的深度。
参考文献
[1]John Poole等著. 公共仓库元模型—数据仓库集成标准导论. 彭蓉， 何璐璐等译. 机械工业出版社， 2008. 3.
[2]John Poole等著. 公共仓库元模型开发指南. 彭蓉， 刘进等译. 机械工业出版社， 2004. 9.
[3]Meng XF， Zhou LX， WangS. State of the art and trends in database research. Journalof Software， 2004， 15（12）：
1822- 1836.
[4]James Pitkow， Peter Pirellis. Mining longest repeating subsequences to predict World Wide Web surfing. 1999， 10， 2（10）：
11-14. Berkeley， C USA：
USENIX Association.
[5]Alejandro A， Yaisman， Alberto O. Mendelzon Enrique Molina and Pablo Tome. Temporal XMI Model Language and Implementation.
[6]Wirth N. Type Extensions. ACM Transactions on Programming Languages and Systems， 1988， 10（2）：
204-214.
[7]何新貴. 人工智能新进展[M]. 北京：
清华大学出版社， 1994.
[8]曾勇， 唐小我. 线性规划在非负权重最优组合预测计算中的应用[J]. 预测， 1994.
猜你喜欢 元数据挖掘关联 奇趣搭配学苑创造·A版(2018年11期)2018-02-01拼一拼数学大王·低年级(2017年12期)2017-12-26校、政、企合作共建共享特色数据库的范式探索中国教育信息化·高教职教(2017年10期)2017-10-30智趣读者(2017年5期)2017-02-15流行音乐融入幼儿园教学的思考与实践成才之路(2016年3期)2016-01-29鲁教版化学教科书部分实验的改进和补充教学与管理(中学版)(2015年9期)2016-01-27幼儿园一日生活中的数学教育设计新课程·上旬(2015年8期)2015-09-10试论棋例裁决难点——无关联①棋艺(2014年7期)2014-09-09
