馮 濤 常樹寶 任 煜

（1.陸軍軍官學院研究生隊 合肥 230031）（2.68310部隊 西安 710600）（3.68305部隊 蘭州 730305）

1 引言

當前基層作戰(zhàn)部隊普遍積累了大量的作戰(zhàn)數(shù)據(jù)，但對這些數(shù)據(jù)的處理還停留在簡單的備份、查詢及統(tǒng)計階段，從而使得這些數(shù)據(jù)還不能被充分利用。如何利用這些海量數(shù)據(jù)理性地分析各方面因素的成效得失，充分發(fā)揮數(shù)據(jù)潛在的作用，是指揮決策者共同關心的問題。比如，在部隊機動組織輸送裝載過程中，提供相關鐵路、空中、水路輸送標準數(shù)據(jù)，優(yōu)化裝載方案，確保輸送途中安全可靠；在部隊行軍過程中，提供相關道路、橋梁、隧道以及沿途的兵要地志信息，優(yōu)化路線，提高機動能力；在作戰(zhàn)過程中，提供敵我識別數(shù)據(jù)，有效避免誤傷事故的發(fā)生等。

2 作戰(zhàn)數(shù)據(jù)挖掘

2.1 作戰(zhàn)數(shù)據(jù)

目前，作戰(zhàn)數(shù)據(jù)還沒有一個統(tǒng)一的定義。通常認為，作戰(zhàn)數(shù)據(jù)是數(shù)據(jù)的一種。從廣義理解，作戰(zhàn)數(shù)據(jù)是指對作戰(zhàn)指揮、日常戰(zhàn)備、非戰(zhàn)爭軍事行動等具有影響和制約作用，且可以用人工方式或者用自動化裝置進行通信、翻譯轉換和加工處理的各種數(shù)據(jù)。從狹義理解，作戰(zhàn)數(shù)據(jù)是用于保障作戰(zhàn)指揮和部隊重要行動順利進行的各種數(shù)據(jù)。作戰(zhàn)數(shù)據(jù)主要包括基礎屬性數(shù)據(jù)、動態(tài)情況數(shù)據(jù)和決策意圖數(shù)據(jù)，具有確定性、動態(tài)性、實時性、權威性等基本特征。作戰(zhàn)數(shù)據(jù)的建設應堅持源于作戰(zhàn)，服務于作戰(zhàn)的原則[1]。

2.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是人們多年來對數(shù)據(jù)庫技術進行大量研究和開發(fā)的成果，在20世紀80年代末有了很大的發(fā)展。數(shù)據(jù)挖掘是指從數(shù)據(jù)倉庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的、潛在有用的信息的過程。它的目標是將大容量數(shù)據(jù)轉化為有用的知識和信息。數(shù)據(jù)挖掘不但可以幫助人們從數(shù)據(jù)庫特別是數(shù)據(jù)倉庫的相關數(shù)據(jù)中提取出所感興趣的知識、規(guī)律或更高層次的信息，而且也可以幫助人們從不同程度上去分析它們，從而可以有效地利用數(shù)據(jù)；它不僅可以用于描述過去數(shù)據(jù)的發(fā)展過程，而且還能進一步預測未來的發(fā)展趨勢[2]。

一般來說，在信息網(wǎng)絡和各類數(shù)據(jù)庫中，其大量數(shù)據(jù)的背后往往都隱藏著很多具有決策意義的信息。通過對大量數(shù)據(jù)的分析，發(fā)現(xiàn)數(shù)據(jù)之間的潛在聯(lián)系，為人們提供決策支持，這便是數(shù)據(jù)挖掘最基本的任務[3]。

3 關聯(lián)規(guī)則

3.1 基本概念

關聯(lián)規(guī)則是數(shù)據(jù)挖掘諸多功能中的一種，也是目前最為重要和應用最廣泛的數(shù)據(jù)挖掘方法之一。設Iim｝是m個不同項目的集合，其中的元素稱為項（Item）。記D為交易（Transaction）T的集合，這里交易T是項的集合，并且。對應每一個交易有唯一的標識，如交易號，記作TID。一個關聯(lián)規(guī)則是形如X＝＞Y的蘊涵式，這里?I，并且XY＝?。X稱為規(guī)則的前提，Y是結果。規(guī)則X＝＞Y在交易數(shù)據(jù)庫D中的支持度（Support）是交易集中包含X和Y的交易數(shù)與所有交易數(shù)之比，記為Support（X＝＞Y），即Support（X＝＞Y）＝｛T：X∪Y?T，TD｝／｜D｜。規(guī)則X＝＞Y在交易集中的置信度（Confidence）是指包含X和Y的交易數(shù)與包含X的交易數(shù)之比。

給定一個交易集D，挖掘關聯(lián)規(guī)則問題就是產(chǎn)生支持度和置信度分別大于用戶給定的最小支持度（Minsup）和最小置信度（Minconf）的關聯(lián)規(guī)則，稱為強規(guī)則。關聯(lián)規(guī)則挖掘的任務就是要挖掘出數(shù)據(jù)庫D中所有的強規(guī)則。強規(guī)則X＝＞Y對應的項目集（X∪Y）必定是頻集，頻集（X∪Y）導出的關聯(lián)規(guī)則X＝＞Y的置信度可以用頻集X和（X∪Y）的支持度計算。因此，可以把關聯(lián)規(guī)則挖掘劃分為以下兩個子問題：

1）根據(jù)最小支持度找出數(shù)據(jù)集D中的所有頻集；

2）根據(jù)頻繁項目集和最小置信度產(chǎn)生關聯(lián)規(guī)則。

3.2 Apriori算法

在目前的許多串行算法中，以Agrawal R.等人提出的Apriori算法最為著名，其他大多數(shù)算法也是以Apriori算法為核心的。這些算法的關鍵在于盡可能生成較小的候選項目集，它們都利用了這樣一個基本性質：即一個頻繁項目集的任一子集必定也是頻繁項目集。

Apriori算法是通過項目集元素數(shù)目不斷增長來逐步完成頻繁項目集發(fā)現(xiàn)的。首先產(chǎn)生1－頻繁項集L1，然后是2－頻繁項集L2，直到不再能擴展頻繁項集的元素數(shù)目而算法停止。在第k次循環(huán)中，過程先產(chǎn)生k－候選項集的集合Ck，然后通過掃描數(shù)據(jù)庫生成支持度，并測試產(chǎn)生k－頻繁項集LK。

Apriori算法主要包含以下三個步驟：

1）由頻繁k－1項集通過自連接產(chǎn)生長度為k的候選k項集Ck；

2）對至少有一個非頻繁子集的候選項進行剪枝；

3）掃描所有的事務來獲得候選項集的支持度。

Apriori的基本算法：

L1＝｛頻繁1－項集｝；

for（k＝2；Lk－1≠φ；k＋＋） do begin

Ck＝apriori＿gen（Lk－1）；

／／產(chǎn)生新的候選項集

for all transactions T∈D do begin

CT＝subset（Ck，T）；

／／事務T中包含的候選項集

for all candidates c∈CTdo

c.count＋＋；

end

Lk＝｛c∈CK｜c.count≥min＿sup｝

end

answer＝UKLk；

procedure apriori＿gen（LK－1）

for each itemset l1∈LK－1

for each itemset l2∈Lk－1

c＝l1∞l2／／連接，產(chǎn)生候選項集

if has＿infrequent＿subset（c，Lk－1） then

delete c；

else｛add c to Ck；

｝

return Ck；

procedure has＿infrequent＿subset（c：candidate k－itemset；Lk－1：

frequent（k－1）＿itemset）

for each（k－1）＿subset s of c

if s?Lk－1then

｛return true｝；

return false；

4 應用實例分析

4.1 數(shù)據(jù)準備

本文以某單位軍事訓練數(shù)據(jù)為研究對象，利用12個連隊2001～2011年間的實彈射擊成績，并抽取各連隊的10項屬性數(shù)據(jù)：指揮員是否具備集訓經(jīng)歷，中士炮長數(shù)量，觀炮通信成績，測地準備成績，陣地準備成績，是否夜間射擊，當年有否安全事故，試射方法，是否首發(fā)命中，效力射命中目標概率。原始數(shù)據(jù)如表1所示。

表1 原始數(shù)據(jù)表

4.2 數(shù)據(jù)處理

為了后面進行系統(tǒng)化分析與關聯(lián)規(guī)則挖掘，我們將原始數(shù)據(jù)表的各項屬性值按如下規(guī)則進行離散化處理，表2為處理后所得的數(shù)據(jù)表。

表2 挖掘用數(shù)據(jù)表

指揮員集訓經(jīng)歷（A）：Q1：有Q2：無

中士炮長（B）

測地準備（D

4.3 關聯(lián)規(guī)則挖掘

運用Clementine挖掘軟件，設定最小支持度為15%，最小置信度為80%，對120條記錄進行關聯(lián)規(guī)則的挖掘，得到部分強關聯(lián)規(guī)則如表3所示。

表3 挖掘結果

表3中

1）規(guī)則1表明：測地準備成績在及格范圍且在夜間射擊的連隊有96.34%的概率首發(fā)不命中，且效力射命中目標概率小于30%。

調查：該部隊夜間射擊考核較少，連隊不夠重視；偵察兵夜間捕捉目標能力不足。

分析：加強夜訓，確保夜訓的時間和質量。

2）規(guī)則2表明：該年有安全事故的連隊有100%的概率陣地準備處于合格水平。

調查：因不遵守操作規(guī)程導致的訓練傷多發(fā)生在陣地，造成戰(zhàn)斗力減員，士氣低落。

分析：安全工作的重心放在陣地；軍醫(yī)跟隨陣地；政治主官做好安全教育和思想工作。

3）規(guī)則3表明：指揮員有過集訓經(jīng)歷，觀炮通信良好，測地和陣地準備優(yōu)秀的連隊有90.73%的概率首發(fā)命中。

調查：符合炮兵指揮員的一般認識。

分析：讓沒有參加過集訓的指揮員集訓。

4）規(guī)則4表明：有三個中士炮長且觀炮通信良好的連隊有93.21%的概率陣地準備良好。

調查：不符合炮兵指揮員的一般認識，可視為無用規(guī)則排除。

分析：中士炮長的能力素質一般比下士炮長要強，但陣地準備與觀炮通信關系不大。

綜合以上分析，可得知挖掘出的強關聯(lián)規(guī)則，有的能夠反映出部隊傳統(tǒng)評估分析方法無法得到的潛在重要信息，可用于指導部隊；也有的規(guī)則不能夠反映真實的，有價值的信息，這就需要決策者根據(jù)已有知識和經(jīng)驗進行判斷和篩選。該實例存在的最大問題是數(shù)據(jù)量不足，從而使挖掘出的關聯(lián)規(guī)則存在一定的局限性。

5 結語

基于關聯(lián)規(guī)則的作戰(zhàn)數(shù)據(jù)挖掘以發(fā)現(xiàn)知識、獲取有用信息，是一種有益嘗試和重要應用。它對于部隊開展的軍事訓練、政治工作、后勤保障、安全保衛(wèi)等工作將會起到輔助性的決策支持作用，對決策者具有重要指導意義。此外，決策者應想用、敢用、會用作戰(zhàn)數(shù)據(jù)挖掘成果，通過以建促用、以用促建，推進作戰(zhàn)數(shù)據(jù)建用一體的良性循環(huán)。

[1]吳輝.數(shù)據(jù)挖掘技術的研究與應用[D].武漢：武漢理工大學，2009.

[2]陳乘風，何宇，趙偉.加強作戰(zhàn)數(shù)據(jù)建設的思考[J].軍隊信息化建設，2012，（2）：16－17.

[3]劉輝，陳宇.數(shù)據(jù)挖掘，信息戰(zhàn)場“淘金術”[J].國防技術基礎，2012，（5）：29－30.

[4]王東.加快推進我軍作戰(zhàn)數(shù)據(jù)建設[J].軍事學術，2012，（3）：53－54.

[5]劉世平.數(shù)據(jù)挖掘技術及應用[M].北京：高等教育出版社，2010.

[6]邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：科學出版社，2009.

[7]朱明.數(shù)據(jù)挖掘[M].合肥：中國科學技術大學出版社，2008.

[8]蔣暉，陳允鋒.數(shù)據(jù)挖掘及其一種關聯(lián)規(guī)則算法[J].計算機與數(shù)字工程，2011（6）.

[9]王宇杰，喬聰.數(shù)據(jù)挖掘中基于負邊界思想的關聯(lián)規(guī)則增量式更新算法[J].計算機與數(shù)字工程，2010（6）.

[10]袁玉波.數(shù)據(jù)挖掘與最優(yōu)化技術及其應用[M].北京：科學出版社，2007.