摘要：随着信息化在现代化广播发射电台科学发展中的地位和作用越发重要，信息化已经是广播发射电台推进管理创新的迫切需要，是广播发射电台全面可持续发展的不竭动力。数据挖掘技术对信息化的现代化广播发射电台的管理、运行和维护工作有十分的现实意义。
关键词：数据挖掘 运行 维护
中图分类号：TN913.33 文献标识码：A 文章编号：1007-9416（2014）10-0043-01
随着各类信息化系统在广播发射电台的大量普及和应用，积累和产生了大量的信息数据，这些信息数据包含着很多对我们有用的数据。深入的分析和利用这些数据对我们了解和掌握发射机的参数有着很大作用。数据挖掘概念的引入无疑对广播发射电台的科学维护、规范运行具有重要的意义。
1 数据挖掘的定义
所谓的数据挖掘就是从大量随机的，繁杂的，有噪声的数据中提取隐含在其中我们事先不知道，但是对我们有作用的信息和数据的过程。近年来，各行业信息量的激增，引发了诸多学者对数据挖掘方法的探索。
我们所说的数据融合、数据分析以及决策支持都属于数据挖掘。数据挖掘要求数据源必须是大量真实包含噪声的；通过挖掘产生的对于我们可以接受的有用数据必须是我们需要的，他不需要是定理式的通用数据，关键是为我们的决策产生作用。原始数据的呈现可以是结构化像关系数据库中的数据；或者是半结构化的文本、图形和图像数据；甚至还有分布在网络上的异构型数据等多种存在的形式。发掘数据的方式也是多样的。可以是演绎的，也可以是归纳的。发现的数据我们可以用来优化我们的查询数据，也可以支撑我们的决策或者是对数据自身的维护。因此，数据挖掘是一门交叉学科，他为我们对数据低层次的查询应用，提升到挖掘内容，为我们的决定提供支撑。这里所说的知识发现，不是传统意义上的科学定理和科学的公式，实际上，所有发现的知识都是相对的，是有特定前提和约束条件，面向特定领域的，同时还要能够易于被用户理解。最好能用自然语言表达所发现的结果，这无疑对我们提高设备运维的科学化、针对性和实用性有着非凡的意义。
数据挖掘技术的意义是可以帮助我们从繁杂冗余的数据库里，快速的找的可以为我们所用的隐含的的有价值的信息。数据仓库和数据挖掘都是决策支持新技术，但他们有着完全不同的辅助决策方式。数据仓库中存储着大量的辅助决策的数据，为不同的用户随时提供各种辅助决策的随机查询、综合信息或趋势分析信息。数据挖掘是利用一系列算法挖掘数据中隐含的信息和知识，让用户在决策中使用。
因此，可以简单地说，数据挖掘主要目的是从大量的信息数据里面挖掘的我们可以用的信息。
2 数据挖掘系统的主要组成
采用数据挖掘的广义观点：数据挖掘是从存放在数据库、数据仓库或其它信息库中的大量数据挖掘有趣知识的过程。基于这种观点，典型的数据挖掘系统具有以下主要成分：
知识库：这是领域知识，用于指导搜索，或评估结果模式的兴趣度。这种知识可能包括概念分层，用于将属性或属性值组织成不同的抽象层。用户确信方面的知识也可以包含在内。可以使用这种知识，根据非期望性评估模式的兴趣度。领域知识的其它例子有兴趣度限制或阈值和元数据。
数据挖掘引擎：这是构建数据挖掘系统的基础组成部分，有计算的功能模块组成，可以为我们提供像事物关联，分类，演变和偏差之类的分析过程。
模式评估模块：通常，该部分使用兴趣度度量，并与挖掘模块交互，以便将搜索聚焦在有趣的模式上。它可能使用兴趣度阈值过滤发现的模式。模式评估模块也可以与挖掘模块集成在一起，这依赖于所用的数据挖掘方法的实现。对于有效的数据挖掘，建议尽可能地将模式评估推进到挖掘过程之中，以便将搜索限制在有兴趣的模式上。
图形用户界面：该模块在用户和挖掘系统之间通讯，允许用户与系统交互，指定数据挖掘查询或任务，提供信息、帮助搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。此外，该成分还允许用户浏览数据库和数据仓库模式或数据结构，评估挖掘的模式，以不同的形式对模式可视化。数据挖掘涉及多学科技术的集成，包括数据库技术、统计、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息提取、图象与信号处理和空间数据分析。通过数据挖掘，可以从数据库提取有趣的知识、规律、或高层信息，并可以从不同角度观察或浏览。发现的知识可以用于决策、过程控制、信息管理、查询处理等等。因此，数据挖掘被信息产业界认为是数据库系统最重要的前沿之一，是信息产业最有前途的交叉学科。
3 数据挖掘的主要任务
数据挖掘的任务主要对数据进行关联分析以及聚类，预测，偏差等一些分析以此来得出对自己有帮助的数据。
3.1 关联分析
关联规则：两个或两个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联一般分为简单关联、时序关联和因果关联三种。对关联分析为的是找到事物内部存在的关系。常用支持度和可信度两个阀值来衡量关联规则的相关性，并且同时辅助以兴趣度、相关性等参数，从而使得所挖掘的规则更符合我们需求。
3.2 聚类分析
聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。聚类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。
3.3 分类
分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。
3.4 预测
预测是通过以往存在的历史数据对事件的方向进行预估，通常会先建立模型，并有模型来对未来数据特征进行预测，预测的结果追求精度和不确定性，统计结果采用方差来度量。
3.5 时序模式
时序模式是指通过时间序列搜索出的重复发生概率较高的模式。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变量所处时间的不同。
3.6 偏差分析
偏差的数据中也包含着很多对我们有用的信息。发现这些异常对我们判断事件非常有价值。分析这些偏差最简练的方法就是寻找数据和设定的参照之间所存在的差别。
4 实践尝试
在我们的实际设备运行维护中，根据设备器件的寿命、故障次数和时间、每天的动作次数、经验的更换周期（磨损情况）等情况计算决策出更换该器件的具体时间或时间段。该功能可以很好的解决器件损坏的不确定性、未知性，在损坏之前更换淘汰该器件，为器件的更新提供科学的决策服务，减少更换的随意性和盲目性，提高决策的科学性，用科学的手段和方法来确保不间断播出；同时根据器件的故障率、更换频次、器件的使用率、备用个数、实际每年消耗数等情况，科学的、智能的生成每年的备件采购计划，可以收获很好的经济效益。
备件的科学制定，对发射台的资金优化使用有很大的帮助，完全靠人工、经验的定备件，容易造成：有的备件几乎不损坏，而库房又有大量的储备，造成资源、资金的浪费；有的备件损坏率高，有时可能被使用殆尽，要临时订购，不利于安全播音等情况的发生，所以以科学的需求为基础，科学的制定备件采购计划是必要的，对维护工作、电台的运行有很大的好处。
现行的检修工作，多数靠的是经验的总结，缺少更多的科学根据和数据支持，发射机的维护工作是变化的，不是一成不变的，不同的季度，不同的时间段，不同的发射机，有不同的情况和特点，都应有不同的检修策略，通过对现有数据采用合适的算法，统筹结合多种因素，可以形成动态变化的检修项目和时间，更具科学性、规范性、针对性。提供科学的检修周期安排，根据积累的故障点、一年里不同时间故障部位的不同、同一类型故障出现的频率、经验的检修周期、器件的损坏更换周期等情况科学的分析出检修的周期，什么器件在什么时间需要检修、检查，提出科学的决策建议，维护人员根据决策建议可以更合理的安排检修工作。实现检修记录的无纸化，把检修发现的问题，都详细的记录，这些检修信息不仅可以用来优化检修周期，也优化备件的智能提醒更换功能、故障的预警预报功能，使这些功能更加精准。
5 结语
数据挖掘涉是及多学科技术的集成，包括数据库技术、统计、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息提取、图象与信号处理和空间数据分析。通过数据挖掘，可以从发射台站日常运行产生的大量数据中提取对我们需要的科学维护和运行管理的有用的知识或是规律等信息，并能帮助我们在不同角度观察和挖掘，用发现的知识来协助我们来进行信息管理，运行控制，故障判断查询处理等。鉴于此，做好数据挖掘对信息化背景下的现代化广播发射电台的管理、运行和维护工作有十分的现实意义。
