智能商场信息系统的制作方法
【技术领域】
[0001] 本发明属于商务智能中的数据挖掘技术领域，涉及关联性分析、Apriori算法以及 BP神经网络算法，尤其涉及一种结合两种算法并实现其功能的智能商场信息系统。
【背景技术】
[0002] 目前，商务智能领域正不断被发掘和扩展中，该领域中的核心技术包括数据仓库 技术、数据挖掘技术、联机分析处理技术等也不断地发展，进一步推进商务智能在生活中的 应用，促进商业利润的不断增加，推动经济发展。在推进商场等进行合理化智能化商品管理 时，经常需要对商场销售记录，即被销售商品信息所存在的潜在商业信息进行发掘和分析， 进而得到可靠并且具有决断性以及实际意义的信息。在这里智能商场信息系统以及其携带 的智能算法能够有效地达成这一目的实现其功能。智能商场信息系统通过对商场顾客的消 费记录中的商品进行关联性分析，以及商品相当一段时间内的销售量的回归分析，进而将 最后结果通过可视化图表以及文字形式进行呈现，为商场智能优化货柜商品位置摆放，以 及智能控制商品进货量以及配送量提供可靠的参考。
[0003] 在BI领域，对商品信息的处理过程中，考虑到商品信息存在一些特性。一方面是 相较于其他数据，商场的商品信息的信息量相当的庞大，并且商品信息会因地域不同、季节 变更、经济情况、以及某些商品的特殊性而存在不确定性。另一方面是从现实可行性需求分 析，商务智能中对于商品信息的分析，基于商场对商品相关信息的需求，不同类型的商场对 于商品信息的需求不同，这需要我们对商场的需求有十分确切以及实时的了解。而正是因 为这样的特性，目前的智能商场系统就商场的基础信息需求以及绝大多数商场共有的需求 对数据进行分析，进而得到可靠的参考信息。
[0004] 数据挖掘，从大量的数据中挖掘出隐含的、未知的、对决策有价值的知识和规则， 在商务智能中十分重要的技术领域。针对商品信息的特性，数据挖掘领域中的多种算法 都能够对信息进行处理。如贝叶斯分类器、决策树等对数据进行分类的方法；如对商品相 似度进行分析进而归类商品的KMeans聚类算法，该算法运算速度快，但由于算法中存在 的聚类数目K的取值可能对结果产生影响；如能够快速处理混合类型数据的聚类问题的 K-prototypes算法。另外有以其他基于密度、网格、模型等的聚类分析方法对商品信息进 行聚类分析。每种方法都存在各自的优缺点，适用范围也相对有限，对于不同的数据类型特 征、数据质量等存在着不同的制约因素。
[0005] 智能商场信息的提取要求时效性、有效性和针对性以及良好的可读性和交互性。 数据挖掘领域的关联规则发现技术中的Apirori算法以及目前被广泛应用的监督式学习 方法BP神经网络算法能够实现对商场信息的有效分析和提取。在智能商场信息系统中，这 是十分重要的，只有更加准确和具有实际意义的商品信息才能够进一步推动商场的智能发 展。如卖家将会从自己所持有的顾客消费记录中寻找顾客购买商品的潜在规律，并且进行 相关规律的实际对应措施的实施；同时卖家也会从近阶段商品的销售情况，进而推测商品 未来的未知销售量。而这两种情况正能够对应我们的两种算法所进行的对数据的分析。前 者应用Apriori算法能够准确并且有效地对大量的销售记录进行商品的关联规则分析；后 者则应用BP神经网络算法对销售量进行回归预测，基于商品信息的时效性为未知销售量 做出可靠预测作为参考。
[0006] 关联规则Apriori算法是目前广泛应用于智慧商场领域的方法之一。该算法能够 有效的将商品之间的关联规则进行挖掘和呈现，但仍旧存在一些不足：①I/O负载大，产生 过多的候选项目集；②商场中的商品数据存在着因季节、利润、地域、时间等因素导致的不 确定性以及杂乱性，该算法对影响因素的有效措施并不完善。同样BP神经网络算法，在被 广泛应用的同时也存在着一些不足，即存在平坦区域，因误差对权值的梯度变化小二导致 的区域，而这样也导致误差下降缓慢，影响收敛速度。近年来商务智能不断发展的过程中， Apriori算法也在不断的被修改和完善，如通过对数据进行加权计算，从而对不同类别商品 的项集发现进行区分等一些措施。国内外针对BP神经网络算法的不足也不断地提出改进， 消除样本输入顺应影响等。但目前仍旧存在着一些可见或不可见的因素影响着数据信息的 提取。因此，能够更加准确、可靠、并且切合实际地对商品信息进行提取和分析仍旧是智慧 商场领域的研究热点并具有客观前景。
[0007] 常见的嵌入式系统基于传统集成电路设计，需要整合大量的外围电路，由于PCB 板中的1C芯片之间的连线延时，以及本身的体积和重量等因素的限制，整机系统的性能受 到了很大的制约。近年来具有超大规模、低功耗、低成本、设计灵活等优点的FPGA(Field ProgrammableGateArray，现场可编程门阵列)成为行业主流并被广泛应用在高速度、高密 度的数字电路设计领域。工业、农业、医疗、科研等领域集成电路设计已经进入了片上系统 (SystemonaChip，SoC)时代，其将微处理器、模拟IP核、数字IP核和存储器（或片外 存储控制接口）集成在单一芯片上。SoPC(SystemonaProgrammableChip)是一种基 于FPGA的SoC设计方案，它将FPGA及微处理器的核心嵌在同一芯片上，构成一个可编程的 SoPC系统框架，具有高度的集成能力，很大程度上减小了产品体积以及外部信号对系统的 干扰，大大增加了系统的可靠性、稳定性和灵活性。全球著名FPGA制造商Altera推出的内 部集成软核处理器NiosII及各种IP核的CycloneII，是一种目前民用市场常用的SoPC 架构，配合SoPCBuilder和NiosIIIDE开发工具，能够在很短的时间内推出一个完整的 系统，极大的方便了系统的开发。该架构也成为医疗行业信号检测、数据处理等系统设计的 发展趋势。
【发明内容】
[0008] 本发明的目的是结合目前应用效果较好的Apriori智能算法以及半学习式的BP 神经网络算法对智慧商场的商品信息进行智能挖掘与分析方法。有效实现商品货柜位置摆 放的优化以及商品销售量的预测的功能，为商场提供更多更可靠的参考信息。
[0009] 本发明提供了一种结合并实现多种智能算法的智慧商场信息系统。
[0010] 本发明所采用的技术方案是： 1、智能商业信息系统，其特点是，按以下定义和步骤实施： 定义： 定义1 :定义D为事物数据项集，是消费者购物数据的总和； 定义2 :定义L1'项集为D所包含的所有的销售记录中不重复的包含一种商品的项集； 定义3 :支持度（Support)指A和B两个项集的并集AUB在D中出现的概率P(AU B)，即； 定义4:置信度（Confidence)表示事务数据库D在包含A的事务的前提下同时也包含B的概率P(B|A)，即
MERGEFORMAT； 定义5:定义L1为一维频繁项集，指支持度不小于用户给定的最小支持度阈值 (minsup)的项集，1维频繁项集记为L1，以此类推，η维频繁项集记为Ln; 定义6:定义训练彳
\*MERGEFORMAT，表示若干组销 售量数据与对应月份所组成的集合； 定义7:在向前的多层前馈网络中 .
. ；\*MERGEFORMAT 定义8 :在后向传播中，有
\*MERGEFORMAT 定义9 :均方误差e的结果由均方函数求得，其中，均方函数= 输出维度 为1 ; 定义10 :梯度下降法更新权值时，
*MERGEFORMAT 步骤1 :从本地SD卡获得事务数据项集D; 步骤2 :打开软件运行，导入购物数据置软件中，通过用户输入的自定义值，为阈值 sup; 步骤3 :系统软件运用Apirori算法对事务数据项集D进行频繁项集的发现，并对频繁 项集中项目的推荐度进行计算； 步骤4 :根据步骤3的分析结果，实现对消费者输入的商品进行相关商品智能推荐的功 能； 步骤5 :从本地SD卡获得商品的前一段时间每个月的销售量记录，运用BP神经网络算 法，对该数据记录进行分析，预测下一月该商品的销售量。
[0011] 该系统包括一个FPGA模块及外接设备， 所述的FPGA模块中，设置有Avalon总线及三态桥总线，在Avalon总线及三态桥总线 上连接有Flash控制器、SDRAM控制器、通用10、IXD驱动器、定时器、LTM控制器、C2H加速、 SD卡控制器、以太网控制器、JTAGUART模块和NiosII软核； 所述的外接设备包括，Flash控制器外接Flash设备，SDRAM控制器外接SDRAM