数据挖掘算法在大学生成绩分析中的应用

数据挖掘技术可以从大量的数据中通过算法发现隐藏其中的未知信息,被广泛应用到各种数据分析任务中,然而教育数据挖掘领域的研究目前仍然很少.针对高校大学生成绩分析问题,研究了经典的数据挖掘算法的分类性能,包括支持向量机、多元自适应回归样条、K-最近邻、决策树和随机森林.基于随机森林算法的变量重要性度量,分析了软件工程专业特定的课程对于学生综合学习效果的影响和作用.在真实的大学生学习数据集上进行了实验,获得了一些有意义的发现.     

基于神经网络模型的聚类分析技术研究

聚类分析已成为数据挖掘,模式识别等应用领域研究中非常活跃的研究课题.在聚类分析方法中,基于神经网络的算法,由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而竞争学习神经网络、SOFM神经网络方法是其中有代表性的方法,对其进行了分析研究,并给出了引入可变速度的训练算法。     

一种大规模高维数据集的高效聚类算法

大规模高维数据集的聚类算法已成为当前聚类研究的热点,由于高维的原因,聚类往往隐藏在数据空间的某些子空间中,传统的聚类算法无法获得有意义的聚类结果.此外,高维数据中含有的大量的随机噪声也会带来额外的效率问题.为了解决以上问题,该文在CLIQUE算法的基础上提出了一种基于最优区间分割和数据集划分的聚类算法—OpCluster,并使用仿真数据对该算法加以验证,实验结果表明,OpCluster对大规模高维数据集具有很好的聚类效果.     

基于局部密度估计的聚类个数确定研究

随着人工智能和数据挖掘技术的兴起,聚类分析已被广泛应用于通信、文本数据统计、生物信息学和图像处理中。对于非监督聚类分析,聚类的分类数目是决定聚类质量的关键因素。通常聚类个数事先无法确定,随即选择的初始聚类中心容易使聚类结果不稳定。针对此,基于聚类中心具有高局部密度且距高局部密度聚类中心距离较远的特点,提出一种基于局部密度估计的聚类个数的估计方法。经过仿真实验,验证了该算法具有良好的有效性和鲁棒性。     

基于K-means聚类分析与偏相关分析的高考质量评价体系构建与实施

阐述了高考成绩中多学科间K-means聚类分析和偏相关分析的高考成绩分析方法,构建基于数据挖掘技术的高考质量评价体系分析方法,并利用齐齐哈尔市高考考生成绩数据进行评价体系分析,为高考质量评价方法提供了一种新的尝试.     

基于约束模糊聚类思维的网络入侵检测方法研究

提出一种基于约束模糊聚类思维的网络入侵检测方法,首先对疑似入侵数据进行预处理,将网络数据分割为若干区域,将数据分配至对应的区域中,以区域为单位实现分类;通过区域进化法,以模糊聚类的思想为约束,利用文档中类标签信息引导区域的进化过程,用得到的结果对网络中的未知数据进行迭代分类,以实现网络入侵检测.实验结果表明,与传统方法相比所提方法检测精度高,所需时间更短.     

气象信息数据挖掘技术的应用

气象信息数据量不断增大,数据存储就越来越困难,数据挖掘技术研究并应用了几十年,已经有了比较扎实的理论基础,在很多领域已经广泛应用。本文首先介绍数据挖掘技术及气象信息的数据库设计,然后对气象信息数据挖掘技术进行分析。     

图形聚类算法的代谢网络模块化分析

代谢网络的研究是当今生物学研究中的新热点,使用图形聚类算法对代谢网络进行分析研究是一个有力的手段.文中提出了用图形聚类方法挖掘复杂代谢网络中蕴含的功能信息并进行模块相似性分析的方法,从系统生物学角度揭示光合作用的进化.介绍了马尔可夫聚类算法和模拟退火聚类算法两种图形聚类方法;给出了两种方法对叶绿体和蓝细菌的代谢网络进行聚类的结果;定义了模块相似度评价指标,挖掘叶绿体和蓝细菌间保守的功能模块,并对其网络结构进行了比较分析.     

聚类算法综述

聚类是将物理或抽象对象的集合组成为由类似的对象组成的多个类的过程,是研究数据间逻辑上或物理上的相互关系的技术,是数据挖掘技术中的重要组成部分。结合国内研究现状,论文介绍各类主要的聚类算法及其应用领域。     

多中心点增量式模糊聚类算法

增量聚类算法可以解决数据量大、内存不足的问题.传统的增量式模糊聚类(incremental multiple medoids based fuzzy clustering, IMMFC)算法只为每个数据块选择一个或多个相同数目的中心,当聚类中的对象权重较小时聚类效果不好.该文提出新的增量式模糊聚类算法用于处理大数据集.首先将大数据集分成多个小的数据块,并对每个小的数据块进行模糊聚类;然后从每个小数据块的每个簇群中选择目标中心点,中心点的个数是簇群中对象的权重之和大于阈值的最少对象数.最后合并所有选定的中心点,并对最终数据块进行模糊聚类,获取最终的中心点.实验结果表明,与IMMFC算法相比,当数据块占总数据的10%以上时,所提算法优于IMMFC.