基于数据挖掘的通信企业信息展现

现今,越来越多的企业意识到数据挖掘的重要性,它能为企业领导提供决策上的支持.本文以通信企业为例,介绍了一种基于数据挖掘的信息展现系统的设计思想.     

基于XML的智能商业系统的实现

商业系统的智能化是一种发展趋势，它主要靠数据挖掘工具对企业中的数据进行分析来协助决策。而XML的出现使得Web电子商务中的数据分析带来了很大的便利。本文提出了一种基于XML的智能商务系统的实现方案，该系统主要分为前台交易与后台决策两部分，并讨论了前后台的数据交换及处理技术。     

ERP系统中实现决策支持的方法研究

数据仓库和数据挖掘是近几年迅速发展起来的技术，主要用于构建企业的决策支持系统．根据数据仓库和数据挖掘技术的特点，针对传统ERP系统在决策方面的不足，提出把数据仓库和数据挖掘应用到ERP中，以数据仓库作为企业底层的数据源，使用各种数据挖掘技术，以提高ERP中的决策支持功能．①     

数据挖掘方法与应用

数据挖掘是近十来年出现的新技术,它已用于企业决策支持,市场策略制定等,并将成为决策支持系统的一个重要组成部分。本文从KDD处理过程、数据挖掘技术和应用等方面对数据挖掘进行了较详细的讨论。     

浅谈商业智能系统与数据挖掘

商业智能已经成为目前企业信息化的热点,在商业智能系统中,数据挖掘是一种发掘型的分析工具,它在数据库中自己寻找模型,发掘数据间潜在的模式,发现经营中可能忽略的问题,为企业作出预测性的决策。     

数据挖掘技术在客户关系管理中的运用

客户关系管理不仅是一种管理理念,又是一种旨在改善企业与客户之间关系的新型管理机制,也是一种管理软件和技术.数据挖掘能够对将来的趋势和行为进行预测,从而很好地支持人们的决策.CRM的成功在于成功的数据仓库、数据挖掘.     

商务智能新技术

商务智能是数据仓库,数据挖掘技术在商业领域的一种综合的运用,它从大量的企业级数据中提取相关信息,作为企业决策、定位的一种辅助工具。随着我们国家的现代建设的不断开展,信息化程度越来越高,商务智能将成为对大量信息处理的一个重要的选择。     

基于粗糙集理论的医疗诊断系统分析

粗糙集理论是一种处理含糊和不精确性问题的新型数学工具,它是一种新型的数据挖掘和决策分析方法.通过条件属性对决策属性的依赖度和重要度分析,最终获取最小决策规则,并在医疗诊断系统中尝试.最后实践表明,这种方法在医疗决策系统中进行属性的约简是可行的.     

数据挖掘技术在金融领域的应用

数据挖掘技术是近几年发展起来的一种信息处理技术,能够对海量的数据进行采集、分析、转换及统计。金融企业通过利用数据挖掘技术,发掘信息背后的深层含义,给企业以决策支持,帮助企业在信息时代激烈的市场竞争中占据主动。数据挖掘技术与金融领域广泛深入的融合不断改变着金融企业的行为方式,为金融业带来了更广阔的发展空间。     

基于Agent的数据挖掘在CRM中的应用

针对已有的数据挖掘系统缺乏智能性，提出了一个基于Agent的智能数据挖掘系统模型，此模型把Agent本身的特点自然地引入到数据挖掘中，使整个挖掘过程具有了智能性．企业根据挖掘到的信息来分析和预测客户的将来行为，从而有针对性地为客户提供服务，降低决策风险，提高企业竞争力。     

面向android手机平台的网络恶意数据流挖掘研究

由于android手机平台网络中数据流众多,以往研究出的面向android手机平台网络恶意数据流挖掘方法,均无法对网络恶意数据流进行高效、准确挖掘。故提出一种挖掘效率和挖掘准确性均较高的android手机平台网络恶意数据流挖掘方法。网络恶意数据流通常均有自动收发行为,所提方法利用概率分类法和邻近值法对android手机平台网络数据流进行预分类,使具有自动收发行为的网络数据流优先进行网络恶意数据流挖掘,提高挖掘效率和挖掘准确性。该挖掘方法将网络数据流划分成多段行为向量,对具有自动收发行为的网络数据流和不具有自动收发行为的网络数据流采取不同精度的挖掘操作,输出网络恶意数据流,存储网络非恶意数据流,供下次挖掘使用。经实验验证可知,所研究的方法挖掘效率高、挖掘准确性高。     

基于超市OLAP系统数据挖掘的实现

针对SQLServer2000AnalysisServices中的数据挖掘功能,及其在某大型超市的OLAP系统中加以应用的情况,介绍了基于SQLServer2000的数据挖掘模型的建立、训练、浏览模型和进行预测的关键技术,给出了一种建立在已有的OLAP系统基础上的实现数据挖掘功能的具体方法,并指出运用该方法可以快速地开发数据挖掘的应用,有效地支持决策。     

Image Post-Processing Method for Visual Data Mining

Visual data mining is one of important approach of data mining techniques. Most of them are based on computer graphic techniques but few of them exploit image-processing techniques. This paper proposes an image processing method, named RNAM （resemble neighborhood averaging method）, to facilitate visual data mining, which is used to post-process the data mining result-image and help users to discover significant features and useful patterns effectively. The experiments show that the method is intuitive, easily-understanding and effectiveness. It provides a new approach for visual data mining.     

基于模糊关联迭代分区的挖掘优化方法研究

由于数据库存在数据量大、多维性的特点,传统挖掘方法在对数据进行处理时,无法构建精准的数学模型,容易出现部分信息丢失、分区过硬的问题。提出一种基于模糊关联迭代分区的挖掘优化方法,通过模糊C均值聚类算法对原始数据集进行预处理,过滤冗余数据,获取原始数据集的模糊分区;利用模糊关联挖掘算法获取感兴趣规则,实现数据的优化挖掘。实验结果表明,针对不同的数据集,改进的方法均具有很好的分区性能,且时间复杂性低,挖掘精度高。     

基于滑动窗口的时间序列离群数据挖掘

离群数据挖掘是数据挖掘中的重要内容.本文针对时间序列数据进行离群数据挖掘方法的研究.在引入了基于局部离群点因子的离群数据挖掘方法与时间序列上滑动窗口基础上,将二者相结合,提出了基于滑动窗口的时间序列离群数据挖掘算法,并将算法应用于海表温度数据得到海表温度的异常之处.     

复杂属性环境下NoSQL分布式大数据挖掘方法研究

由于复杂属性环境下的大数据挖掘工作需要涉及到对大数据的分析、清理、转换和集成等一系列操作,导致以往提出的复杂属性环境下大数据挖掘方法无法同时拥有较强的准确性、稳定性和实用性,故提出复杂属性环境下NoSQL分布式大数据挖掘方法。所提方法利用NoSQL数据库的物理分散逻辑,在复杂属性环境下构建NoS QL数据库,给出挖掘条件,对数据库中大数据的特征、位置、方向和长度属性的关联性进行分布式挖掘,经由挖掘公式给出挖掘结果。利用挖掘聚类公式对大数据的特征、位置、方向和长度属性的关联性挖掘结果进行聚类,获取所提方法的最终挖掘结果。经实验分析可知,所提方法在挖掘工作中具有较强的准确性、稳定性和实用性。     

分布协作式对等网络中大规模空间数据挖掘方法研究

分布协作式对等网络较为复杂,而空间数据规模大,当前数据挖掘方法很难实现对其的准确挖掘。为此,提出一种新的分布协作式对等网络中大规模空间数据挖掘方法,给出分布协作式对等网络的GIS应用架构,在此基础上对分布协作式对等网络进行无向环路遍历,获取分布协作式网络的全部环路,挖掘出目的空间数据所属社区。通过痕迹系数判断目的空间数据流是否经过该社区,如果目标空间数据流经过该社区,则通过计算相关系数获取某个时刻目标空间数据流在社区中的位置,从而实现大规模空间数据挖掘。实验结果表明,采用所提方法对分布协作式对等网络中大规模空间数据进行挖掘,有很高的挖掘有效性,而且挖掘效率和挖掘精度均较高。     

分布式数据挖掘中的最优K相异性取样技术

为了弥补基于集中式处理的分布式数据挖掘方法的不足,有效地实施分布式数据挖掘(DDM)任务,需要一种能从分布式数据源中获取多样化代表性取样集的技术.提出了一种新的适用于分布式数据挖掘环境的数据取样算法(OptiSim-DDM方法),算法核心是基于最优K相异性进行数据选择,采用移动Agent技术和扩展的最优K相异性数据多样化代表性子集选择方法,能在各分布式数据场地中轮转选择出全局数据集的多样化代表性取样集.该方法通过降低所挖掘的数据集的数据规模来降低数据挖掘算法的时空复杂度,降低网络通讯代价,提高数据挖掘的执行效率,适合于各场地数据是互相关联和互相依赖的分布式数据挖掘任务.实验结果证实该方法是可行、有效的.     

量子计算在增量式大数据并行挖掘中的应用

针对传统大数据并行挖掘方法是一次性对所有数据进行挖掘,导致挖掘时间较长,挖掘精度较低等问 题,采用量子计算对增量式大数据并行挖掘方法进行优化设计。首先,按照数据挖掘的基本流程搭建并行数据 挖掘模型; 然后分别通过定义量子比特、量子搜索算法、量子神经网络处理以及量子映射变换4 个步骤,实现 增量式数据的预处理,利用矩阵向量相乘分解得到过滤权重组合,通过该组合实现预处理结果的并行协同过 滤; 最后通过量子模糊聚类得出增量式大数据并行挖掘结果。实验结果表明,应用量子计算的增量式大数据并 行挖掘方法的平均召回率为97． 25%,并行挖掘时间在2． 1 ～ 3． 2 s 的范围内浮动,准确率超过95%,且该方法 的收敛性最好,寻优能力强。     

属性受限状态下低维冗余聚类数据快速挖掘方法研究

针对传统数据挖掘方法存在挖掘精度低、速度慢、占用内存多而不适于实际应用等缺点,提出一种属性受限状态下低维冗余聚类数据挖掘方法。通过计算低维冗余聚类数据的支持度,把低维冗余聚类数据挖掘问题转变成频繁项集挖掘问题;利用支持度与可信度对关联规则产生结果进行评价,并添加属性对其进行限制,以减少无用规则的产生。通过属性位复用方法建立候选区域,产生关联规则集,对符合关联规则集的低维冗余数据进行聚类,实现对其挖掘。实验结果表明,通过所提方法对属性受限状态下低维冗余数据进行挖掘,挖掘速度快,结果可靠。