Ｆｉｅｌｄ－Ｋｒｓ－Ｎｏｙｅｓ模型在 正不变集上的动力学行为

利用单调动力系统的理论方法来研究 Ｆｉｅｌｄ－Ｋｒｓ－Ｎｏｙｅｓ模型的动力学行为．在一个正不变集里得到了关于 系统稳定闭轨的存在性的充分条件以及所有轨线都收敛至平衡点的充分条件      

基于改进的 ＲＦＭ 模型客户价值分层研究

对传统零售行业客户进行价值分层 进一步对不同价值客户采取相应的营销策略 既能降低营销成本 又能提升营销效果 最终将显著提升企业利润 基于经典 ＲＦＭ 模型进行改进 修改了指标 Ｆ 的计算方式 然后对模型指标以熵权法确定其权重 最后进行 Ｋ－ｍｅａｎｓ 聚类分析 将客户划分为不同价值层级 以某大型超市相关数据进行实证研究 对超市观察期内的客户进行价值分层后 进一步分析不同类型客户的创利情况 验证了聚类结果的合理性 客户价值层级越高 实际创利情况越 佳 最后对不同类型的客户给出相应的营销策略     

数据挖掘技术在西藏旅游电子商务中的应用研究

本文分析了数据挖掘在西藏旅游电子商务中的作用,并介绍了在旅游电子商务中如何应用数据挖掘技术,提出了采用关联规则算法帮助旅游电子商务建立个性化的旅游网络。     

浅谈数据挖掘中的聚类算法

数据挖掘是近年来非常热门的研究方向。聚类分析是数据挖掘的一个重要研究领域。本文归纳总结了数据挖掘中传统聚类算法,并对现今新发展的,比较热门的聚类算法进行了介绍。     

决策树与聚类算法在数据挖掘中的研究及应用

本文介绍了用数据挖掘技术来处理大量数据,并得到可靠且有效数据挖掘结果的方法。同时对使用到的决策数算法进行了深入的研究分析。     

数据挖掘中的模糊聚类分析及其应用

数据挖掘是一种新兴的信息处理技术,模糊聚类是数据挖掘领域中的一个重要研究课题。论文从数据挖掘的概念出发,研究分析了模糊聚类的主要算法,并从多个方面对这些算法性能进行比较,同时还对模糊聚类分析在数据挖掘中的应用进行了阐述,最后对模糊聚类的研究领域进行了总结和展望。     

聚类算法在数据挖掘领域的研究

全方位的对各类聚类算法进行总结和归纳,并且对一些在特殊领域中应用聚类算法进行深度解析,然后从以下三个部分,算法思想,关键技术以及算法特点等方面进行基本概括,对一些代表性的聚类算法进行比较分析以及聚类算法新领域研究的展望,这对将来聚类发展具有重大意义.     

数据挖掘技术在客户关系管理中的应用研究

从市场竞争的现状出发，阐述了数据挖掘技术原理，重点探讨了FCM聚类算法和关联规则，并将其运用到电信客户关系挖掘中，对具体公司移动客户消费数据进行了详细分析。     

数据挖掘技术在数据抽取中的研究与应用

数据抽取是数据仓库和数据挖掘的基础,将挖掘数据环境和数据抽取技术结合起来,不但可以提高数据仓库的利用率,而且可以加快数据抽取的速度,提高设备的利用率.基于这种理念,以挖掘数据环境来提高数据抽取效率为目的,提出一种将电信数据模型与K-means算法相结合,从而提高数据抽取速度的方法,并探讨了将数据挖掘技术应用于数据抽取的可行性.     

数据挖掘算法在入侵检测中的应用

数据挖掘可以从海量数据中发现模型和数据间的关系并做出预测。针对入侵检测系统的特点,将数据挖掘算法应用于入侵检测系统中,并着重研究了聚类算法中的K均值算法和一种改进的K均值算法。     

数据挖掘中聚类算法比较研究

聚类算法是数据挖掘中的核心技术 ,虽然聚类算法已被广泛深入的研究 ,但其应用在数据挖掘领域时间不长 ,其间产生了许多不同的适用于数据挖掘的聚类算法 ,但这些算法仅适用于特定的问题及用户 .为了更好的使用这些算法 ,综合提出了评价聚类算法好坏的 5个标准 ,基于这 5个标准 ,对数据挖掘中近几年提出的常用聚类方法作了比较分析 ,以利于人们更容易、更快速的找到一种适用于特定问题的聚类算法     

数据挖掘技术在入侵检测中的应用

阐述了入侵检测和数据挖掘技术,并介绍了数据挖掘技术在入侵检测系统中的应用。     

BIRCH算法在自适应WEB设计中的应用

本文把BIRCH算法应用于自适应WEB站点的设计中,具体给出聚类过程中的距离计算公式和聚类中心计算公式,并按数据挖掘的过程对自适应WEB站点的设计中的各个问题进行了介绍.     

FCM聚类算法在数字图书馆中的应用研究

运用模糊C-均值(FCM)聚类算法对数字图书馆的图书借阅数据进行数据挖掘,并使用误判率交叉估计法验证挖掘过程的有效性.通过分析聚类挖掘结果,寻找到读者借阅图书的潜在规律,并对各类图书的借阅质量进行判断,以提高图书馆的图书利用率,进一步优化馆藏.     

基于数据挖掘平台的模糊聚类算法及应用研究

研究基于目标函数的模糊聚类算法,并对聚类效果的有效性和参数选择进行了详细分析,在数据挖掘平台中实现该算法,通过设置聚类误差和实时误差两项动态指标来确定最佳的判别方法和参数设置．最后将该算法应用于模型生命表制作的前期分析工作中。     

数据挖掘技术在电力管理和分析中的应用

作为一种数据分析方法和技术,发现潜在的信息,大量的信息,数据挖掘已成为社会关注的焦点.在电力行业的信息化建设进程中,有大量历史数据,采用数据挖掘技术来研究和发展是刻不容缓,分析决策系统需要解决在电力运行管理中存在的关键和突出问题企业.本文提出了详细的数据挖掘算法分析.基于电力管理分析的特点,重点讨论了聚类分析算法.基于电力数据管理分析系统,数据挖掘技术在本文设计的过程采用混合型数据并获得良好的挖掘效果.聚类对电力客户数据分析可以得到很好的分类,有助于预测顾客的购买行为.     

聚类算法在图书馆中的应用

依据图书馆的现有信息,结合数据挖掘的流行方向,应用聚类算法分析研究读者的借阅行为,获得对图书馆管理有用的信息,提高图书馆管理工作效率和资源利用率。     

谱系聚类在综合国力分析中的应用

分析数据挖掘领域的聚类分析方法及代表算法,比较这些算法的性能,对数据挖掘中的谱系聚类进行举例说明.实践证明谱系聚类是一种有效的可用于数据预处理的离散化方法,可以快速和合理的解决粗糙集数据挖掘中数据预处理的问题.     

数据聚类算法在web数据挖掘中的应用

在数据挖掘的实现过程中,聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题。聚类是数据挖掘中一种重要的挖掘方法,它从数据库中计算发现数据中隐舍的有用信息或知识,数据聚类在很多领域中有着广泛的应用。该文研究的主要内容是数据聚类算法在Web数据挖掘中的应用,获得的聚类结果可以作为web网站结构的优化,站点的重构以及个性化的服务和推荐的重要依据。     

基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用

针对传统聚类算法存在挖掘效率慢、 准确率低等问题, 提出一种基于最小生成树的多层次k-means聚类算法, 并应用于数据挖掘中. 先分析聚类样本的数据类型, 根据分析结果设计聚类准则函数; 再通过最小生成树对样本数据进行划分, 并选取初始聚类中心, 将样本的数据空间划分为矩形单元, 在矩形单元中对样本对象数据进行计算、 降序和选取, 得到有效的初始聚类中心, 减少数据挖掘时间. 实验结果表明, 与传统算法相比, 该算法可快速、 准确地挖掘数据, 且挖掘效率提升约50%.