基于KDD的单病种成本估计方法

单病种成本估计是医院成本控制中的重要环节之一。分析了目前单病种成本估计存在的问题,针对单病种成本估计这一多因素、非线性问题,提出了一种基于知识发现(KDD)的单病种成本估计方法。研究了单病种成本估计KDD系统框架和基于医院信息系统(HIS)的单病种成本数据仓库模型;建立了基于粗糙集(RS)和支持向量机(SVM)数据挖掘技术的单病种成本估计模型;最后,以单纯性阑尾炎病例进行了实证研究,该模型获得了较高的预测精度和速度,进而证明了该方法的有效性和优越性,为单病种成本提供了科学有效的估计方法并显著提高了医院成本控制的准确性。     

基于双库协同机制的KDD*及其软件实现

在KDD(基于数据库的知识发现 )的基础上 ,提出了KDD的开放系统—KDD 的总体结构 ;探讨了其关键技术—双库协同机制的理论基础与实现技术 ;介绍了因果关联规则的统计归纳的发掘方法。初步演示试验的结果表明 ,KDD 这类新型构造是有效与可行的。     

神经网络专家系统及其数据挖掘技术的探讨

知识发现是目前数据库和机器学习的热门方向,本文在讲座了神经网络专家系统技术的基础上,探讨了如何在神经网络专家系统中融入发现的过程,给出了一个系统框架及其中的一些算法,并给予了深入讨论。     

从数据挖掘到专家挖掘

在简要分析传统数据挖掘方法不足的基础上,提出专家挖掘的必然性和重要性.作为一个新的研究领域,首先介绍了专家挖掘的基本概念,接着给出了其过程模型、主要方法与技术,并通过与数据挖掘方法的比较,分析了专家挖掘与数据挖掘互为驱动的知识发现的优势,最后结合案例说明专家挖掘的可行性.     

基于数据仓库的决策支持系统框架

数据仓库技术是在充分地开发信息资源的迫切要求下产生并迅速发展起来的一个国际前沿研究新领域 .本文分析传统决策支持系统开发中存在的问题 ,探讨数据仓库技术在决策支持系统建立中的应用 ,提出基于决策支持系统的基本结构框架 ,并讨论系统建立中数据仓库的数据组织与设计、数据挖掘层次空间的建立、知识发现方法等技术关键 ,最后进一步阐述系统的建立方法 .     

人工神经元网络在空间数据挖掘与知识发现中的应用研究

对常用的空间数据挖掘方法进行分析，认为常用的统计学方法对数据的限制较多，且计算量较大，在应用中有一定的局限性。与此相反，神经网络方法由于其固有的自学习能力和抗干扰能力，在空间数所挖掘领域有着广泛的应用前景。最后在空间数据挖掘领域引入GSOM网络，用于空间聚类，通过实例证明，效果较好。     

面向并行工程的知识库校验模型与方法研究

主要研究并行工程知识管理中底层领域知识的分析和验证问题 .将 Petri网技术应用于领域知识库的建模和分析 ,基于高级网系统给出了知识库各种异常现象 (包括 :规则冗余、规则冲突、循环规则等 )检测的建模技术和验证方法 .     

面向数据质量的ETL过程建模与实现

为了给数据仓库提供高质量的数据，在数据装载到数据仓库之前必须经过数据的抽取-转换-装载(Extraction-Transformation-loading，ETL)这一系列的预处理工作。复杂性和可用性是制约ETL系统的两大基本问题。为解决这些问题，给出了ETL过程统一的体系结构设计，包括ETL元数据对象建模、ETL转换函数设计、ETL任务建模以及ETL任务模型的描述语言(XTDL）。基于该体系结构和设计思想开发出一个ETL系统-MSETL，目的是为多策略数据挖掘平台(MSMiner)提供高质量的数据。它提供友好界面并对ETL过程进行统一的元数据管理，包括：ETL转换函数的注册和删除；任务模型的生成、执行和删除等功能。     

基于灰色系统理论的数据挖掘技术

利用灰色系统理论是研究贫信息系统分析、建模、预测、决策、控制的有效工具的特性,针对系统样本数据量不大或有残缺,样本数据更新变换快,整体数据规律相当复杂,而在某一时间或空间的数据却有很强的规律性之类的贫信息灰色系统中的数据挖掘课题,探讨了灰色系统理论与技术在数据挖掘中的应用问题,提出了贫信息灰色数据挖掘的灰色关联算法、灰色统计算法、灰色聚类算法、灰色统计聚类算法,并提出了灰色系统数据挖掘的体系结构。     

面向证券投资的动态知识发现系统设计与实现

针对传统证券投资技术分析方法所存在的不足，通过对粗集理论、神经网络学习机理的研究。提出了面向证券投资的动态知识发现系统的基本框架．基于此框架，设计出面向证券投资的动态知识发现系统，并详细阐述了系统的各组成部分的设计思想及实现．最后结合实例，验证了系统的有效性、可行性．     

Expert discovery and knowledge mining in complex multi-agent systems

Complex problem solving requires diverse expertise and multiple techniques. In order to solve such problems, complex multi-agent systems that include both of human experts and autonomous agents are required in many application domains. Most complex multi-agent systems work in open domains and include various heterogeneous agents. Due to the heterogeneity of agents and dynamic features of working environments, expertise and capabilities of agents might not be well estimated and presented in these systems. Therefore, how to discover useful knowledge from human and autonomous experts, make more accurate estimation for experts＇ capabilities and find out suitable expert（s） to solve incoming problems （＂Expert Mining＂） are important research issues in the area of multi-agent system. In this paper, we introduce an ontology-based approach for knowledge and expert mining in hybrid multi-agent systems. In this research, ontologies are hired to describe knowledge of the system. Knowledge and expert mining processes are executed as the system handles incoming problems. In this approach, we embed more self-learning and self-adjusting abilities in multi-agent systems, so as to help in discovering knowledge of heterogeneous experts of multi-agent systems.     

Research of united model of knowledge discovery state space and its application

1.INTRODUCTION Atpresent,complextypedatamining,suchasmulti media,audio,video,image,Webpage,spatial tem poraldataetc.,isreceivingmoreandmoreattention frombothresearchandbusinesscommunity.Howto exploittheexistingminingtechniquesofstructured datatocomplextypesofdata?Canweproposeacom montheoreticalframeworkforminingbothstructured dataandcomplextypesofdata?Wethinkitisurgent forustotrytoanswertheabovequestions.Fromdifferentperspectives,suchasevidencetheo ry,roughsetetc.,someresearchershaveprop…     

Rule Extraction from Trained Artificial Neural Network Based on Genetic Algorithm

This paper discusses how to extract symbolic rules from trained artificial neural network (ANN) in domains involving classification using genetic algorithms (GA). Previous methods based on an exhaustive analysis of network connections and output values have already been demonstrated to be intractable in that the scale-up factor increases with the number of nodes and connections in the network. Some experiments explaining effectiveness of the presented method are given as well.     

关联规则挖掘中阈值协调器的设计与实现

针对动态的关联规则挖掘中阈值的合理设置问题,提出了一种阈值协调算法(TCA算法),以克服传统的主观经验设置阈值的局限。通过设计一个用于处理动态关联规则挖掘过程中矛盾规则的阈值协调器,以计算矛盾域为基础,动态调节阈值,求得规则的一个基本的阈值区间,达到客观设置阈值的目的。给出了该方法的具体步骤,通过实验证明了该算法的有效性。     

基于蛋白质二级序列的关联多分类算法

蛋白质二级结构预测是公认的生物信息学领域的国际性难题。以基于内在认知机理的知识发现理论(knowledge discovery theory based on inner cognitive mechanism, KDTICM)理论的扩展性研究与数据库中的知识发现（knowledge discovery in database*, KDD*)模型为基础,提出一种基于结构序列的多分类算法--SAC(structural association classification),可以有效地解决蛋白质二级结构预测问题。该算法借助设定支持度阈值的精化知识库的方法,其预测准确率能够超过85%。以该算法为核心，构建了一个蛋白质二级预测模型--复合金字塔模型。实验证明,在RS126、CB513、ILP数据集上的预测准确率均超过80%,超过目前已知的国际主流水平。     

生物医学文献知识发现研究探讨及展望

采用文本挖掘技术处理海量生物医学科技文献和文本注释型数据库。从而发现创新知识如基因、蛋白质、疾病、药物及其相互关系的研究是当前人工智能和数据挖掘领域研究的热点。本文对生物医学文献知识发现的研究内容、研究成果以及基于文本挖掘的关键技术诸方面进行了系统的分析和阐述。通过分析中医药学数据的特点，提出了基于文本挖掘的中医证候分子生物学知识发现研究，该方法的特点是综合利用中医药学文献和MEDLINE，能够获得创新的证候与基因相关知识。初步实验表明，文本挖掘技术有望为证候的分子水平研究提供辅助和支撑手段。     

面向应用领域的知识系统建模及实现

针对知识系统建模过程中不同类型知识的组织、表示、控制和实现等问题,将用户需求作为重要的切入点,通过对用户的需求分析和分解将知识系统数据结构划分为领域概念知识(概念本体)、领域系统知识(方法本体)、需求分解知识(需求本体)、知识系统控制知识和解释知识5大部分,建立了各部分的数据结构,明确了相互之间的关系。提出了基于层次案例规划(hierarchicalcase basedplanning,HCBP)的需求本体建立检索及面向目标的黑板控制结构和改进算法。实例测试表明,该方法不仅有利于不同类型知识块的重用,而且提高了系统的执行效率,大大缩短了知识系统的开发周期。