数据挖掘技术及其应用

数据仓库是信息领域中近年来快速发展起来的一种技术，指出了分析数据仓库内容有2种基本的方法：联机分析处理和数据挖掘；讨论了联机分析处理的体系结构，提出了数据挖掘中一些常用的方法：决策树、关联及数据统计分析、神经网络和最近邻方法；介绍了数据挖掘的应用。     

基于数据挖掘技术的电子商务设计

介绍了数据库、数据挖掘、联机分析等相关技术的概念，以及这些技术在电子商务中的应用；介绍了基于数据挖掘技术的电子商务系统的设计以及使用Analysis Services工具进行的数据挖掘处理与分析。     

浅谈数据挖掘语言

介绍了几种数据挖掘语言及其标准化方面的研究进展．提出了数据挖掘语言分类的方法．在此基础上．对数据挖掘语言的结构和组成进行了探讨和研究．最后指出了数据挖掘语言的发展趋势,以及若干待解决的问题。     

空间数据库的数据挖掘

分析了传统数据挖掘方法面临的问题,介绍了空间数据挖掘的基本特征和空间数据库的知识发现过程,论述了几种空间数据挖掘的方法。     

数据挖掘技术及其在零售业的应用

首先介绍了数据挖掘的基本概念，主要任务。研究过程的和方法；其次通过给出实例，阐明数据挖掘技术在零售业发展的重萋性。     

数据挖掘技术应用于天气预报的可行性研究

介绍了数据挖掘的原理和方法，以及数据挖掘的相关知识．并以天气预报中的统计预报方法为背景，采用数理统计为基础的数据挖掘方法，对历史天气资料进行了挖掘．     

商业智能技术及行业应用分析

在详细讨论商业智能技术及与商业智能密切相关的数据仓库技术、联机分析处理、数据挖掘、客户关系管理等技术的基础上，结合行业应用需求，从数据仓库结构与模型的设计、提取转换与加载工具的设计、联机分析处理中概化视图选取方法的设计以及数据挖掘有关算法在具体问题中的应用入手，对粮食企业实现商业智能进行了深入的介绍和分析；重点解决了数据仓库结构，部分分区中概化视图的选取方法，数据挖掘技术具体应用等问题，为粮食行业建设智能决策支持系统提供了可行的建设方案。     

空间数据挖掘技术

空间数据挖掘是数据挖掘的一个分支,在地理信息系统、遥感、导航、环境研究以及许多使用空间数据的领域中有着广泛的应用。阐述空间数据挖掘的定义、特点、体系结构与一般过程,介绍空间数据挖掘的方法和知识表达方法,指出空间数据挖掘的主要研究方向,提出开发空间数据挖掘系统的几点思考。     

基于粗糙集理论的数据挖掘方法在电子商务中的应用

介绍了一种基于粗糙集理论提取关联的数据挖掘方法：并给出它在电子商务中的应用以及数据挖掘的全过程和示例，指出作为一种决策支持技术，它可以用来提高企业的决策效率和决策可信度，从而为企业赢得一定的竞争优势。     

空间数据挖掘技术

空间数据挖掘是数据挖掘的一个分支,在地理信息系统、遥感、导航、环境研究以及许多使用空间数据的领域中有着广泛的应用.阐述空间数据挖掘的定义、特点、体系结构与一般过程,介绍空间数据挖掘的方法和知识表达方法,指出空间数据挖掘的主要研究方向,提出开发空间数据挖掘系统的几点思考.     

基于空间数据库的数据挖掘技术

探讨扩展传统数据挖掘方法如分类、关联规则、聚类等到空间数据库的方法，着重对空间数据库系统实现技术及空间数据挖掘系统等进行比较分析，提出了一种空间数据挖掘系统的实现模式。     

一个适用于地理信息系统的数据挖掘工具——GISMiner

论文将常用于关系型、事务型数据库的面向属性归纳的方法和关联规则挖掘方法扩展至空间数据库，开发了适用于地理信息系统（GIS）的空间数据挖掘工具－GISMiner，并将其应用于从农田GIS中挖掘农田使用情况的空间特征规则，以及从农产品市场GIS中挖掘农产品价格与铁路、国道和河流间的空间关联规则实验。结果表明，GISMiner是一个实用的、能适应于GIS且能挖掘多种知识类型的数据挖掘工具。     

基于模式矩阵的FP-growth改进算法

数据挖掘中关联挖掘算法比较典型的有Apriori和FP—growth算法．实验和研究证明FP—growth算法优于Apriori算法．但是针对大型数据库这两种算法都存在着较大缺陷，不仅要两次或多次扫描数据库，而且很难处理支持度和数据变化等关联规则更新问题．作者提出了基于模式矩阵的FP—growth改进算法，它至多扫描数据库一次，特别在更新问题上不用重新扫描数据库．通过实验结果分析，验证了这种改进算法相对于原有FP—growth算法的优势，特别在大数据集下，大大降低了挖掘的时间复杂度．     

不完全数据库中的关联规则挖掘

在不完全数据库中挖掘关联规则是一个重要的数据挖掘问题,其关联规则的支持度和置信度不可能精确计算,但可以估计.基于关联规则支持度和置信度的估计,讨论了不完全数据库中关联规则的挖掘问题.     

应用粗集理论的数据库知识发现

要从数据量庞大的大型数据库中发现知识，就不得不考虑学习算法的效率。将粗集理论应用到数据挖掘中，实现了从数据库中自动抽取与给定的学习任务相关的属性，能有效地发现简练、贴切的知识，并给出了这一应用的理论基础和实现算法。     

一种挖掘大型数据库的关联规则新算法

关联规则挖掘算法FP-Growth在挖掘大型数据库时,占用内存大、运行速度慢或根本无法构造基于内存的FP-tree。针对这些问题,文章提出一种适合于挖掘较大型数据库的新的关联规则挖掘算法DFP-Growth,新算法将数据库分解,然后对分解得到的各个数据库子集用FP-Growth算法进行约束频繁项集挖掘,以满足大型数据库挖掘的需求。     

基于Apriori和IUA的改进算法

在数据库中挖掘关联规则是数据挖掘领域的一个重要的研究课题,在应用中具有非常重要的意义.在分析Apriori算法和IUA算法经典关联规则挖掘算法的基础上,提出了一种基于最近挖掘结果的更新算法称为IIUA.IIUA算法吸收了Apriori算法和IUA算法的优点,在改变最小支持度和基于最近挖掘结果的条件下,从生成尽可能少的候选项集考虑,得到完整的新频繁项集,从而提高算法的效率.     

面向领域的数据驱动自主式知识获取模型及实现

数据挖掘是一个非常有用的工具,通过它能够从大型数据库中发现知识.目前,众多研究者将其主要研究工作放在了数据挖掘的模型与方法等工程技术问题上,对于数据挖掘的一些基础理论问题却研究不足.通过对数据挖掘基本理论的研究,提出了面向领域的数据驱动自主式知识获取模型.并通过一系列数据驱动自主式知识获取算法验证了该模型的有效性.     

面向领域的数据驱动自主式知识获取模型及实现

数据挖掘是一个非常有用的工具,通过它能够从大型数据库中发现知识。目前,众多研究者将其主要研究工作放在了数据挖掘的模型与方法等工程技术问题上,对于数据挖掘的一些基础理论问题却研究不足。通过对数据挖掘基本理论的研究,提出了面向领域的数据驱动自主式知识获取模型。并通过一系列数据驱动自主式知识获取算法验证了该模型的有效性。     

均匀设计在数据挖掘中的应用

KDD以及DM技术的广泛应用,使人们从大量数据中提取知识成为可能,可是随着处理的数据库规模的不断扩大,现有的挖掘方法就显得无能为力了。文章主要将试验设计中的均匀设计思想应用于数据挖掘问题中,利用均匀设计的选点方法在已有的数据库中挑选出具有代表意义的数据组成新的决策表,再使用已有的挖掘算法对其进行处理,得出最终的挖掘结果。