基于粗糙集理论的医院院内感染数据挖掘

粗糙集理论是一种处理模糊和不确定知识的新型数学工具 ,已广泛应用于人工智能的许多领域特别是数据挖掘和知识发现领域。本文首次将基于粗糙集理论的数据挖掘技术应用于医院院内感染的知识发现 ,在智能诊断的知识自动获取方面取得新的进展。     

一种基于粗糙集理论的XML数据挖掘模型

随着大量的XML数据的出现,给数据挖掘领域提出了新的挑战。传统数据挖掘是基于关系数据库和数据仓库的,如何挖掘出XML形式的数据成为研究的热点问题。由于XML文档是一种半结构化数据,使用传统的数据挖掘方法对XML数据进行挖掘是不适用的。提出了一种基于粗糙集理论的XML挖掘模型,并进行了实验,结果表明利用粗糙集理论对XML数据挖掘是可行的。     

基于属性的粗糙集在数据挖掘中的应用

研究怎样能够有效地实现基于属性的粗糙集理论的数据挖掘技术．详细讨论了粗糙集理论;为了从基于属性的数据库中发现新的规则,研究了一种适合数据挖掘的面向对象的商业市场研究软件体系的应用．     

基于粗糙集面向属性的数据挖掘及改进

用粗糙集进行数据挖掘是近年来被采用的一种新的有效方法 ,本文针对传统粗糙集分类方法过于严格 ,对噪音过分敏感的缺点 ,提出了改进的粗糙集挖掘模式及相应面向属性的约简算法和实现步骤     

基于粗糙集理论的数据挖掘研究

数据挖掘的技术很多,其中粗糙集理论得到了广泛的应用。粗糙集理论是一种研究不完整、不确定知识处理的数学工具,它可对不完整的数据进行分析和归纳,从中发现知识。本文介绍了数据挖掘基本概念,阐述了粗糙集理论的基本思想,探讨了基于粗糙集理论的数据挖掘方法。     

一种基于粗糙集理论的启发式分类规则挖掘算法

粗糙集理论是一种新的数据挖掘算法,文章以属性依赖重要性作为启发信息提出了一种新的属性约简算法,且加入了一定的分类正确度。最后通过一个实例完整演示了本方法,证实其有效性。     

基于粗糙集的数据挖掘方法在电子商务中的应用

粗糙集是一种处理模糊和不精确性问题的数学工具,数据挖掘能帮助我们从大量的信息中发现有用的信息。介绍了一种基于粗糙集的数据挖掘方法,通过实例分析给出它在电子商务中的应用。     

基于粗糙集的数据挖掘改进属性约简算法研究

研究基于粗糙集的属性约简算法在数据挖掘规则提取阶段的应用。数据挖掘中对属性进行约简时,经常采用粗糙集,再按照规则进行提取。考察差别矩阵的定义和信息系统比较复杂且核属性元素所占比例较少的情况,改进基于差别矩阵的属性约简算法,利用差别矩阵的结构建立一种新的选择属性的依据。     

基于基因表达式编程和粗糙集的属性约简分类方法

属性约简分类是粗糙集在数据挖掘中一个重要的研究方向.其大多数研究是基于小规模空间信息系统;基因表达式编程是一种新出现的进化算法,具有高度并行、极强的函数挖掘的特点.提出了将粗糙集中的充要强度作为GEP的适应度函数,创建一种新的属性约简分类算法,以减少粗糙集在大规模知识库中知识约简的复杂程度,加快收敛速度.     

一种基于条件熵的粗糙集属性约简算法

粗糙集(Rough set)理论是一个新的数据挖掘方法，其主要思想是保持分类能力不变的情况下，通过属性约简，达到发掘知识并简化知识的目的。本文在理解和分析基于粗糙集理论的数据挖掘算法基础上针对属性约简提出了一个基于条件熵的启发式算法。     

P-信息隐藏挖掘的数量特征及应用

经典的集合具有静态特性。在科技迅猛发展的今天,海量数据变化更新之迅速,用经典集合来研究数据挖掘问题受到了限制,需要把动态特性引入到普通集合中,用“动态性”代替普通集合的“静态性”,而P-集合具有上述特征。利用P-集合与它的属性迁移,提出内、外k阶P-信息的粒度、挖掘度,讨论了属性迁移与信息挖掘的数量关系;给出迁移信息链式定理及最小、最大挖掘度定理。P-信息是动态信息系统知识挖掘的一个新的理论与方法,最后给出P-信息在数据挖掘中的应用。     

针对参变量数据元集的可拓建筑策划分类知识挖掘方法

 为解决可拓分类知识挖掘方法难以满足可拓建筑策划数据及问题的特殊性需求, 将可集合成参变量数据元集的可拓建筑策划数据作为研究对象, 提出适用于可拓建筑策划的可拓分类知识挖掘流程与方法, 即数据的预处理、选取评价特征并确定权重、建立关联函数并划分区间、计算获取可拓分类知识。拓展可拓建筑策划数据挖掘在方法层面的研究, 以方便获取重要的可拓建筑策划分类知识, 为可拓建筑策划提供决策支持, 为计算机辅助建筑策划提供新思路。     

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。     

正、负关联规则挖掘算法的实现

关联规则挖掘寻找给定数据集中项之间的有趣关系,是数据挖掘的主要研究方面.传统的关联规则挖掘算法仅能挖掘正关联规则,事实上,负关联规则也包含了非常有价值的信息,对于决策的作用也是不容忽视的.     

基于模糊数据挖掘技术的入侵检测算法与应用

基于数据挖掘技术的入侵检测技术是近年来研究的热点,目前有不少入侵检测系统中都采用了关联分析的数据挖掘方法,现有的关联分析算法只能够解决数据中分类属性的挖掘,对于数值属性则不能直接使用,然而网络流量数据中包含了许多反映入侵状况的数值属性,已有学者提出了将数值属性先进行分类而后再进行关联分析的挖掘方法,然而这种方法带来的问题是在进行异常和正常划分时存在明确的界限,即“尖锐边界问题”,由于网络安全概念自身具有一定的模糊性,因此明确的界限可能会导致误报和漏报的情况产生,从而影响检测效果,文中提出了一种基于模糊关联挖掘技术的入侵检测算法,并采用遗传算法确定划分模糊集合的隶属度函数参数,最后的实验结果说明了该算法的有效性。     

一种多层次分布式网络数据挖掘方法的改进研究

针对传统数据挖掘方法时间开销大的问题,提出一种新的多层次分布式网络数据挖掘改进方法,给出多层次分布式网络结构。介绍了常用的随机扰动数据挖掘方法,通过概率歪曲技术完成对多层次分布式网络中原始数据集的扰乱处理,对项集的实际支持度进行重构,经概率转换获取数据挖掘结果。随机扰动方法具有时间效率低的弊端,在时间复杂度要求较低的情况下,通过XMASK方法对随机扰动方法进行改进;在时间复杂度要求较高的情况下,给出相应的改进过程。对提出的多层次分布式网络数据挖掘方法进行实验测试,结果表明,该方法准确性高、挖掘时间短、效果优。     

粗糙集方法在基于属性分类中的应用

介绍粗糙集基础上的属性分类系统的构造,给出一种数据挖掘中新的分类方法:从初始的数据信息出发,依次构造约简属性集,并对其使用Bayes判别法进行基于属性的分类。最后给出了实例,验证算法的可行性。