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。     

数据挖掘方法的研究

数据库中的知识发现即数据挖掘是致力于大型数据分析中的半自动工具的研究。讨论了数据挖掘中一些常用的方法 ,特别是频繁发生模式中层次搜索及其在不同领域中的应用。讨论了数据挖掘查询编译成算法的可能性 ,并列举了数据挖掘及知识发现中现存的一些问题。     

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.     

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。     

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 .     

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.     

综合集成与知识科学

对以钱学森教授为主首创的处理开放复杂巨系统问题的方法——综合集成以及知识科学近年来的发展作一个简要的综述 .首先介绍了日益引起重视的知识科学 ,给出我们对知识科学的整体认识 ;接着介绍了国内外一些综合与集成方法 ,并介绍了作者根据近年来的研究而提出的综合集成知识系统 ,最后以可持续发展和宏观经济决策 2个案例来说明两者的结合 .     

军事系统工程中的知识图谱应用及研究

目前随着通用知识图谱构建技术的发展、自然语言处理技术的进步以及各个行业挖掘数据深层关系的需要, 军事同电商、金融证券、医疗等行业一样, 也需要构建属于自己领域的知识图谱。通过定义军事知识图谱以及明确军事知识图谱使用时的特殊性, 总结了构建过程中的难点, 介绍了当前构建军事知识图谱的思路以及使用的技术手段, 汇总了军事领域应用知识图谱的现状。最后, 给出了知识图谱最新的研究进展, 并针对军事领域知识图谱中一部分未解决的困难问题提供了一种可能的解决思路。     

一种基于智能中间件的综合GDSS框架模型

针对群体决策分析的过程和特点,在传统中间件的基础上,增加知识库的相关内容和方法,获得一个由中央处理单元、辅助选择、功能组合平台和知识库交互平台构成的智能中间件,并提出一个基于智能中间件的综合群体决策支持系统框架模型。在该框架模型中,将知识发现、知识管理和群体决策支持系统相互结合,集智能中间件、知识发现技术于一体,系统分为三个层面:用户层、管理层和分析层,分别对应于用户交互、知识管理和知识挖掘三个平台,并给出了三个平台的框架结构和功能。最后,通过具体实例讨论了该系统框架模型的应用。     

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。     

KDD*SS的知识库结构设计与实现

针对知识发现系统的不同应用场合,实现了一套基于各类关系型数据库的通用型知识发现工具的数据预处理子系统。该系统通过ODBC可访问各类关系型数据库,并运用数据库系统的视图机制、数据仓库的主题思想以及语言场理论等思想方法,在用户没有建立数据仓库的情况下,可利用此系统自主建立灵活的知识发现系统。给出了该系统的具体功能和实现方法,并对未来的工作做出了展望     

知识发现领域的两大猜想

针对目前知识发现所面临的机遇和挑战,提出了知识发现"逆问题猜想"和知识发现"磁铁效应猜想"。这两个猜想构成相互关联的统一的有机体,本质上是围绕着要解决"海量"这一难题。讨论了猜想研究的基础,实现的可行性以及可能的研究内容。     

基于加权超网络模型的知识网络鲁棒性分析及应用

对知识网络的鲁棒性分析方法进行了研究.与一般的复杂网络相比,知识网络涉及两种不同类型的节点:知识和知识主体.在进行鲁棒性研究时,必须对二者进行综合考虑.为此提出基于加权超网络模型的知识网络鲁棒性分析方法,该模型可根据组织中知识与知识主体之间的映射关系将二者集成在一起.在此基础上,提出了一种关联节点删除的方法来研究知识网络的鲁棒性,并提出了度量知识网络鲁棒性的专有知识率、专有知识加权比率、知识网络抗毁性、核心领域知识网络抗毁性等指标及其分析方法,解决了知识网络的鲁棒性分析及度量的问题,并可应用于组织知识资源的安全性评估、发现易流失知识以及评价组织成员的知识重要性等方面.     

粗糙网络及其应用

粗糙图理论是知识发现、知识挖掘的新的理论工具。对粗糙图理论做进一步的研究,首先给出了有向粗糙图的定义,并进一步定义了粗糙网络及粗糙网络中的类流,又讨论了有向粗糙图及粗糙网络的表示形式。通过推广传统最大流算法,给出了粗糙网络中的类最大流算法,并将其应用于新的一类关系挖掘问题中。     

示例学习与特征选择的规划模型方法

以扩张矩阵理论为基础，应用数学规划理论提出了一种规划模型求解方法，可以更好地实现概念学习和特征提取。与传统的启发式算法相比，采用遗传算法求解的规划模型可以找到多个全局最优解以及可行解。实例计算表明了该方法的有效性。     

基于PROMETHEE的模式兴趣度评估方法研究

解释和评估模式是知识发现过程中的一个重要步骤。虽然在数据挖掘的算法中通过设置模式的重要性阚值可以消除大量无关模式,但当面对一个大的数据库时,数据挖掘的最终结果依然很大。从客观和主观两个方面分析了模式兴趣度的影响因子,并用多目标决策方法PROMETHEE对数据挖掘的结果进行综合评估,力图最终自动提交给用户的是易于理解的、潜在有用的有趣模式(知识)。最后通过实例说明了该方法的有效性和实用性。     

基于限制型粒子群优化的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘与知识发现领域的主要研究技术之一,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。     

Generalization-based discovery of spatial association rules with linguistic cloud models

Extraction of interesting and general spatial association rules from large spatial databases is an important task in the development of spatial database systems. In this paper, we investigate the generalization-based knowledge discovery mechanism that integrates attribute-oriented induction on nonspatial data and spatial merging and generalization on spatial data. Furthermore, we present linguistic cloud models for knowledge representation and uncertainty handling to enhance current generalization-based method. With these models, spatial and nonspatial attribute values are well generalized at higher-concept levels, allowing discovery of strong spatial association rules. Combining the cloud model based generalization method with Apriori algorithm for mining association rules from a spatial database shows the benefits in effectiveness and flexibility.     

粗糙集代数关系的图结构分析

粗糙图理论是知识发现、知识挖掘的新的理论工具.结合粗糙图理论,构造了基于代数算子的粗糙图结构,将分析多个粗糙集之间的代数关系映射为相应粗糙图的结构分析.结合粗糙图理论中的类最短路算法,以情感计算中挖掘性格规律为例说明了该方法的应用过程.粗糙集代数关系的图结构分析是粗糙集理论中又一研究方向.     

Research on time series mining based on shape concept time warping

Time series is an important kind of complex data, while a growing attention has been paid to mining time series knowledge recently. Typically Euclidean distance measure is used for comparing time series. However, it may be a brittle distance measure because of less robustness. Dynamic time warp is a pattern matching algorithm based on nonlinear dynamic programming technique, however it is computationally expensive and suffered from the local shape variance. A modification algorithm named by shape DTW is presented, which uses linguistic variable concept to describe the slope feather of time series. The concept tree is developed by cloud models theory which integrates randomness and probability of uncertainty, so that it makes conversion between qualitative and quantitive knowledge. Experiments about cluster analysis on the basis of this algorithm, compared with Euclidean measure, are implemented on synthetic control chart time series. The results show that this method has strong robustness to loss of feature data due to piecewise segment preprocessing. Moreover, after the construction of shape concept tree, we can discovery knowledge of time series on different time granularity.