数据挖掘中聚类分析技术方法的比较研究

聚类是数据挖掘领域中的一个重要研究课题.聚类在电子商务、图像处理、模式识别、文本分类等领域有广泛的应用.本文首先建立了数据挖掘中聚类方法的比较标准,然后从基于优化、关系、变换这样一个新的角度对聚类方法进行了分类和比较,最后对数据挖掘中常用聚类算法进行了分析,以便于人们更易于选择研究方向和选择适合于具体问题的聚类算法.     

基于聚类分析的属性数据挖掘技术

数据挖掘作为一门新兴的数据处理技术已受到人们广泛的关注，聚类分析技术是数据挖掘中的一种重要技术，本文介绍一类数值数据的挖掘方法，同时提出一个基于属性划分的聚类分析方法。     

基于数据挖掘的聚类分析算法研究及应用

“以学生为中心”的智能教育,旨在用互联网和人工智能辅助教学,不再局限于传统的课堂.太原师范学院紧跟时事,创立了智能教育产业学院,目的是采集、处理和分析教育数据,为相关部门提供决策依据,服务地方教育.其中,如何更高效地分析数据是一大难点,利用人工分析显然不是很好的选择,随着数据挖掘领域的发展,当中的聚类分析算法成了较好的选择.通过对聚类分析及其相关算法特性的简要论述,从多个方面系统地比较了当前这些聚类分析算法的特点和优缺点.然后,基于高校学生在校上网行为的数据,将改进的k-means算法应用于聚类分析软件SPSS中分析上网行为对成绩的影响,进一步阐述了聚类分析软件在大数据工程中的应用.     

数据挖掘中的聚类分析研究

数据挖掘是信息产业的热门研究方向,聚类分析作为其核心技术,早已经被深入的研究。本文探讨了聚类分析的统计量,对聚类方法和算法进行了比较和分析,以便在日常应用中能准确快速的选择特定的算法。     

聚类分析技术在教学管理中的应用

运用数据挖掘工具CIementine 11.0三种聚类分析技术以CRISP-DM方法论作为指导,对山西某职业技术学院的学生成绩进行数据挖掘,希望为学校在教学管理中的培养方向、教学目标的制定提供一定的决策支持.     

数据挖掘的聚类分析方法在证券投资中的应用

本文围绕数据挖掘技术在证券投资分析中的应用展开分析,尝试发现其中有意义的数学模型来支持证券交易的应用。     

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。     

基于遗传算法的聚类分析及其应用

通过把C-均值法中的距离平方和准则函数作为遗传算法的适应度函数，把各个聚类中心编码成染色体，来讨论一种基于遗传算法的聚类分析方法，目的是利用遗传算法的全局性来提高聚类算法找到全局最优的可能性。实验结果证明，该算法可以很好地解决某些聚类分析问题。     

基于数据挖掘技术的试卷质量聚类分析系统

教育是一个复杂的系统工程,试卷质量分析是这系统工程中的重要环节。为了全面地分析试卷背后隐藏的内在问题,本文在k平均分区算法和层次凝聚算法的基础上,提出了一种速度更快、聚类质量更好的聚类算法(ICAA算法),并已成功地将该算法应用到试卷质量分析中。     

入侵检测中数据挖掘技术的应用研究分析

随着计算机的发展,它在现代社会扮演着越来越关键的角色.而网络安全正成为逐渐严重的问题,受到人们的广泛关注.本文详细分析近年来网络安全研究热点之一的入侵检测技术,概述了多种基于数据挖掘的入侵检测技术,对这些技术进行了分析和比较,并给出了一个基于数据挖掘的入侵检测系统框架.最后讨论了该领域当前存在的问题及今后的研究方向.     

数据挖掘领域中的聚类方法

聚类算法是数据挖掘中的核心技术,随着对聚类算法广泛深入的研究,产生了许多不同的适用于数据挖掘的聚类算法;文章从算法的角度论述了如何在数据挖掘中进行聚类分析,并通过基于评价聚类算法好坏的8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.     

基于异常点挖掘的聚类算法比较研究

随着人们对数据质量、欺诈检测、网络入侵、故障诊断、自动军事侦察等问题的关注,异常点挖掘在信息科学研究领域日益受到重视.本文首先给出异常点的定义,并在聚类分析的基础上对PAM算法、BIRCH算法、DBSCAN算法和CURE算法在算法效率、适合的数据类型、发现的聚类类型、对异常数据的敏感性、空间复杂性、时间复杂性、使用的方法等方面进行了比较研究,最后给出了如何使用这些聚类算法处理异常点的方法.     

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。     

数据挖掘技术中聚类算法的探索与研究

文章在对各种聚类算法深入分析的基础上,尤其在对基于密度的聚类算法、基于层次的聚类算法和基于划分的聚类算法深入研究的基础上,提出了一种改进基于密度和层次的快速聚类算法。该算法保持了基于密度聚类算法发现任意形状簇的优点,而且具有近似线性的时间复杂性,因此适合对大规模数据的挖掘。     

数据挖掘中关联规则及聚类并行算法研究

数据挖掘在各行业发挥着越来越重要的作用,随着数据挖掘中数据量的高速增长以及大规模计算在数据挖掘中的应用,挖掘算法处理海量数据的能力问题日益突出。研究并行算法是解决这一问题的有效途径,该文对常见的数据挖掘关联规则及聚类并行算法进行了研究探讨。     

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。     

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     

一种基于层次聚类的流数据挖掘方法

流数据的特点在于数据流快速、有序地到达,并且数据海量,许多应用领域中生成的数据都可以归结为此类型．数据挖掘技术可以从海量的数据中发现有意义的知识模型,传统的数据挖掘算法通常是针对静态数据集,对流数据却无法有效地处理．文章试图从层次聚类角度处理流数据,并探讨了一种基于最小代价函数的层次聚类算法．     

基于决策树的数据挖掘算法的应用与研究

数据挖掘是指从数据库中抽取隐含的、具有潜在使用价值信息的过程,是一种新型的数据分析技术.研究数据挖掘中的决策树算法以及决策树算法在具体的客户关系管理系统中的研究与分析,对数据挖掘中的决策树技术做了详细的描述.     

并行聚类分析算法

数据挖掘是用来发现数据库中隐含的各个数据之间的关系和特性,聚类分析是数据挖掘所要完成的工作之一.选取了三个并行聚类分析算法并研究了与之对应的并行算法,然后讨论了并行算法的性能,并得到了一些实验结果.最后提出了一个新的并行算法,相比较其它并行聚类算法,本文所提出的算法是最有效的.