数据挖掘的粗集方法研究

数据挖掘的方法和技术很多,其中粗集理论在知识获取中得到了广泛应用,它可对不完整数据进行分析和归纳,从中发现知识.通过分析数据挖掘的含义及粗集理论的概念,讨论了数据挖掘的粗集方法.     

基于神经网络的数据挖掘方法评述

简要叙述了数据挖掘的概念及几种主要的基于神经网络的数据挖掘方法,并对这些方法的研究现状进行了评述,指出其存在的问题.展望神经网络在数据挖掘中的发展潜力.     

数据挖掘方法与应用

数据挖掘是近十来年出现的新技术,它已用于企业决策支持,市场策略制定等,并将成为决策支持系统的一个重要组成部分。本文从KDD处理过程、数据挖掘技术和应用等方面对数据挖掘进行了较详细的讨论。     

数据挖掘方法的评述

决策离不开知识,从数据库中采掘知识,是解决从大信息量中获取有用知识的有效途径.但是在实际数据库中,数据的复杂性(如信息量大、噪声等)对数据挖掘方法提出了比机器学习更高的要求,这方面的研究正受到越来越多的关注.本文就当前数据挖掘的几种主要方法,即神经网络、决策树、粗集和云模型等方法的研究现状进行了评述,指出其存在的问题.从总体上看,这些方法都有局限性,但它们的有机组合具有互补性,多方法融合将成为数据挖掘的发展趋势,最后指出数据挖掘方法面临的挑战.     

论数据挖掘技术的发展前景及应用

数据挖掘是数据库最活跃的领域之一,本文不仅系统的介绍了数据挖掘技术的发展背景、数据挖掘的概念和特点、数据挖掘的功能和过程,而且对数据挖掘的局限性也进行了研究和探讨,最后总结了数据挖掘现状并且提出了数据挖掘的发展方向.     

数据挖掘与知识发现

数据挖掘和知识发现技术是人们长期对数据库技术进行研究和开发的结果.随着数据库应用领域的不断拓展,为满足应用对数据处理不断"苛刻"的要求,数据库系统必须引入新的数据处理技术.如何从大规模数据库中发掘深层次的知识和信息,而不仅仅是那些从传统数据库查询方法所获得的内容,这方面的研究正受到越来越多的关注.本文重点介绍了数据挖掘(Data Mining)和知识发现(Knowledge Discovery in Databases)中的一些内容:包括数据挖掘的定义、方法、任务等,最后还讨论了本领域未来的发展和面临的挑战.     

数据挖掘中的一种数据预处理方法

数据挖掘技术是一门综合多个学科从数据中寻找规律的技术,该技术已经成功地应用于金融分析、市场分析、客户关系管理等多个行业。在数据的采集和数据的传输过程中,我们为了保证数据的可靠性及准确性,要对数据进行预处理,改变缺失及异常情况。本文主要介绍数据挖掘的一些基本概念及一种基于遗传算法的数据预处理的方法。     

基于数据挖掘技术的青少年健康心理状况研究

目前海量的数据存储已远超过了人们的理解能力，尤其是现代医学数据量越来越大，而传统的统计技术及数据管理工具已经不能满足需求。知识发现及数据挖掘工具在处理海量数据库时显示了它们的长处。介绍了数据挖掘的概念和方法及其在青少年健康心理状况研究中的应用。     

数据挖掘的主要技术——聚类

结合这几年来发展相当迅猛的数据挖掘技术,本文讨论聚类,这种数据挖掘的一种主要技术,目的是通过深入探索挖掘的方法,了解数据挖掘的应用前景,可以为用户更好地使用数据挖掘来解决实际问题提供了可行的操作方法和理论依据.     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.     

基于数据挖掘技术的全局优化算法

在过程系统综合中,许多问题属于非线性规划(NLP)和混合整数非线性规划(MINLP)范畴.它们大都具有奇异、多峰、刚性等特性.人们很难有效地得到它们稳定的全局最优解.而知识性、经验性约束使基于梯度方向的Newton方法无法有效地获取该类问题的全局最优解.通常只能得到该类问题的局部最优解.遗传算法的随机性虽为求取NLP和MINLP问题的全局最优解提供了可能,但是随机过程中的盲目性及"伪穷举"性却又限制了该算法的搜索效率.针对过程系统综合问题的特殊性,在信息提取技术对搜索空间进行充分数据挖掘的基础上,用遗传算法的随机扰动来跳出局部极值陷井,获得全局最优解.对反应器网络综合问题的求解,显示了信息提取技术与遗传算法相结合求取全局最优解的能力.     

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。     

数据挖掘中关联规则的改进算法

关联规则是数据挖掘中的重要研究内容之一,本文针对关联规则的维护问题,在事务数据库不变前提条件下对最小支持度和最小可信度进行改变,设计实现了一个增量式更新的改进算法AIUA。     

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。     

数据挖掘模型选择的通用建模研究

现阶段数据挖掘模型的选择与专家的经验密切相关,有经验的专家就会选择良好的,优质的模型,使得挖掘工作高效、准确;反之,就会浪费时间,或得不到理想的结果,因此数据挖掘模型的设计和选择是挖掘工作的关键。本文要建立一个模型,实现挖掘目标的特征集与挖掘算法集合间的对应关系。应用该模型,用户可以得到最佳的挖掘方法,应用这种挖掘方法就可最好地实现挖掘目标。     

数据挖掘中关联规则挖掘算法的改进及其应用

对数据挖掘技术中经典的关联规则挖掘算法Apriori和AprioriTid进行了分析，针对其中不足，提取两种算法的优点，给出了算法的改进，并在贵州电力综合数据平台中进行了应用分析。     

基于粗糙集的数据挖掘算法的研究

粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具,是一种新的数据挖掘技术。本文主要研究基于粗糙集的数据挖掘的算法在规则提取阶段的应用。     

数据挖掘技术在汽车保险风险分析中的应用

本文在分析了汽车保险业务发展现状的基础上,阐述了数据挖掘技术及其在车辆保险业务和风险评估中的应用,并运用可变精度粗糙集模型（VPRS）对车险保单数据进行分析,目的在于挖掘出隐含在其中的风险规则。     

物联网核心技术RFID的数据挖掘及应用

本文对物联网中的关键技术——RFID数据的挖掘进行了简要介绍,包括数据的存储和序列模式挖掘,分类与聚类的方法,到不同领域和过程中应用,尤其讨论了在商业实践中的具体作用。     

Efficient storage and retrieval of clustering results using relational database

The problem of how to efficiently store and query the clustering results was considered. Three different storage schemas for clustering results using relational database were proposed, namely, full schema (f-schema), partial schema (p-schema) and compressed schema (c-schema). At the same time, a classification for queries issued to the clustering results was also presented. Finally, we empirically studied the performance of proposed queries on different storage schemas. To our knowledge, this is the first work to address the problem.