基于粗糙集的经济空间数据发掘与知识发现

为了获取区域经济发展的潜在规律和规则,提出一种处理经济空间数据库的信息方法,即利用粗糙集理论对经济空间数据库进行离散化处理后建立决策表,再通过对知识的简化和属性值的约简,从中进行数据发掘和知识发现.以此对江苏省2003年的部分经济指标数据进行了实证探讨.     

面向属性的归纳方法研究

在浩瀚的数据资源中发现并提取有价值的知识是目前数据库、人工智能等学科研究中的共同热点问题。面向属性的归纳是一种广泛使用的特征规则的发掘算法。     

数据库中的知识发现

通过对数据库中知识发现和数据挖掘基本概念的分析,总结了数据库中知识发现的实现过程。其具体步骤包括对知识发现应用领域及终端用户的目标理解、创建一个目标数据集、数据的整理和预处理、降维和转换、挖掘等。     

面向属性归纳的特征规则挖掘方法的改进

在浩瀚的数据资源中发现并提取有价值的知识是目前数据库、人工智能等学科研究中的共同热点问题．面向属性的归纳是一种广泛使用的特征规则的发掘算法,本文对特征规则挖掘的面向属性归纳方法进行改进,提出了“分类信息库”的概念,给出了基于这种概念的新算法．利用这种算法可以发现很多原方法发现不了的新知识,使特征规则的发现有了更大的实用价值．实例分析表明,该算法能够准确地发现特征规则。     

面向属性归纳的特征规则挖掘方法的改进

在浩瀚的数据资源中发现并提取有价值的知识是目前数据库、人工智能等学科研究中的共同热点问题.面向属性的归纳是一种广泛使用的特征规则的发掘算法.本文对特征规则挖掘的面向属性归纳方法进行改进.提出了"分类信息库"的概念.给出了基于这种概念的新算法.利用这种算法可以发现很多原方法发现不了的新知识,使特征规则的发现有了更大的实用价值.实例分析表明,该算法能够准确地发现特征规则.     

浅谈商业智能系统与数据挖掘

商业智能已经成为目前企业信息化的热点,在商业智能系统中,数据挖掘是一种发掘型的分析工具,它在数据库中自己寻找模型,发掘数据间潜在的模式,发现经营中可能忽略的问题,为企业作出预测性的决策。     

文本数据的数据挖掘算法

针对目前大量存在的文本数据,以已有的结构化数据挖掘技术为基础,提出了非结构化数据的知识发现方法－树形分层数据库方法,对文本数据进行分析,将非结构化数据准结构化,存放入树形分层数据库中,利用已有的数据库技术以及树形分层数据库特有的一些操作,实现在知识发现过程中对数据的抽取与控制,并给出了具体的模型与过程。     

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.     

从数据库中发现知识的研究

数据库知识发现是90年代中期兴起的决策支持新技术，是人工智能、机器学习与数据库技术相结合的产物。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库知识发现中，可以从数据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。本文探讨了这一应用的理论基础和实现算法。     

概念树方法在F--KDD中的应用研究

数据采掘是数据库中知识发现的核心,详细描述了数据采掘中概念树方法在模糊性问题中的应用.     

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。     

基于有限元仿真结果的知识发现

提出了通过数据挖掘技术实现基于有限元仿真结果的知识发现．分析了数据挖掘的一般步骤，建立了基于有限元仿真结果的知识发现系统，论述了知识发现系统的各个模块及实现该系统的关键技术；对粗糙集和主成分分析法作了简单的介绍，并举实例对粗糙集方法作了说明．通过数据挖掘技术将计算实例提炼出来，作为一种知识源参与到设计优化过程中去，将CAE从设计验证层次提升到设计驱动层次．     

Data Mining Ontology Development for High User Usability

This paper mainly introduces the development and implementation of the user centered data mining service ontology on Universal Knowledge Grid （UKG）. UKG is an ontology-based grid architecture model to build large-scale distributed knowledge discovery system on the grid. The data mining ontology services are the main service offering by UKG. It can meet the user requirements of knowledge discovery in different domains and different hierarchies and make the system exoteric, extensible and high usable. A data min- ing solution for money laundering is introduced.     

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。     

Parallel Frequent Pattern Discovery： Challenges and Methodology

Parallel frequent pattern discovery algorithms exploit parallel and distributed computing resources to relieve the sequential bottlenecks of current frequent pattern mining （FPM） algorithms. Thus, parallel FPM algorithms achieve better scalability and performance, so they are attracting much attention in the data mining research community. This paper presents a comprehensive survey of the state-of-the-art parallel and distributed frequent pattern mining algorithms with more emphasis on pattern discovery from complex data （e.g., sequences and graphs） on various platforms. A review of typical parallel FPM algorithms uncovers the major challenges, methodologies, and research problems in the field of parallel frequent pattern discovery, such as work-load balancing, finding good data layouts, and data decomposition. This survey also indicates a dramatic shift of the research interest in the field from the simple parallel frequent itemset mining on traditional parallel and distributed platforms to parallel pattern mining of more complex data on emerging architectures, such as multi-core systems and the increasingly mature grid infrastructure.     

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。     

数据挖掘初探

从学科归属、技术、功能3个方面探讨了数据挖掘的定义及内涵,并对数据挖掘与知识发现的关系、数据挖掘的功能、作业流程及应用进行了初步研究。     

知识发现领域中当今面临的五类重大问题

系统地总结与提出知识发现(KD)领域中当今面临的五类重大问题，它们是KD中的两大核心问题、两大猜想问题、主流发展中富有挑战性的问题、应用研究中的相关领域重大问题以及KD技术标准的制定问题，并给出其部分成果或具体分析。这五类问题密切相关，对它们的研究必将KD推向新的发展阶段,并在该领域内外产生深刻的影响。     

数据挖掘技术浅析

本文主要概述了数据挖掘理论知识。首先从数据挖掘与知识发现的交叉关系角度讨论了数据挖掘的概念;然后,在对数据挖掘功能作了简单介绍的基础上,分析了基于统计学、基于机器学习、基于数据仓库和基于神经网络的四类数据挖掘方法的基本原理、特点。最后,给出了比较和评价挖掘方法的参考标准。