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 .     

基于案例挖掘的新的智能决策支持系统研究

应用数据挖掘与知识发现和递归的自-组织模糊神经推理网络(recurrent self-organizing neural fuzzy inference network,RSONFIN)的方法,针对案例支持系统中经常遇到的模糊性问题,提出一种基于案例挖掘的新的智能决策支持系统.通过案例挖掘的应用实例表明了该系统的有效性和可行性.     

基于知识生命期的数据挖掘方法研究

以知识生命期为线索,同时引入广义计算理论与技术,提出一种基于知识生命期的数据挖掘模型,并以浙江省可持续发展模型为例,重点讨论了时序数据挖掘技术,最后给出的计算结果以说明这种方法的可行性与有效性.     

知识仓库技术在决策支持系统中的建模与应用

结合企业管理的实际,分析了传统决策支持系统的不足,提出了以知识仓库技术为核心的体系化环境,并以销售预测为例阐述了数据概念模型和逻辑模型的构建.通过空间矢量模型获取知识,利用遗传算法进行数据挖掘,运用数据转换服务来完成数据校验、数据清理、数据转换和迁移工作,并成功地将知识仓库技术应用到销售预测系统中.     

基于Hadoop云平台的并行数据挖掘方法

业界已经开始运用云平台来处理海量高维数据,将各种异构系统仿真为一个系统,其中在Hadoop环境进行数据挖掘会遇到数据模型的全局性、HDFS的文件随机写操作、数据生命周期短等问题.为解决这些问题,在Hadoop上实现高效海量数据挖掘,提出了在Hadoop上一种高效数据挖掘框架,利用数据库来模拟链表结构,管理挖掘出来的知识,提供了树形结构、图模型的分布式计算方法;在此基础上实现一个统计算法——Yscore分箱算法,以及决策树和KD树的建树算法;并利用Vega云对Hadoop集群进行仿真.实验数据表明该框架和算法实用可行,且可能拓展与数据挖掘之外的其他领域.     

基于KDD的单病种成本估计方法

单病种成本估计是医院成本控制中的重要环节之一。分析了目前单病种成本估计存在的问题,针对单病种成本估计这一多因素、非线性问题,提出了一种基于知识发现(KDD)的单病种成本估计方法。研究了单病种成本估计KDD系统框架和基于医院信息系统(HIS)的单病种成本数据仓库模型;建立了基于粗糙集(RS)和支持向量机(SVM)数据挖掘技术的单病种成本估计模型;最后,以单纯性阑尾炎病例进行了实证研究,该模型获得了较高的预测精度和速度,进而证明了该方法的有效性和优越性,为单病种成本提供了科学有效的估计方法并显著提高了医院成本控制的准确性。     

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.     

基于灰色系统理论的数据挖掘技术

利用灰色系统理论是研究贫信息系统分析、建模、预测、决策、控制的有效工具的特性,针对系统样本数据量不大或有残缺,样本数据更新变换快,整体数据规律相当复杂,而在某一时间或空间的数据却有很强的规律性之类的贫信息灰色系统中的数据挖掘课题,探讨了灰色系统理论与技术在数据挖掘中的应用问题,提出了贫信息灰色数据挖掘的灰色关联算法、灰色统计算法、灰色聚类算法、灰色统计聚类算法,并提出了灰色系统数据挖掘的体系结构。     

关联规则分析方法在商业银行应用的若干问题

随着数据挖掘技术的发展,如何从海量数据中挖掘有用信息成为倍受关注的一个热点问题.银行信息的数据挖掘也成为非常活跃的应用领域.探讨了数据挖掘分析中的关联规则分析方法及在商业银行的应用,研究了其在分析客户交易行为及产品交叉营销等工作中的算法和模型,并提出了关联规则分析在商业银行应用的若干问题,指出了进一步研究的方向.     

商业智能在社保系统中应用的实现框架

作为联机分析处理(OLAP)和数据挖掘、数据仓库等技术的综合应用,商业智能(BI)是目前在国内外企业界和软件开发界受到广泛关注的一个研究方向.论文在分析BI的概念、技术支柱和三维框架基础上,结合社会保障数据的特点.阐述了社保系统中实施BI应用的必要性,最后,给出了社保系统中BI应用的框架和技术方案.     

从数据中挖掘模糊规则及其系统实现

针对一类多输入单输出模糊逻辑系统，提出一种简单而有效的方法从数据库中挖掘模糊规则．该方法产生的模糊规则库具有良好的完备性和鲁棒性，从仿真实验可以看出利用数据挖掘方法建立的模糊系统具有更好的逼近能力．为了使该方法在应用上具有良好的通用性，设计和实现了基于组件技术的数据挖掘系统．     

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。     

基于Rough集的空间属性数据挖掘的研究与实践

介绍了地理信息系统（GIS）的概念，深入研究了空间数据库的特性，探讨了Rough集理论，分析了Rough集合和空间数据的关系，讨论了差别矩阵的概念和算法，应用信息熵和模糊数学模型，给出了空间数据库属性数据的数据约减和数据挖掘算法，最后分析了一个应用事例，从而验证了算法的可行性。     

一种区间值聚类的数据挖掘方法

提出了一种区间值聚类的数据挖掘方法。该方法首先将数据库中的数据按照属性进行聚类,将它们划分为若干区间,对于同一区间中的数据赋予相同的编号,以此处理直至数据库的最后一个属性。在完成这种转换后即可使用关联规则的挖掘方法。该方法与传统的数据挖掘方法相比更加符合实际。大量的仿真数据集和真实数据集的实验结果表明该算法是有效的。     

基于MapReduce的分布式改进随机森林学生就业数据分类模型研究

教育数据挖掘(educational data mining)是当代教育信息化发展的前沿研究领域,正在吸引越来越多教育学家和数据科学家的关注."大数据"时代背景下,随着数据处理规模的不断激增,现有的数据挖掘模型在单一处理节点的计算能力遭遇瓶颈,各类面向大数据处理的分布式计算框架应运而生.借助这些框架,面向解决高校就业数据挖掘问题的机器学习模型便可以满足未来大规模数据处理的需求,在未来数据集体量庞大的信息集成系统中为数据挖掘和决策支持提供帮助.以此为背景,本研究对比现有数据模型对研究目标对象的分类性能,提出了以引入输入特征加权系数来计算特征的信息增益作为特征最优分裂评判指标的改进随机森林模型来提升数据分类性能,通过仿真测试改进模型对于现有模型分类性能的提升情况,与此同时为解决大数据时代背景下面向海量数据分类任务的单节点性能瓶颈问题,提出了基于分布式改进随机森林算法的大规模学生就业数据分类预测模型.通过使用MapReduce分布式计算框架实现已训练模型在本地磁盘与分布式文件系统之间的序列化写入与反序列化加载过程,进而实现了基于改进随机森林模型的大规模数据分类模型的分布式扩展.     

基于数据挖掘的水库供水调度规则提取

以供水调度为例对数据挖掘用于水库调度规则提取进行了研究.经分析主要选取了水库蓄水量、调度时段编号、需水量、径流量和水文年型5个特征属性构成数据集,通过数据挖掘从中发掘水库供水调度规则模式.采用径向基函数网络作为数据挖掘算法,将复杂的属性空间上的数据样本,映射为几种离散的供水调度模式,从而完成供水调度规则的模式划分.为了验证数据挖掘方法在调度规则提取上的效果,给出了调度图和调度函数方法用于供水调度的计算结果,三种方法的调度结果对比分析显示,数据挖掘方法在供水调度模式分类正确率和缺水指数两方面都是最好的,这反映出数据挖掘方法用于水库调度是合理有效的.     

基于元学习技术的分布式采掘关联规则研究

关联规则是数据采掘中的重要研究内容。本文利用元学习技术提出了在分布式交易数据库环境下,分布式采掘关联规则的一种方法和相应算法DMAR。该算法具有较高的采掘效率和较低的数据通信量。定义了衡量采掘算法效率的分布式因子g,并指出算法的采掘效率和数据通信量与g值的大小有关。最后通过实验验证了该算法的正确性和有效性。     

Applying particle swarm optimization and honey bee mating optimization in developing an intelligent market segmentation system

Data mining has been successfully applied in many fields to find useful information stored in vast databases.Market segmentation,which segments data into homogenous clusters by using cluster analysis,is among the most important of the applications in data mining.In this study,we propose a clustering system which integrates particle swarm optimization and honey bee mating optimization methods (PSHBMO).Simulations for a benchmark test function show that our proposed method is better equipped to find the global optimum than other well-known clustering algorithms.Finally,the proposed clustering system is applied to a real-world consumer electronic company to perform market segmentation via the RFM model.     

基于兴趣度的数据流频繁模式散列挖掘算法

频繁模式挖掘是很多数据流挖掘工作的基础.现有算法虽然能够有效的在数据流中挖掘近似的频繁模式, 但是由于数据流数据的不确定性、连续性以及海量性, 始终不能有效的将算法的时间效率和空间效率控制在一个可以接受的范围内. 本文通过使用散列表作为概要数据的存储结构, 并引入关联规则兴趣度的概念, 提出了数据流频繁模式挖掘算法MIFS-HT(mining interesting frequent itemsets with hash table), 不仅有效降低现有算法的时空复杂度, 同时提高了算法的应用价值. 最后, 实验结果表明: MIFS-HT是一种高效的数据流频繁模式挖掘算法, 其性能优于FP-Stream、Lossy Counting等算法, 并且挖掘结果更具有现实意义.