数据挖掘与人工智能技术

数据挖掘是人工智能中的一个重要分支。对人工智能的发展及其最基本的技术：知识表示、知识推理、搜索，以及数据挖掘进行了详细介绍。通过实例给出了数据挖掘的定义，最后论述了数据挖掘与人工智能的联系，并结合国内外在该领域的研究成果指出了其广阔的发展前景。     

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。     

基于分层架构方法的飞行仿真软件设计

提出一种基于分层架构的飞行仿真软件设计方法,将飞行仿真软件的设计划分为任务层设计、决策层设计、控制层设计和执行层设计;将航迹和姿态控制、动力学方程解算、飞行决策、视景显示等开发成函数供不同的层调用.以某型号战斗机双机编队飞行为例进行了实验研究.     

飞行员动态行为评估方法

动态行为评估是一个热门的研究课题。本文以飞行员行为评估为例,研究了一种"空战平均时间"+"占优态势"+"空战可信性"的动态行为评估方法。本方法的特色是:1)引入了"机动"到"机动"的推理,即,根据当前进行的机动推出下一步的机动;2)使用多线程模拟,即,每个飞行员用一个线程来模拟,每个线程能够独立地进行飞行决策、飞行动力学系统解算和战术机动;3)加权的空战可信性计算公式,即,在计算空战可信性时考虑到了作战双方各自所处的"占优态势"次数和"均等态势"次数以及各自的权重。整个评估方法易于实现、效率高、可行性强。实验结果表明:提出的动态行为评估方法是一种有效评估方法。     

稳定性理论在数据挖掘中的应用

为了使稳定性理论的研究成果应用到具体实践中,在企业数据信息的挖掘和分析中发现更有价值的知识,提出了稳定性挖掘的概念和实现方法。与传统方法比较,稳定性挖掘更加准确、更加符合实际,因而具有更大的发展空间,必将在商业智能决策中产生巨大的现实意义和社会意义。从理论和实践上证明了数据挖掘具有不可估量的发展前景。     

一种聚类挖掘软件数据的方法

提出了一种聚类挖掘软件数据的方法。首先将一组软件数据的最可能分类情况称为“中心知识”。将该组数据的所有可能分类结果称为“知识的浮动域”，最后将“中心知识”对应分类的可信程度称为“知识的正确度”。分类结果的评价标准主要考虑到：分类数目适中，每个类内半径尽可能小，类间距离尽可能大的分类结果具有较高的评价分数。进行的“软件数据挖掘实验”结果表明，这种方法更加准确、更加切合实际。从理论和实践上证明了软件数据挖掘具有广阔的发展前景。     

双重区间值聚类挖掘模型

提出了双重区间值聚类的数据挖掘模型：首先将每个属性的取值按照领域知识划分为若干类。接着统计每个类在各条“交易”中出现的频率(支持度)，最后再按照关联规则挖掘方法进行处理．这种区间值数据挖掘方法与传统的数据挖掘方法相比较，更有实用价值．