基于聚类和分类的自学习系统模型

论文在分析聚类与分类方法的基础上,尝试将这两种独立的开采方法集成起来,使两种开采方法能够相得益彰。由此建立的知识发现系统能自动利用已有知识进行分类,同时可较为准确地估计聚类分析所必需的参数,并通过聚类分析来发现和修正错误知识。论文给出了集成方法和实验结果,最后对该集成算法的性能进行了分析。     

系统聚类在客户关系管理的的研究与应用

介绍了数据挖掘领域中对聚类分析的典型要求,讨论了粗糙集和集对分析对信息系统的知识约简,提出了一种基于粗糙集联系度的聚类分析方法,论述了该方法的聚类过程,并给出了聚类分析的实例。     

系统聚类在客户关系管理中的研究与应用

提出了一种基于粗糙集联系度的聚类分析新方法,首先用粗糙集和集对分析理论对信息系统进行知识约简,然后用聚类的方法对约简后的信息系统进行聚类分析,论述了该方法的聚类过程,并给出了聚类分析的实例。     

模糊聚类分析及算法比较

聚类分析方法有多种,其中的模糊聚类应用最为广泛.简单介绍模糊聚类的发展历程和模糊聚类的几种常用算法,其中重点分析布尔矩阵法和最大树法两种模糊聚类分析算法,并用标准数据集对它们分别进行聚类分析和比较.     

知识图谱在指导学生毕业设计中的应用

为了指导学生毕业作品应用更多专业前沿技术,呈现更多形式,提高学生毕业设计作品质量,对毕业论文进行知识图谱研究是十分必要的。本文提出了一个构建毕业论文关键词知识图谱方案,以CNKI为检索库,运用文献计量分析法,结合CiteSpace可视化分析技术,应用关键词的词频分析、共现分析和聚类分析,构建计算机类硕博士论文关键词知识图谱。研究结果表明,采用该方案构建知识图谱,能够帮助把握计算机类专业的研究热点和发展趋势,并对高职学生毕业论文起到借鉴和指引作用。     

区块链和比特币相关主题的知识结构分析:共被引和耦合聚类分析视角

区块链与比特币作为当前一种重要的新兴技术和数字货币,随着相关应用的拓展,一些理论和应用问题开始得到更多的关注.近年来,区块链和比特币的相关概念已经逐渐扩散到其他的学术领域.但是,对区块链和比特币相关主题的知识结构（Intellectual structure）,包括知识基础（Intellectual base）和研究前沿（Research front）的探讨较少,定量化研究基本为空白.本文通过对Web of Science数据库收录的相关文献进行计量分析,并结合科学图谱分析工具,以较为直观的方式,部分呈现了区块链与比特币相关主题的知识结构,其中包括以共被引聚类分析呈现的知识基础和以耦合聚类分析和关键词共现分析呈现的研究前沿.对于推进区块链和比特币相关主题的知识扩散,以及对未来区块链和比特币的相关学术研究具有一定的参考价值.     

模糊聚类分析系统的研究与实现

针对目前多种模糊聚类算法组合应用研究较少的现状,在分别对基于模糊等价关系和基于模糊等价划分这两种模糊聚类分析方法进行了较为深入研究的基础上,根据两种方法的特点,构建了一种组合式模糊聚类分析方法。采用VC++与Fortran6.5语言混合编程,开发了一套模糊聚类分析系统,分别实现了基于模糊等价关系法、基于模糊ISODATA法和基于组合式模糊聚类法的模糊聚类分析,并将其应用于电力系统中不良数据的辨识处理,取得了较为理想的效果。实例分析表明,组合式算法能够有效克服单独使用某种模糊聚类算法的缺点,同时也反映出该模糊聚类分析系统具有聚类方法选取灵活、软件界面友好、计算速度快等特点,有良好的应用前景。     

数据挖掘常用聚类算法研究

信息社会的发展,使数据量以前所未有的速度在增长,因此从海量数据中获取有用的知识和信息就变得越来越重要。数据挖掘是一种综合多领域知识而形成的数据分析技术,能够从大量数据中获取有价值的知识并为决策提供支持。聚类分析算法是数据挖掘中的一个核心内容,也是目前研究的一个热点。该文首先讲述了基于划分的聚类算法、基于分层的聚类算法、基于密度的聚类算法和基于网格的聚类算法等常用的聚类分析算法,并分析了其特点;然后通过举例详细描述了最近邻聚类算法的操作过程。聚类算法的总结,对聚类的研究和发展具有积极意义。     

数据挖掘常用聚类算法研究

信息社会的发展,使数据量以前所未有的速度在增长,因此从海量数据中获取有用的知识和信息就变得越来越重要。数据挖掘是一种综合多领域知识而形成的数据分析技术,能够从大量数据中获取有价值的知识并为决策提供支持。聚类分析算法是数据挖掘中的一个核心内容,也是目前研究的一个热点。该文首先讲述了基于划分的聚类算法、基于分层的聚类算法、基于密度的聚类算法和基于网格的聚类算法等常用的聚类分析算法,并分析了其特点;然后通过举例详细描述了最近邻聚类算法的操作过程。聚类算法的总结,对聚类的研究和发展具有积极意义。     

粒子群聚类算法综述

聚类分析是数据挖掘的重要技术之一,它能够通过无监督的学习过程发现隐藏的模式,具有独立发现知识的能力。对现有文献中基于粒子群优化算法的聚类分析技术作了全面的介绍,对几种主要的粒子群聚类算法的基本原理及其特点进行了总结,并分析比较了它们的优点和不足,概述了粒子群聚类算法的常见应用领域;最后探讨了粒子群聚类算法进一步的研究方向。     

模糊聚类分析在数据挖掘中的应用研究

数据挖掘是从大量数据中用平凡的方法发现有用的知识。聚类分析是数据挖掘的一个重要研究领域,它是按照一定的要求和规律将事物进行分类的一种数学方法。随着模糊数学的兴起,用精确的数学的方法研究模糊问题,人们逐渐将精确和模糊统一起来。论文将模糊数学的模糊理论应用于数据挖掘的聚类分析中,讨论了如何利用样本之间的模糊关系分析样本之间的关联程度,给出了模糊聚类分析在数据挖掘中的应用的主要步骤,以及相应的实例分析和程序设计。     

基于聚类的入侵检测研究综述

入侵检测通过收集各种网络数据,从中分析和发现可能的入侵攻击行为。为了增强入侵检测从海量数据中发现攻击行为的能力和提高入侵检测的智能性,数据挖掘被引入到入侵检测领域,以实现智能化的知识发现和入侵检测模型的建立。聚类分析是数据挖掘中的一种重要的技术,能够通过无监督的学习过程发现隐藏的模式,具有独立地发现知识的能力。现有大量关于其在入侵检测领域的应用研究,各种聚类分析方法及改进措施被用于从不同的训练数据集建立入侵检测模型,成为对整个检测系统的一个有力补充。对现有文献中典型的基于聚类的入侵检测模型作了全面的介绍和适当的比较分析,提出了进一步的研究建议。     

基于知识图谱的智群计算国内外研究可视化分析

以美国科学信息所的Web of Science核心合集数据库中收录的主题为Swarm Intelligence的文献为数据源,基于分析可视化软件CiteSpace和Tableau对所采集的数据进行信息计量、共引统计和聚类分析。绘制智群计算领域的发文数量时序图和作者、研究机构、研究方向、被引文献等多类知识图谱及其共词分析、聚类分析知识图谱,展示该领域的研究力量、研究方向和研究主流,并利用词频探测技术揭示该领域的研究热点、研究前沿及发展趋势。结果表明智群计算领域的研究处于持续上升期;以中国、美国和印度为核心的研究工作占据了主导位置;国内研究机构以中国科学院为首团结了数十家高校,但国际合作研究仍待加强;计算机科学和工程类方向是该领域的重要研究分支,仿生智群算法是当下的研究热点,人工蚁群算法的研究工作体现了研究前沿及发展趋势。     

常减压装置生产数据的聚类分析

为了研究数据挖掘技术在过程工业数据中的应用,采用基于Bayes原理的AutoClass聚类算法,对炼油厂常减压装置实际生产数据进行了聚类分析处理。结果表明,经过聚类分析可以从历史数据记录中提取清晰的类别信息,其中包含有用的知识。同时还通过对比实验,分析了多个聚类参数对结果的影响及原因。最后分析了聚类结果,讨论了应用该结果的方法。     

面向信息挖掘的XML知识表示方法研究

在研究了基于XML的知识发现过程的基础上,作者提出了XML的知识表示方法。论文重点探讨了在信息挖掘的过程中,使用XML实现的三个方面知识表示:数据预处理的知识表示;挖掘算法的知识表示;挖掘结果的知识表示。最后以聚类分析为例,给出了知识表示的应用并总结了XML知识表示方法的优点。     

聚类分析及其应用研究

聚类分析是数据挖掘中的一种重要技术,能够通过无监督的学习过程发现隐藏的模式,具有独立地发现知识的能力。重点分析了聚类分析中的数据结构、数据类型、聚类过程,探讨聚类分析在相关领域的应用。     

大数据背景下我国电子数据取证研究现状及热点——基于CiteSpace的知识图谱可视化分析

为分析我国在大数据背景下的电子数据取证的研究情况，本文运用CiteSpace知识图谱软件对近二十年来中国知网数据库中的433篇文献进行可视化分析。通过发文年限、核心作者、发文机构以及关键词聚类分析来探究我国电子数据取证研究的现状和热点。     

电信用户呼叫行为的模糊聚类研究

电信用户的通话行为聚类分析是一个新的研究领域,属于数据挖掘范畴。为了对用户行为进行有针对性的分析挖掘,发现客户行为中隐藏的、有用的、未曾预料的知识,采用了模糊C均值(FCM)聚类算法,以模糊数学理论知识作为客户行为聚类分析的方法,为电信企业客户分析提供了量化依据,并采用Matlab为计算工具,给出了一个聚类分析实例,并初步建立了通话行为模型识别机制。实验证明,本文采用的模糊聚类方法得到了满意的分析结果。     

浅析数据挖掘中的聚类分析

随着信息技术的发展,数据挖掘技术得到了广泛的关注,聚类分析数据挖掘是其中一个重要的研究方向。该文首先对数据挖掘相关技术进行了简要的分析,对数据挖掘中的聚类分析技术进行了介绍,聚类分析的方法主要有层次方法、划分方法、基于密度的、网格的以及模型的方法,聚类分析已经广泛地应用于模式识别,数据分析,图像处理,以及市场研究等,该文的研究对聚类分析的应用具有一定的参考价值。     

CLARA算法聚类蛋白质序列的实现

随着基因工程产生大量新序列,导致蛋白质序列数据库的迅速增长,巨量蛋白质数据的功能组和族谱分析使蛋白质序列聚类分析成为结构和功能基因组学重要的研究目标,应用数据挖掘技术对生物数据进行聚类分析成为生物信息学研究的热点。聚类分析算法中的CLARA划分算法已广泛应用于其它领域,但在大数据量蛋白质序列聚类分析中应用很少,文章应用CLARA算法对在基准数据库中选取的蛋白质序列进行聚类分析,并将结果与其它几种蛋白质聚类算法进行了比较。