基于元信息的粗糙集规则增式生成方法

粗糙集方法已成为数据挖掘的重要手段.由于数据挖掘需要处理大量的数据,并且数据动态递增,因而粗糙集方法需要具备处理大数据库数据的能力,以及有效处理动态递增数据的能力.然而,当前大多数粗糙集方法缺乏这些能力.对此,作者提出基于元信息的粗糙集规则增式生成方法.元信息是数据挖掘中间结果的描述,该方法首先渐增生成当前数据场的元信息,再从元信息中推导出规则.由于元信息是可重用的,因而该方法仅处理还未处理的数据,从而减少了数据挖掘的时间.同时,元信息的可重用性为数据挖掘系统的故障恢复提供了一种手段,提高了系统的鲁棒性.     

软件源码上的数据挖掘应用综述

数据挖掘技术可以从大量的数据中发现某些有价值的知识.而将软件源码作为一种特殊的数据,在其上应用数据挖掘技术进行源码层次上的信息挖掘,已成为一个新颖而重要的课题.将对软件源码上的数据挖掘技术从各领域的应用、数据挖掘方法以及当前发展水平等主要方面展开介绍,并详细剖析当前此领域的制约因素,提出未来此领域的发展方向.     

基于XML的Web数据挖掘模型设计与研究

由于互联网上存在大量的信息资源,Web挖掘已成为数据挖掘的热点。本文介绍Web数据挖掘技术,比较HTML和XML的不同,充分利用XML的优越性,提出一种基于XML的数据挖掘模型,并详细论述该模型的特点及用途。     

关联规则Apriori算法的研究和改进

随着大数据时代的到来,数据挖掘技术成为了信息界的主要关注方向,但从大量数据中提取有价值的内容成为了难题。随着数据量的逐渐增加,以往的数据挖掘方法已不再适应当前大数据环境下的大数据挖掘。基于此,不断研究和改进Apriori算法的主要目的是使其能适应当前环境下的数据挖掘、存储和计算,使繁琐的数据挖掘过程变得简单明了,提高挖掘效率。     

数据挖掘算法的改进及其在Chord网络中的应用

为了提高数据挖掘算法的效率以及Chord资源定位的速度,引入条件模式以及深度优先的策略改进数据挖掘算法,并将改进后的数据挖掘算法应用到Chord网络的路由表中,通过删除无效或使用频率极低的路由和增加相关路由信息的方法,加速资源定位过程。最终性能比较实验表明,数据挖掘改进算法不仅体现了优越的算法性能,同时通过挖掘Chord网络的关联规则,有效地提升了系统的资源定位性能。     

粗糙集理论在医学数据挖掘中的研究与应用

如何有效地挖掘和利用医疗活动过程中所产生的大量医学信息资源,使之有效地服务于医学的科学研究和临床诊断是医学信息数据挖掘所面临的主要问题.本文首先介绍目前医学数据挖掘研究的特点和现状,以及其区别于其它一般数据挖掘方法的地方;然后探讨粗糙集理论在医学乳腺X片数据挖掘中的应用,最后分析和总结实验中涉及的一些关键问题,并对未来...     

数据挖掘在入侵检测系统中的应用研究

数据挖掘技术在网络安全领域的应用已成为一个研究热点。入侵检测系统是网络安全的重要防护工具,近年来得到广泛的研究与应用,分析了现有入侵检测系统主要检测方法存在的问题,构建了应用数据挖掘技术的入侵检测系统模型以改善入侵检测的精确性和速度。对各种数据挖掘方法对入侵检测系统产生的作用做了描述。     

利用数据挖掘的关联规则方法来解决网络拥塞的问题

随着WWW上信息的爆炸性的增长，在如此大量的数据中发现有用的信息变得困难。因此．将传统的数据挖掘与Web结合进行Web挖掘，已成为数据挖掘的一个重要和繁荣的子领域。本文在研究Web挖掘关联规则的基础上，提出了一种采用关联规则的方法解决网络拥塞问题。     

利用数据挖掘的关联规则方法来解决网络拥塞的问题

随着WWW上信息的爆炸性的增长,在如此大量的数据中发现有用的信息变得困难。因此,将传统的数据挖掘与Web结合进行Web挖掘,已成为数据挖掘的一个重要和繁荣的子领域。本文在研究Web挖掘关联规则的基础上,提出了一种采用关联规则的方法解决网络拥塞问题。     

决策树技术在高师生教学技能考核评价系统中的应用研究

目前,高校在学籍管理、成绩管理、师资管理等方面积累了大量的数据资源,如何发挥数据挖掘技术的优势,将数据挖掘技术应用于高校的教学管理中,成为了当前国内外关注的学术热点和前沿性课题。本文主要是对数据挖掘技术在高师生教学技能考核评价中的应用进行研究。     

基于粗糙集理论的属性约简算法研究

数据挖掘是近年来数据库领域中出现的一个新兴研究热点,它是从大量数据中获取知识。进行数据挖掘的方法很多,粗糙集方法便是其中的主要方法之一。属性约简算法是基于粗糙集理论的数据挖掘模型中的关键步骤,同时也是粗糙集理论研究中的一个研究重点。通过对粗糙集理论的属性约简算法的深入研究,本文提出了一种改进的属性约简启发式算法。该算法建立在可辨识矩阵计算基础上。改进算法基于Hu的算法与Jelonek算法,在计算可辨识矩阵的基础上,保证最终能够找到决策信息系统的一个约简,同时较Jelonek算法相比,运算时间明显减少。     

一种基于决策表的分类规则挖掘新算法

The mining of classification rules is an important field in Data Mining. Decision table of rough sets theory is an efficient tool for mining classification rules. The elementary concepts corresponding to decision table of Rough Sets Theory are introduced in this paper. A new algorithm for mining classification rules based on Decision Table is presented, along with a discernable function in reduction of attribute values, and a new principle for accuracy of rules. An example of its application to the car‘s classification problem is included, and the accuracy of rules discovered is analyzed. The potential fields for its application in data mining are also discussed.     

基于关联规则的空间数据知识发现及实现

空间数据挖掘就是从空间数据库中抽取隐含知识、空间关系及空间数据库中存储的其它模式的方法。空间关联规则是空间数据挖掘的一个重要表现形式,利用空间关联规则把空间数据库中的数据转化为知识是一个很好的方法。本文在分析空间关联规则的基础上,用基于关联规则的逐步求精挖掘算法,得出空间数据库中的知识,通过实例证明其方法的可行性。     

数据挖掘在医院信息化建设中的应用研究

本文的研究工作主要围绕在医院信息系统(HIS)中使用数据挖掘技术展开。将数据挖掘理论应用于实际的医院信息系统(HIS)系统中,实现医院信息系统(HIS)系统与数据挖掘技术的结合。本文对数据挖掘的概念及国内外应用现状,以及数据挖掘在医院信息系统中的应用和展望进行了阐述。     

一种基于多重支持度的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速而有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。MDRBR算法采用单一的规则支持度阈值进行缺省规则的挖掘,这不利于有效地挖掘出用户感兴趣的缺省规则。为此,该文对MDRBR算法进行了改进,并提出了一种基于多重支持度的的缺省规则挖掘算法-MSMDRBR算法,MSMDRBR算法可依据多重支持度阈值合理地取舍决策规则,因而具有一定的实用意义。     

数据挖掘技术在经营分析系统中的应用

数据挖掘技术是对海量数据进行分析和信息提取的重要工具。本文首先介绍了数据挖掘的基本概念和相关知识。然后结合电信的具体行业特点,建立了一个基于数据挖掘的系统(MDMS),并对该系统的结构、模块组成等问题进行了深入的讨论。文中详细介绍了该系统中关联规则挖掘技术、分类模型挖掘技术和聚类分析技术等关键技术的实现。最终对该系统在电信运营过程中所起的作用作了一个总评。     

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。     

Rough Sets理论与信任函数理论的比较研究

给出了在Pawlak粗集代数中信任函数的一种解释,并且讨论了信任函数在RoughScts上知识的组合规则,发现信任函数的综合规则无法用RoughSets来表示.也即说明了这两种理论的各自独立存在性.     

一种基于粗糙集的分类数据挖掘算法

目前,粗糙集理论及数据挖掘的研究已经成为热点领域.本文提出一种基于粗糙集理论的分类数据挖掘算法,从实际数据出发,运用不同简化层次的算法,导出每个层次上的信息集,最后得到规则集.在进行推理和决策分析时,按照一定算法进行匹配,得出结论.算法分析表明,这一算法属性约简具有较好有效性,可减少未知样本参与分类的决策属性,适合模型相对稳定、更新不频繁且建模过程可以在后台进行的应用.     

Dominance-based Rough Set Classifier without Induction of Decision Rules

Rough Sets Theory is often applied to the task of classification and prediction, in which objects are assigned to some pre-defined decision classes. When the classes are preference-ordered, the process of classification is referred to as sorting. To deal with the specificity of sorting problems an extension of the Classic Rough Sets Approach, called the Dominance-based Rough Sets Approach, was introduced. The final result of the analysis is a set of decision rules induced from what is called rough approximations of decision classes. The main role of the induced decision rules is to discover regularities in the analyzed data set, but the same rules, when combined with a particular classification method, may also be used to classify/sort new objects (i.e. to assign the objects to appropriate classes). There exist many different rule induction strategies, including induction of an exhaustive set of rules. This strategy produces the most comprehensive knowledge base on the analyzed data set, but it requires a considerable amount of computing time, as the complexity of the process is exponential. In this paper we present a shortcut that allows classifying new objects without generating the rules. The presented approach bears some resemblance to the idea of lazy learning.