数据挖掘技术在高职教育中的应用概述

数据挖掘技术是当前数据库和人工智能领域研究的热点课题,在阅读了大量文献资料的基础上,首先对数据挖掘技术进行了概略介绍,包括数据挖掘技术的产生背景,应用领域,分类及主要挖掘技术。结合自己的主要研究方向,对关联规则的挖掘作了较详细的论述,介绍了关联规则挖掘在高职教育的主要研究成果。     

关联规则挖掘与分类规则挖掘的比较研究

关联规则挖掘与分类规则挖掘都是数据挖掘,领域中很重要的技术。本文首先简要介绍了关联规则挖掘和分类规则挖掘的基本知识，主要从挖掘目的、发现规则算法的方法、算法的设计思想等几个方面对它们进行了比较，最后介绍了它们之间的联系。     

关联规则挖掘算法在分类中的应用研究

提出了一个基于关联规则挖掘算法的医疗数据分类方法。介绍了关联规则的理论基础、关联规则挖掘算法及其在医疗数据挖掘中的应用方法,并利用介绍的算法对乳腺癌数据进行挖掘。获得了分类的实验结果,该模型系统达到了较高的分类准确率,证明了数据挖掘在辅助医疗诊断中有着广泛的应用前景。     

图像数据挖掘研究综述

对数据挖掘中的一个新兴领域———图像数据挖掘作出了较为全面的研究。给出了图像数据挖掘的定义,分析了图像数据挖掘与图像处理分析、图像模式识别及图像检索等相关领域的异同点,并就图像数据挖掘对传统数据挖掘的改变和扩展之处作了较为详尽的阐述。从多个角度对图像数据挖掘进行了分类。介绍了关联规则、聚类、分类等技术在图像数据挖掘中的不同用法。最后,简单地介绍了图像数据挖掘的几个应用领域的研究现状。     

关联规则挖掘综述*

为深入理解关联规则挖掘技术,掌握其研究现状与发展趋势。首先介绍了关联规则相关定义与分类方法;其次从串行和并行两个角度总结了关联规则挖掘的一般方法,概述并分析了一些典型的关联规则挖掘模式;最后讨论了关联规则挖掘质量改善问题及领域应用。     

基于关联规则的图像数据挖掘研究

随着图像获取和图像存储技术的迅猛发展,能够方便得到大量的图像数据。为了能充分从这些图像数据中分析并提取有用信息,研究了数据挖掘中的新型领域——图像数据挖掘技术。主要介绍了数据挖掘、图像数据挖掘及关联规则在图像数据挖掘中的应用。     

图像数据挖掘中的关联规则

介绍了遥感图像数据的关联规则挖掘方法。对目前图像数据挖掘的研究及应用现状进行了综述。介绍了图像数据关联规则挖掘的最新进展，总结了图像数据关联规则挖掘的特点、类型及图像数据预处理的技术方法。     

广义关联规则及算法研究

挖掘广义关联规则是数据挖掘研究的一个重要方面,数据挖掘领域的研究者在挖掘广义关联规则上作了大量的工作,使之成为一个具有普遍和实用意义的数据挖掘方法。文章就挖掘广义关联规则的算法进行了深入的研究。     

关联规则挖掘研究综述

关联规则挖掘是近年来数据挖掘研究中一个非常活跃的领域,给出了关联规则及相关术语的定义,对关联规则挖掘中的频繁模式、频繁闭模式及并行／分布式挖掘作了阐述,着重介绍了近几年来发表的一些新算法,并对未来的发展趋势进行了预测和展望。     

并行关联规则挖掘综述

关联规则发现作为数据挖掘的重要研究内容，在许多实际领域内得到了广泛的应用。因为在挖掘过程中涉及到大量的数据和计算，高性能计算成为大规模数据挖掘应用的一个重要组成部分。该文介绍了当前并行关联规则挖掘方面的研究进展，对一些典型算法进行了分析和评价，从并行度、负载平衡以及和数据库的集成等方面展望了并行关联规则挖掘的研究方向。     

基于规则的分类数据离群挖掘方法研究

离散数据的挖掘（ｏｕｔｌｉｅｒ ｍｉｎｉｇｎ,简称离群挖掘）是数据挖掘的重要内容,现有的离群数据挖掘算法大多对分类数据（ｃａｔｅｇｏｒｉｃａｌ ｄａｔａ）缺乏有效的处理,提出了基于规则的分类数据离群挖掘方法,采用多层最大离群支持度ｍａｘｓｕｐ,搜索离群规则,有效地解决了这一问题,用这一方法对医学流行病数据进行了各种,分析了该方法的适用范围、性能,验证了方法正确性;另外,实验表明,经过离散化后,基于     

Incremental rare pattern based approach for identifying outliers in medical data

Outlier detection is an imperative field of data mining that has several applications in the field of medical research. Mining outliers based on the notion of rare patterns can be a promising solution for medical diagnosis as it attempts to identify the unconventional and abnormal risk patterns present in medical data. A crucial issue in medical data analysis is the continuous growth of medical databases due to the addition of new records. Existing outlier detection techniques are capable of handling only static data and thus re-execute from scratch to identify the outliers from incremental medical data. This paper introduces an efficient rare pattern based outlier detection (RPOD) method that identifies outliers by mining rare patterns from incremental data. To avoid multiple database scans and expensive candidate generation steps performed by existent rare pattern mining techniques and facilitate incremental mining, a single pass prefix tree-based rare pattern mining technique is proposed. The proposed rare pattern mining technique is a modification of the well-known FP-Growth frequent pattern mining algorithm. Furthermore, to identify the outliers based on the set of generated rare patterns, an outlier detection technique is also presented. The significance of proposed RPOD approach is demonstrated using several well-known medical datasets. Comparative performance evaluation substantiates the predominance of RPOD approach over existing outlier mining methods.     

人工免疫系统在数据挖掘中的应用

对自然免疫系统机制、人工免疫系统及数据挖掘进行简要介绍。对人工免疫系统在数据挖掘领域中的应用进行详细分析综述。主要阐述人工免疫系统在分类规则、聚类规则等中的应用现状,并对其方法进行详细分析并指出其优缺点。     

Effective Discovery of Exception Class Association Rules

In this paper,a new effective method is proposed to find class association rules (CAR),to get useful class associaiton rules（UCAR）by removing the spurious class association rules (SCAR),and to generate exception class associaiton rules(ECAR)for each UCAR.CAR mining,which integrates the techniques of classification and association,is of great interest recently.However,it has two drawbacks:one is that a large part of CARs are spurious and maybe misleading to users ;the other is that some important ECARs are diffcult to find using traditional data mining techniques .The method introduced in this paper aims to get over these flaws.According to our approach,a user can retrieve correct information from UCARs and konw the influence from different conditions by checking corresponding ECARs.Experimental results demonstrate the effectiveness of our proposed approach.     

消除规则冲突和冗余的关联分类方法研究

研究分析了现有关联规则分类算法,总结了一般关联规则分类存在的不足,提出了一个基于关联规则挖掘技术构造分类器的新方法。该方法解决了传统算法产生规则太多,分类模型难以理解的问题。     

一个最优分类关联规则算法

分类和关联规则发现是数据挖掘中的两个重要领域。使用关联规则算法挖掘分类规则被叫做分类关联规则算法,是一个有较好前景的方法。本文提出了一个最优分类关联规则算法——OCARA。该算法使用最优关联规则挖掘算法挖掘分类规则,并对最优规则集排序,从而获得一个分类精度较高的分类器。将OCARA与传统分类算法C4.5和一般分类关联规则算法CBA、RMR在8个UCI数据集上进行实验比较,结果显示OCARA具有更好的性能,证明OCARA是一个有效的分类关联规则挖掘算法。     

知识发现中的因果关联规则挖掘研究

因果关联规则是知识库中一类重要的知识类型,具有重要的应用价值。首先对因果关系的特殊性质进行了分析,然后基于语言场和广义归纳逻辑因果模型,从表示、挖掘、评价和应用几方面,对因果关联规则的研究进行了详细论述。并在此基础上提出了隐含因果关联规则的概念。通过语言场和推理机制的运用,使因果关联规则这一重要知识形式的挖掘和评价过程具有良好的逻辑性和扩张性。     

DNA序列数据挖掘技术

DNA序列数据是一类重要的生物数据.研究DNA序列数据解读其含义是后基因组时代的主要研究任务.数据挖掘是目前最有效的数据分析手段之一,用于发现大量数据所隐含的各种规律,也是生物信息学采用的主要数据分析技术.将数据挖掘技术用于DNA序列数据分析,已得到了广泛关注和快速发展,并取得了许多研究成果.综述了DNA序列数据挖掘领域的研究状况和进展,提出了3个研究阶段:基于统计的挖掘方法应用阶段、一般化挖掘方法应用阶段和专门的DNA序列数据挖掘方法设计阶段.阐述了DNA序列数据挖掘的基础是序列相似性,评述了DNA序列数据挖掘领域所采用的关键技术,包括DNA序列模式、关联、聚类、分类和异常挖掘等,分析讨论了其相应的生物应用背景和意义.最后给出DNA序列数据挖掘进一步研究的热点问题,包括DNA序列数据新的存储和索引机制的设计、根据生物领域知识的数据挖掘新模型和算法的设计等.     

数据挖掘技术的研究现状及发展方向

数据挖掘技术是当前数据库和人工智能领域研究的热点。文章对国内外数据挖掘技术的总体情况进行了概括性的介绍，其中包括数据挖掘技术的产生背景、应用领域等，并对当前数据挖掘的分类以及数据挖掘技术中常用的一些挖掘算法进行了说明，最后列出了一些数据挖掘在实际领域中的应用，并对数据挖掘技术的前景作出了展望。     

一种基于关联分类的增量更新算法

针对现有关联分类技术的不足,提出了一种适用于关联分类的增量更新算法IUAC。该算法是基于频繁模式树挖掘和更新关联规则的,并使用一种树形结构来存储最终用于分类的关联规则。同时,增加了对分类规则的约束条件,进一步控制了用于分类的关联规则的数量。最后,对算法整体进行了分析和讨论。