模糊Horn子句规则挖掘算法研究

模糊关联规则可以用自然语言来表达人类知识,受到数据挖掘与知识发现研究人员的广泛关注。但是,目前大多数模糊关联规则挖掘方法仍然基于经典关联规则的支持度和可信度测度。从模糊蕴涵的观点出发,定义了模糊Horn子句规则、支持度、蕴涵强度以及相关概念,提出了模糊Horn子句规则挖掘算法。该算法可以分解为3个步骤。首先,将定量数据库转换为模糊数据库。其次,挖掘模糊数据库中所有支持度不小于指定最小支持度阂值的频繁项目集。一旦得到了所有频繁项目集,就可以用一种直接的方法生成所有蕴涵强度不小于指定最小蕴涵强度阂值的模糊Horn子句规则。     

模糊数据发掘的研究

本文将模糊理论应用于数据发掘，提出模糊数据发掘（FuzzyDataMining，FDM），采用模糊聚类分析的方法，从数据仓库中发掘普通方法难以发现的隐藏模式，进行模糊预测。并举例说明FDM方法的主要实现过程。本文对各类数据仓库的灵敏数据发掘具有普遍意义。     

浅析数据挖掘的主要方法和研究方向

随着大型数据库的不断涌现,如何从浩如烟海的数据中发现隐藏的有用知识,成为一个迫切需要研究的课题.因此,知识发现和数据挖掘应运而生.该文提出了数据挖掘的基本概念,数据挖掘是数据库技术、人工智能、机器学习、统计分析、模糊逻辑、模式识别和人工神经网络等多个学科相结合的产物,然后分析了数据挖掘一般算法的结构,并且对数据挖掘技术进行了详细分类,主要包括决策树技术、神经网络技术、粗集以及模糊集等十多项挖掘技术.最后讨论了数据挖掘在人工智能、电子商务应用和移动通信计算等方面的研究方向.     

时序数据挖掘方法研究

数据库知识发现的基本思想就是从数据中抽取有价值的信息，其目的是帮助决策者寻找数据间潜在的关联，发现被忽略的要素，而这些信息对预测趋势和决策行为也许是十分有帮助的。时序数据挖掘是数据库知识发现研究中的重要分支之一。趋势分析与相似搜索是时序数据挖掘的主要技术与方法。通过趋势分析，可以制定出比较合理的长期或短期预测，从而为科学决策提供有效的依据；而在相似搜索中，采用了模糊匹配技术，符合人脑思维特性，因而更合理有效。     

基于模糊依赖的实时数据库的快速恢复

在实时数据库中，对数据的操作有硬实时要求。当数据被损坏时，传统的故障恢复技术（根据日记进行undo和redo操作）远远不能满足其需求。提出了一种基于模糊依赖的数据恢复方法用以满足实时应用的要求。该方法是利用数据挖掘技术生成的依赖信息快速的生成可接受的模糊值。     

浅说数据挖掘

一、发掘数据中的隐藏趋势数据挖掘是数据仓库中最重要的应用之一，它是被称为“知识发现”大处理过程中的一部分。由于描述了保证获得有意义结果所必须采取的步骤，知识发现处理过程是成功地实现数据挖掘的基础。一般来说，数据挖掘能够揭示隐藏的模式和关系。在认识到数据挖掘技术的重要性之后，IBM公司在世界上率先开发了一整套被称为“智能挖掘机（IntelligentMiner）”的应用工具。需要说明的是，数据挖掘并非一些人想象中的魔法，——数据挖掘工具不会驻扎在数据库中，监视数据库里发生的一举一动，当发现有趣的趋势时，便自动发出…     

基于模糊综合评价的课堂教学质量数据挖掘

本文从应用模糊综合评价法得到教师的课堂教学质量的评估等级和量化成绩,应用模糊聚类算法确定主关键条件属性集,使用模糊数据挖掘出评估数据库中教师课堂教学质量评估等级同评估指标之间的规则知识,以一个应用实例为对象建立的课堂教学质量模糊数据挖掘验证了该方法的可行性.     

浅谈数据挖掘和数据库知识发现

本文介绍了数据挖掘和数据库知识发现的过程,分析其特点,归纳比较数据挖掘的主要方法及其各自优势、适应范围,横向比较多个应用软件,并指出数据挖掘和数据库知识发现的发展方向。     

模糊数据挖掘技术(FDM)在交通量预测中的应用

根据影响交通量的因素,利用模糊数据挖掘方法(FDM)对交通量进行预测,这种预测方法不需要精确的数学模型,算法过程易于理解,解决了仅靠复杂的算法和推理并不能完全发现知识的问题,且还可编制一个程序,使用更方便。     

数据挖掘语言

１ 引言 计算机和信息技术发展的过程,也是数据和信息加工手段不断更新和改进的过程。数据挖掘（Ｄａｔａ Ｍｉｎｉｎｇ）即从大量的、不完全的、有噪声的、模糊的、随机的、实际应用的多渠道数据源的各种数据中,提取隐含在其中的、人们事先不知道的、但又是潜在的、有价值的模式和数据间关系（信息和知识）的过程。数据挖掘的前身即知识发现ＫＤＤ（Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅ）。 数据挖掘技术的研究与应用已取得了很大的成果。然而,在数据挖掘行业中,还有许多问题困扰着我们,比如,由于各种数据…     

模糊数据挖掘技术在交通量预测中的应用

城市公路交通量预测不仅对于区域交通规划有重大意义，而且还直接影响到交通控制的效果。在预测前采集的数据比较多时，系统复杂，精确化能力会降低，即模糊性更强，因而仅靠复杂的算法和推理并不能完全发现知识。该文基于数据挖掘技术，提出了一种模糊数据挖掘方法。     

Fuzzy decision maps: a generalization of the DEMATEL methods

The Decision making trial and evaluation laboratory (DEMATEL) method is used to build and analyze a structural model with causal relationships between different criteria. In this paper, it shows that DEMATEL is the specific case of fuzzy decision maps (FDM) when the threshold function is linear. Both FDM and DEMATEL have the same direct and indirect influence matrix. FDM incorporates the eigenvalue method, the fuzzy cognitive maps, and the weighting equation. In addition two numerical examples are illustrated to demonstrate the proposed results. On the basis of the mathematical proof and numerical results, we can conclude that FDM is a generalization of DEMATEL method.     

Effect of data skewness and workload balance in parallel datamining

To mine association rules efficiently, we have developed a new parallel mining algorithm FPM on a distributed share-nothing parallel system in which data are partitioned across the processors. FPM is an enhancement of the FDM algorithm, which we previously proposed for distributed mining of association rules (Cheung et al., 1996). FPM requires fewer rounds of message exchanges than FDM and, hence, has a better response time in a parallel environment. The algorithm has been experimentally found to outperform CD, a representative parallel algorithm for the same goal (Agrawal and Srikant, 1994). The efficiency of FPM is attributed to the incorporation of two powerful candidate sets pruning techniques: distributed and global prunings. The two techniques are sensitive to two data distribution characteristics, data skewness, and workload balance. Metrics based on entropy are proposed for these two characteristics. The prunings are very effective when both the skewness and balance are high. In order to increase the efficiency of FPM, we have developed methods to partition a database so that the resulting partitions have high balance and skewness. Experiments have shown empirically that our partitioning algorithms can achieve these aims very well, in particular, the results are consistently better than a random partitioning. Moreover, the partitioning algorithms incur little overhead. So, using our partitioning algorithms and FPM together, we can mine association rules from a database efficiently     

Mining fuzzy association rules from questionnaire data

Association rule mining is one of most popular data analysis methods that can discover associations within data. Association rule mining algorithms have been applied to various datasets, due to their practical usefulness. Little attention has been paid, however, on how to apply the association mining techniques to analyze questionnaire data. Therefore, this paper first identifies the various data types that may appear in a questionnaire. Then, we introduce the questionnaire data mining problem and define the rule patterns that can be mined from questionnaire data. A unified approach is developed based on fuzzy techniques so that all different data types can be handled in a uniform manner. After that, an algorithm is developed to discover fuzzy association rules from the questionnaire dataset. Finally, we evaluate the performance of the proposed algorithm, and the results indicate that our method is capable of finding interesting association rules that would have never been found by previous mining algorithms.     

模糊分割在关联规则挖掘中的应用

关联是数据挖掘领域的一个重要研究课题.如何有效地推导出关联规则,在过去已经有许多方法相继被提出,但大部分的方法对于数值型数据的处理、渐进式挖掘以及在线挖掘等问题无法有效地同时加以处理.因此,本文通过对单层次关联规则的研究,提出了以模糊分割与数据方阵为基础的算法来解决上述问题.     

基于模糊数据挖掘和遗传算法的网络入侵检测技术

文章通过开发一套新的网络入侵检测系统来证实应用模糊逻辑和遗传算法的数据挖掘技术的有效性;这个系统联合了基于模糊数据挖掘技术的异常检测和基于专家系统的滥用检测,在开发异常检测的部分时,利用模糊数据挖掘技术来从正常的行为存储模式中寻找差异,遗传算法用来调整模糊隶属函数和选择一个合适的特征集合,滥用检测部分用于寻找先前行为描述模式,这种模式很可能预示着入侵,网络的通信量和系统的审计数据被用做两个元件的输入;此系统的系统结构既支持异常检测又支持滥用检测、既适用于个人工作站又可以适用于复杂网络。     

模糊控制查询表的数据挖掘研究

一个性能良好的模糊控制系统的关键是它的模糊控制查询表。文章在详尽分析典型的模糊控制系统的基础上,给出了一种采用布尔关联规则挖掘技术,从人工操作记录数据库中直接挖掘模糊控制查询表的原理和方法。     

Model predictive control using fuzzy decision functions

Fuzzy predictive control integrates conventional model predictive control with techniques from fuzzy multicriteria decision making, translating the goals and the constraints to predictive control in a transparent way. The information regarding the (fuzzy) goals and the (fuzzy) constraints of the control problem is combined by using a decision function from the theory of fuzzy sets. This paper investigates the use of fuzzy decision making (FDM) in model predictive control (MPG), and compares the results to those obtained from conventional MPG. Attention is also paid to the choice of aggregation operators for fuzzy decision making in control. Experiments on a nonminimum phase, unstable linear system, and on an air-conditioning system with nonlinear dynamics are studied. It is shown that the performance of the model predictive controller can be improved by the use of fuzzy criteria in a fuzzy decision making framework.     

一种新的多层次关联规则挖掘算法

关联是数据挖掘领域的一个重要研究课题。如何有效地推导出关联规则,在过去已经有许多方法相继被提出,但大部分的方法对于(a)数值型数据的处理、(b)渐进式挖掘以及(c)在线挖掘等问题无法有效地同时加以处理。因此本文通过对多层次关联规则的研究,提出了以模糊分割与数据方阵为基础的算法来解决上述问题。