数据挖掘技术漫谈

<正> “人类正在被数据淹没,但人类却饥饿于知识”。信息爆炸、信息泛滥是当今数字化社会所面临的一个巨大的挑战。据估计,全世界的数据总量每18个月就要翻一番,以目前社会的信息化和自动化发展趋势来看,这个速度还会更快。 由于科学的进步和技术的发展,越来越多的先进技术、仪器和工具被广泛地应用于政府、商业、工业及科学等部门。科学     

数据挖掘技术及应用

<正> 基本概念 知识发现(Knowledge Discovery in Database)是使用数据挖掘来抽象或识别知识的过程。数据库中的知识发现过程并不是一个琐碎无用的过程,它的每个过程都很重要——是在数据中获取并验证正确的、新奇的、潜在有用的和最终可理解的模     

数据挖掘管理系统

本文分析了数据挖掘的常用技术和分析方法,详细探讨了数据挖掘过程,在此基础上,设计了一个由多模型构成的数据挖掘管理系统的一般框架,其能支持数据挖掘分析的全过程。     

数据挖掘应用研究及展望

数据挖掘是一门应用性很强的要求。本文首先介绍了当前该领域内的主要研究成果,然后介绍了规范应用系统开发的标准,以及现有的一些挖掘工具。     

模糊数据挖掘

本文在数据库中知识发现（KDD）和数据挖掘（DM）技术的基础上,提出了模糊数据库中知识发现（KDFD）和模糊数据挖掘（FDM）的概念与技术,并给出FDM的算法,它能有效地挖掘出模糊数据库中潜在的有价值的知识。本文具体讨论了模糊关联规则及模糊数据依赖的挖掘。     

数据挖掘的体系框架研究

数据挖掘是目前信息技术中的研究热点,它是现代科学技术相互渗透与融合的必然结果。阐述了数据挖掘的发展现状,深入探讨了数据挖掘的体系框架与构成,并对数据挖掘的热点问题进行了分析。     

数据挖掘在电子商务中的应用

详细介绍了数据挖掘方法与电子商务各方面的结合,并给出了一个以C／S体系结构为基础，与数据挖掘功能紧密结合的电子商务系统实例。》     

从数据挖掘到知识发现

<正> KDD简介 过去的十年里,生成和收集数据的能力迅猛发展。科学数据集、商品的条形码、商业的计算机化和政府事务等都产生了海量的数据。 如此大量的数据明显超出了传统手工数据分析方法的分析能力。这些方法能够从数据中产生信息报告,但不能分析这些报告的内容以便集中处理。这就要求新一代技术与工具具备智能地并且自动地帮助人们分析海量数据来获取有用知识的能力。 从原始数据中发现有用的模式(或知识)通常称之为数据库中的知识发现,简称KDD。这种称法出现于     

时态数据挖掘研究进展

Temporal data mining is one of the important braches of data mining.In this paper with the present documents first we systematically classify the present research on temporal data mining.Next,we give our generalizations and analyses to the main braches.Finally problems of the current research of temporal data mining are pointed out and solutions are prposed.     

空间数据挖掘发展研究

空间数据挖掘是指对空间数据库中非显式存在的知识、空间关系或其它有意义的模式等的提取,在地理信息系统、地理市场、遥感、图像数据勘测、医学图像处理、导航、交通控制、环境研究等各种领域有着广泛的应用。该文从空间数据挖掘的定义、过程、特征和任务等方面对空间数据挖掘技术进行了研究,并介绍了一个空间数据挖掘原型—GeoMiner和未来的研究方向。     

基于数据仓库的数据挖掘研究

结合当前数据仓库和数据挖掘的发展，本文探讨了数据仓库和数据挖掘结合的必然性；提出了基于数据仓库的数据挖掘的体系结构；综述了基于数据仓库的数据挖掘的主要特征和典型应用。     

高维数据挖掘技术研究

数据挖掘是致力于数据分析和理解,揭示数据内部蕴藏知识的技术。它是未来信息技术应用的重要目标之一。而高维数据在实际应用中的使用,使得对高维数据挖掘的研究有着非常重要的意义。文章介绍了高维数据挖掘对数据挖掘的挑战及应对策略,提出了一些挖掘模型的创新点。     

数据开采机模型及开采算法研究

本文在介绍数据开采基本知识的基础上提出了一个通用的开采机模型，并对其各模块的功能做出描述，针对目前许多开采大型数据库中的关联规则高效算法大多是在各自单独的领域内进行算法的理论研究与探讨的问题，本文在研究了两种高效的关联规则开采算法：最大频繁项目集算法FID（Frequent Itemsets Discovery），增量式更新算法IUA（Incremental Updating Algorithm）后，将以上算法综合并在计算机上实现，作为比较同时给出了Aprioiri（经典的关联规则开采算法）的实现。文中为了避免负面示例的问题，还引入了兴趣工的概念，并在系统中实现。     

分布式数据挖掘研究

首先简单介绍了分布式数据挖掘的定义、重要性、研究现状以及数据源 ,然后详细介绍了两个典型的分布式数据挖掘系统。最后探讨了分布式数据挖掘系统应该具有的特点     

图像数据挖掘之研究

从介绍一个图像数据挖掘可以采用的系统原型出发,对图像数据挖掘的常用方法和基本过程进行了详细的阐述。     

数据挖掘建模研究

数据挖掘和建模都是应用于众多问题的通用技术,而且数据挖掘建模是沟通实际问题与数据挖掘工具的桥梁。然而对于数据挖掘建模的概念有很多模糊的认识。本文从数据建模的概念入手,详细地阐述数据挖掘建模的概念,然后从数据挖掘工具与建模的角度把握数据挖掘建模,并详细介绍数据挖掘建模的一般步骤。     

数据挖掘技术研究

本文首先对数据挖掘技术进行了系统的分析和说明,并详细叙述了数据挖掘的过程以及几种技术和方法,最后对数据挖掘技术在各个领域的应用做了叙述。     

数据挖掘的容错性研究

应用容错式挖掘,更多有用的信息可以从真实世界被噪音干扰的数据中获取.然而在过去相关的研究中,容错式频繁模式挖掘问题不是没有成熟的定义,就是将问题局限于仅找出允许固定错误数据项数的频繁模式.本文提出了比例性容错频繁模式挖掘的问题,并给出了两个实现算法:第一个算法称为FT-BottomUp,采用FT-Apriori定理找出允许所有可能错误数据项数的容错频繁模式;第二个算法FT-LevelWise,将所有的容错频繁模式按照它们所允许的错误数据项目数量分成多个群组,并分别挖掘出各个群组内的频繁模式.     

数据挖掘中CURE聚类算法研究

聚类是一种非常有用的数据挖掘方法,可用于发现隐藏在数据背后的分组和数据分布信息。CURE算法就是一个典型的代表。本文对CURE算法进行了研究,它能够很好的解决传统聚类算法在伸缩性、数据定期更新时所面临的问题。