关系数据库中的知识发现研究

本文提出了一种关系数据库中的知识发规模型;介绍了相关的机器学习、关系数据库、模糊学和统计学等技术;分析了现有的一些系统;最后,讨论了进一步研究的问题。     

关系数据库中的知识发现研究

介绍了从关系数据库中可以发现的知识 ,提出一个知识发现系统的抽象模型 ,讨论了可以发现的知识种类 ,并指出了实现KDD系统时将要出现的一些问题。     

基于关系数据库映射的模糊数据XML建模

在很多现实世界应用中存在着大量的不精确性和不确定性信息,正是由于这个原因,基于各类数据模型的模糊数据建模的研究已经广泛展开.当前互联网上存在大量的电子数据资源,XML已经成为Web上信息表示和交换的标准,但现有的XML研究成果难以满足Web环境下智能化数据管理的需求.文中从数据库信息建模的角度入手,基于模糊集和可能性分...     

以面向属性归纳的算法实现知识发现的可行性研究

面向属性归纳的方法以关系的或面向属性的操作实现知识发现过程。面向属性归纳的含义还表现在知识获取工具的核心与基础是一组动作基元,包括问题表达,知识提升,人机交互等。文中着重讨论了知识生成规则,基于置信度的归纳策略,并以野生大豆数据库为基础设计了一个算法。     

在专家系统中利用关系数据库来表达知识

在专家系统中,传统的知识表达方式具有很大的局限性,知识的重复利用率不高,并且无法给出知识的关系。为了解决这个问题,文章利用关系数据库的特点,将知识存贮在数据库中,并结合推理机的工作原理,阐明了如何利用标准数据查询语言(SQL)来对知识库进行正向推理及反向推理。从而提高了推理机的效率,减少知识获取的开销,增强知识库的可维护性和扩展性。     

直觉模糊集在关系数据库函数依赖中的应用研究

现实世界中的数据普遍存在着模糊甚至直觉模糊现象。本文主要讨论了关系数据库带直觉模糊的函数依赖问题．包括相关的概念、性质和Armstrong公理的有效性等。     

关系数据库中面向属性的泛化和约简

文中讨论了关系数据库中的知识发现,以RS理论为数学工具,将面向属性的归纳方法与实例学习相结合,用来关系数据库中知识发现的属性泛化和约简。引入了属性泛化的算法。用信息论的观点来解释属性约简的含义,提出了用信息增益作为属性的重要度量,并给出了基于这种重要度量的属性约简算法。     

关系数据库中知识发现的一种粒计算方法

提出用粒计算方法从关系数据库或信息系统中挖掘具有不同粒度大小的多维多层次关联规则. 首先, 基于粒计算的划分模型给出了从关系数据库或信息系统中进行知识发现的框架; 其次, 提出频繁k-项目集生成的粒计算方法; 最后, 对所提出的粒计算方法通过实际例子进行说明, 并选择两类不同数据集在给定不同支持度下进行测试, 以及与两种经典方法进行了比较. 测试结果表明所提出的粒计算方法有效. 而且借助粒计算使得关联规则的语义变得更加清晰和易于理解.     

ESTIMATING DBLEARN'S POTENTIAL FOR KNOWLEDGE DISCOVERY IN DATABASES

We propose a procedure for estimating DBLEARN's potential for knowledge discovery, given a relational database and concept hierarchies. This procedure is most useful for evaluating alternative concept hierarchies for the same database. The DBLEARN knowledge discovery program uses an attribute-oriented inductive-inference method to discover potentially significant high-level relationships in a database. A concept forest, with at most one concept hierarchy for each attribute, defines the possible generalizations that DBLEARN can make for a database. The potential for discovery in a database is estimated by examining the complexity of the corresponding concept forest. Two heuristic measures are defined based on the number, depth, and height of the interior nodes. Higher values for these measures indicate more complex concept forests and arguably more potential for discovery. Experimental results using a variety of concept forests and four commercial databases show that in practice both measures permit quite reliable decisions to be made; thus, the simplest may be most appropriate.     

LEARNING IN RELATIONAL DATABASES: A ROUGH SET APPROACH

Knowledge discovery in databases, or dala mining, is an important direction in the development of data and knowledge-based systems. Because of the huge amount of data stored in large numbers of existing databases, and because the amount of data generated in electronic forms is growing rapidly, it is necessary to develop efficient methods to extract knowledge from databases. An attribute-oriented rough set approach has been developed for knowledge discovery in databases. The method integrates machine-learning paradigm, especially learning-from-examples techniques, with rough set techniques. An attribute-oriented concept tree ascension technique is first applied in generalization, which substantially reduces the computational complexity of database learning processes. Then the cause-effect relationship among the attributes in the database is analyzed using rough set techniques, and the unimportant or irrelevant attributes are eliminated. Thus concise and strong rules with little or no redundant information can be learned efficiently. Our study shows that attribute-oriented induction combined with rough set theory provide an efficient and effective mechanism for knowledge discovery in database systems.     

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。     

数据库知识发现系统及领域知识在其中的作用

论述了一种理想化的知识发现系统模型 ,及其各组成部分的功能。进一步讨论了领域知识在其中的重要作用。     

在大型数据库中多层序贯模式的发现

在数据库中现发知识ＫＤＤ是当今国际人工智能和数据库研究的新兴序贯模式是其中的重要研究课之一。     

ROUGH KNOWLEDGE DISCOVERY FOR NUCLEAR SAFETY

Large amounts of data are generated in the investigating and maintaining of nuclear energy. Making full use of this data to gain useful insights into, for example, safety issues, presents a tremendous challenge. It is well-known that rough set theory can be applied successfully to rough classification and knowledge discovery. Our work is concerned with finding methods for using rough sets to identify classes in datasets, finding dependencies in relations and discovering rules which are hidden in databases. We believe that these methods can be used to understand and control aspects of nuclear energy generation. So in this paper we illustrate the use of our rough discovery methods by means of a running example using data on nuclear safety from the Belgian Nuclear Reactor 1 (BR1).     

模糊Petri网及知识表示

在建造专家系统中虽然有很多种知识表示方法，但都有不尽人意的地方，本文试图用一种新的方法－Ｐｅｔｒｉ网模型来表示知识。本文给出了Ｆｕｚｚｚｙ Ｐｅｔｒｉ网和广义Ｆｕｚｚｙ Ｐｅｔｒｉ网两种模型，并给出了相应的推理算法，一旦专家知识用Ｐｅｔｒｉ网表示后，根据Ｐｅｔｒｉ网固有的特性，我们就能处理专家系统中并行推理、无回溯推理，反向推理等问题。     

基于改进型C4.5算法的关系数据库零水印模型研究

对传统的数据库数字水印技术进行分析,结合关系数据库零水印一般模型,提出一种基于改进型C4.5算法的关系数据库零水印模型。重点研究该模型关系数据库零水印构建算法并进行定性分析,发现算法具有更广的适用性和更好的鲁棒性。