加权模糊聚集算子研究

在数据挖掘、模糊专家系统和多Agent协同决策过程中，要经常面对信息聚集技术和对多个模糊数据来源进行聚集运算，一般用得最多的是合取、析取及加权平均等算子，但是不同的领域有着不同的需求，本文着重对加权聚集算子进行研究。首先，提出了加权平均关系与析取关系结合后的析取-加权平均算子，该算子解决了加权平均算子不能区分析取与合取的关系。然后，提出了一种最大加权平均算子和最小加权平均算子，该算子将最大最小值算子与加权平均算子进行了泛化，解决了同时考虑信息局部性特征与信息整体性特征的问题。理论分析表明，本文提出的加权模糊聚集算子对于模糊信息源的聚集运算起到了很好的补充和完善的功能。     

油田财务决策支持系统的设计

以辽河油田为背景设计了基于数据仓库的油田财务决策支持系统的整体框架,阐述了系统辅助决策的过程,同时提出了数据仓库和数据析取系统设计的侧重点。     

数据提取、转换和装载技术研究

来自企业操作环境的数据是数据仓库的数据源，通过提取、转换、装载填充数据仓库，对数据提取、转换与装载技术进行了研究与实践。对数据提取、转换与装载要解决的问题进行了详细论述并提出了相应的解决方法，并以MS SQL Server2000为例，介绍了可用于析取数据的一些工具。在此基础上，以电信行业话单数据载入数据仓库为实例，就如何实现各步骤进行了详细说明，提出了在数据提取、转换与装载过程中需注意的一些问题。     

未来战机光纤通道航电总线试飞测试技术探析

为了解决飞行试验对光纤通道航电总线(FC-AE)测试需求,分析了机载FC-AE及其对试飞测试带来的需求,并提出了解决采集、记录FC-AE总线数据的测试架构以及基于FPGA的高速数据存储、时统及总线数据析取方案.     

Job-Shop调度问题的量子蚁群算法求解*

针对最小化最大完工时间的作业车间调度问题,提出了一种量子蚁群调度算法.该算法结合了量子计算中量子旋转门的量子信息和蚁群寻优的特点,通过作业车间调度问题的析取图表示,将原问题转换为求解析取图的关动路径,并利用量子蚁群算法进行求解.采用该算法对作业车间调度问题的基准数据进行测试,仿真结果表明了该算法的可行性和有效性.     

消费品市场分析DSS设计

本文就DSS系统设计中的主要问題进行了探讨:《消费品市场分析DSS设计》的数据析取和基本模型的研制与建立;模型的结构层次表示法;模型管理子系统的建立及用户接口的自适配设计法。     

优势关系下的集值序值信息系统

集值序值信息系统分为合取/析取集值序值信息系统,分别深入分析了合取/析取集值序值信息系统已有优势关系的局限性,并对其不合理情形进行了讨论,进而提出了对对象进行更好划分的新优势关系。在此基础上,分别构建了优势关系下的合取/析取集值序值信息系统的粗集模型,并通过典型例子验证了该方法的有效性。     

基于移动Agent分布式数据服务模型

将移动Agent技术引入分布式数据服务领域，借鉴传统分布式数据查询策略和现有基于移动Agent模型的做法，提出了基于MA的分布式数据服务模型，并在此基础上，详细描述了处理流程。该模型已被应用于在线购物系统中的分布式数据析取模块中。实验表明，与传统的分布式模型相比，该模型在站点多、数据析取量大的情况下有明显的优势。     

基于Conformant Fast-Forward规划系统的析取目标处理方法

将规划系统Conformant Fast-Forward从单目标规划扩展到基于析取目标的不确定规划,设计并实现了新的规划系统Conformant-FF-d.Conformant-FF-d的新功能主要包括:目标状态判断、可达性分析和启发函数.提出一种利用SAT技术进行目标状态判断的高效方法;提出析取目标条件下信念状态的可达性分析方法,有效地删除无法到达目标的信念状态,进而缩小了搜索空间的规模;设计了适用于析取目标的启发函数,有效地指导搜索算法向更有希望到达目标的方向进行.在国际规划竞赛的问题域上对Conformant-FF-d和先进的规划系统POND进行测试和对比分析,实验结果表明:ConformantFF-d的求解效率高而且具有较好的可扩展性.     

析取回答集程序设计结构化测试方法

针对析取回答集程序的结构化测试基础理论匮乏的问题,系统化地提出析取回答集程序结构化测试覆盖的概念。首先,定义针对析取回答集程序的测试用例,确立析取回答集程序的主要测试实体为程序中的逻辑规则;其次,通过对规则的头、规则的体、规则的集合等不同测试目标构建了规则覆盖、定义覆盖、环覆盖等基本概念来模拟结构化测试中的语句覆盖、分支覆盖等概念;最后,提出了析取回答集程序的测试覆盖率计算公式,并举例说明各种覆盖下的覆盖率计算方法,并讨论了析取回答集程序的部分特殊性质和关键指标。     

基于Web的快速信息抽取

介绍了一种基于Web的信息抽取的快速实现方法,该方法将信息抽取划分为两个阶段,在每个阶段采用不同的数据模型,对于半结构和无结构的信息抽取都有很好的效果。     

基于XML的Web数据半自动采集

如何在信息量巨大的互联网上准确获取并长期跟踪用户关注的内容,是数据采集和挖掘的重要方面。探讨Web数据采集理论及其应用技术,给出一个半自动采集模型,设计基于旅游业数据的采集系统,验证数据半自动采集的可行性。     

网络跨库检索中基于Ontology的数据抽取与合并

对网络多个信息源跨库检索的结果进行Ontology建模，实现异构分布式数据源的数据抽取与合并．数据抽取首先将信息源的检索结果页面映射成有限标号树，其次应用抽取规则得到所需数据；给出按库合并算法，使得网络多数据源返回的结果得以高效合并．实验数据表明将Ontology建模应用于跨库检索结果处理有效而且正确，抽取准确率可以达到100％．     

数据抽取及语义分析在Web数据挖掘中的应用

把复杂的网络站点作为多个业务数据源,采用数据仓库及数据挖掘技术,从中抽取并净化数据到挖掘数据库,从而将数据抽取及语义分析应用于Web数据挖掘中。在此基础上又提出了运用数据抽取进行数据结构转换并把语义分析技术应用到数据抽取的过程中的思想,使数据提取更加准确。     

Web数据抽取技术研究初探

该文给出了数据抽取过程中需要的基本定义,描述了数据抽取所基于的页面生成模型。同时给出了EXALG+这种数据抽取方法的基本流程,并给出了这种方法的抽取流程图。     

基于数据区域发现的信息抽取规则生成方法

提出一种自动检测网页中数据记录结构特点并生成Web信息抽取规则的方法,以网页DOM树为基础,自动发现和分离Web数据区域所对应的DOM子树,将其分解为数据记录子树集合,综合数据记录子树的结构特点生成抽取规则。实验结果显示,该方法具有较高的抽取准确率和查全率。     

网页数据自动抽取系统

在Internet中存在着大量的半结构化的HTML网页。为了使用这些丰富的网页数据,需要将这些数据从网页中重新抽取出来。该文介绍了一种新的基于树状结构的信息提取方法和一个自动产生包装器的系统DAE(DOMbasedAutomaticExtraction),将HTML网页数据转换为XML数据,在提取的过程中基本上不需要人工干预,因而实现了抽取过程的自动化。该方法可以应用于信息搜索agent中,或者应用于数据集成系统中等。     

一种基于本体的异构数据语义抽取方法

针对领域科学数据异构多样、缺乏语义的问题,本文提出一种基于本体的异构数据语义抽取方法。首先,构建领域科学数据的语义抽取框架,并在此基础上分别针对结构化、半结构化以及非结构化数据制定相应的语义转换与抽取规则,形成局部领域本体;然后,通过异构数据间的关联映射,构建领域数据的全局本体,实现异构数据的有效组织与统一管理;最后,将相关方法应用到材料领域,为材料科学数据的有效管理与共享服务提供支撑。     

基于HTML结构的Web文本主题挖掘研究

随着数据挖掘应用的深入,非结构化和半结构化数据的挖掘,将成为下一个数据挖掘应用的热点。文本挖掘是一种典型的非结构化数据挖掘,而Web挖掘则是典型的半结构化数据挖掘。所以将信息处理技术中的汉语分词、信息抽取、语义分析等技术应用到Web挖掘研究技术是必然的发展趋势。本文根据Web挖掘的特点,运用数据抽取进行数据结构转换并把语义分析技术应用到数据抽取的过程中的思想,以便使数据提取更加准确。     

RMINE: A Rough Set Based Data Mining Prototype for the Reasoning of Incomplete Data in Condition-based Fault Diagnosis

Condition-based fault diagnosis aims at identifying the root cause of a system malfunction from vast amount of condition-based monitoring information and knowledge. The needs of extracting knowledge from vast amount of information have spurred the interest in data mining, which can be categorized into two stages data preparation and knowledge extraction. It has been established that most of the current data mining approaches to fault diagnosis focus on the latter stage. In reality, condition-based monitoring data may, most of the time, contain incomplete, or missing data, which have an adverse effect on the knowledge or diagnostic rules extracted. Several approaches to deal with missing data can be found in literature. Unfortunately, all of which have serious drawbacks. In this paper, a novel approach to the treatment of incomplete data is proposed for the data preparation stage, while a rough set based approach has been developed to pre-process the data for the extraction of diagnostic rules. The two-stage data mining technique is implemented into a prototype system, RMINE, which also possesses a self-learning ability to cope with the changing condition-based data. A real industrial case study of a pump system is used to demonstrate the fault diagnosis process using RMINE. The result has shown the potential of RMINE as a general data mining prototype to condition-based fault diagnosis.