用语言云模型发掘关联规则

该文提出用语言云模型用于KDD中知识表达和不确定性处理,引入了多维云模型作为一维模型的扩展.语言云的数字特征量将语言值的模糊性和随机性用统一的方式巧妙地综合到一起,基于云模型的概念层次结构可以跨越定量和定性知识之间的鸿沟.为了发现强关联规则,属性值要在较高的概念层上泛化,同时允许相邻属性值或语言项间有重叠.这种软划分可以模仿人类的思想,使发现的知识具有稳健性.将基于云模型的泛化方法与Apriori算法结合起来,从空间数据库中发掘关联规则.试验显示了其有效性、高效性和灵活性.     

FCC油品质量指标智能监测系统的数据挖掘与修正技术

为使ＦＣＣ油品质量指标智能监测系统更加有效地实时预测从人平行 的汽、柴油重要质量指标,本文利用模糊匹配技术和计算机网络技术,建立了基于稳定历史工竞的数据挖掘及修正子,并在实际生产装置中稳定运行结果表明,该子系统能更加有效、对稳定汽油蒸汽压、粗汽油干点和轻柴油凝点进行实时修正,从而提高了ＦＣＣ油品质量指标明监测系统的预测精度和运用水平。     

基于Web数据采掘的个性化远程教学树

为了高效地建立个性化远程教学树,本文分析了朴素个性化算法的不足,提出了多层Ｗｅｂ访问对象概念,并给出了形成多层主题树的算法、通过个性化数学据采掘,建立了个性化远程数学树,最后通过实验验证了算法的有效性。     

一个混合特征属性选择算法

1.引言特征属性选择(feature attribute selection,FAS)是机器学习和模式识别中比较困难而又非常有意义的一个问题。FAS问题是从一个大的侯选属性集合中选择一个较好的、有代表性的属性子集。由于在实际应用中,过多的属性会严重影响归纳学习的质量,一些不必要的属性会加大训练数据量,影响学习速度,损害所生成规则的精度,因此FAS是一个有实际意义的问题。     

面向数据挖掘的时间序列聚类方法研究

一、引言自然界以及我们社会生活中的各种事物都在运动、变化和发展着,将它们按时间顺序记录下来,我们就可以得到各种各样的“时间序列”数据。对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此作出科学的决策具有重要的现实意义。     

数据挖掘中的三维缩减

1 引言在知识发现和数据挖掘技术的实际应用中,为了对大规模数据库进行高效处理,通常采用数据缩减的预处理方法。数据缩减(又称数据浓缩)就是将原始数据转换到某种更加紧凑形式而又不丢失有意义的语义信息的过程。有效的数据缩减方法不仅能显著削减数据量,提高知识发现效率,而且还可以简化学习获得的     

Web数据挖掘

Web Mining is an important branch in Data Mining.It attracts more research interest for rapidly developing Internet. Web Mining includes(1)Web Content Mining;(g)Web Usage Mining;(3) Web structure Mining.In this paper we define Web Mining and present an overview of the various research issues,techniques and development efforts.     

炼油生产调度专家系统的应用研究

基于知识的优化设计应用于炼油化工厂,采用专家系统技术将生产中成功的经验和领域专家的知识组织起来,协调并参与数学规划建模过程,优化编排调度作业计划,并进行优化控制和管理.文章结合大型炼油厂的生产实际,探索智能化的管控一体化的新模式.     

最小归纳依赖关系在采掘聚类关联规则中的应用研究

数据集中的冗余属性会降低数据采掘结果的解释能力及精度。该文介绍了在非项目集类型的数据集中采掘聚类关联规则的基本原理,并利用RoughSet理论对属性间的归纳依赖关系进行了分析,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系的算法,使采掘出的关联规则的精度及解释能力都达到令人满意的水平。     

Incremental mining of the schema of semistructured data

Semistructued data are specified in lack of any fixed and rigid schema,even though typically some implicit structure appears in the data.The huge amounts of on-line applications make it important and imperative to mine the schema of semistructured data ,both for the users(e.g.,to gather useful information and facilitate querying)and for the systems (e.g.,to optimize access).The critical problem is to discover the hidden structure in the semistructured data.Current methods in extracting Web data structure are either in a general way independent of application background,or bound in some concrete environment such as HTML,XML etc.But both face the burden of expensive cost and difficulty in keeping along with the frequent and complicated variances of Web data.In this paper,the problem of incremental mining of schema for semistructured data after the update of the raw data is discusses.An algorithm for incrementally mining the schema of semistructured data is provided,and some experimental results are also given,which show that incremental mining for semistructured data is more efficient than non-incremental mining.