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。     

KDD：数据库中的知识发现

一引言 随着数据库技术的不断发展及数据库管理系统的广泛应用,数据库中存储的数据急剧增大。但目前数据库系统所能做到的只是对数据库中已有的数据进行存取,人们通过这些据所获得的信息量仅     

关系数据库中的模糊知识发现

本文提出用部分量词和模糊谓词来表示模糊知识这一方法，在简要介绍数据抽象这一关系数据库中知识发现的方法后，详细描述了该方法中对模糊性问题的处理方法．     

知识发现及其应用研究回顾

介绍了知识发展的背景,描述了知识发现的发展过程,知识类型,所使用的数据库,重点介绍知识发现在各个领域的应用如：农业,医学,环保,天文,金融,零售,军事,Internet等。     

数据库中发现知识的方法

本文介绍了从数据库中发现知识的含义，讨论了ＫＤＤ中发现知识的基本方法。     

农业数据库中知识发现的研究

1.引言数据库中的知识发现KDD(Knowledge Discoveryin Database)是近年来随着人工智能和数据库技术的发展而兴起的研究领域。它是从大量的数据中提取出隐含的、先前未知的、平凡的、具有潜在应用价值的信息或模式,如知识规则、约束、规律等。KDD主要采用机器学习算法、统计方法进行知识学习,一般将KDD中进行知识学习的阶段称为数据挖掘。KDD作为数据库和信息建设领域的前沿研究领域,已成为各重要科     

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。     

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。     

GIS中的知识发现研究

本文从介绍有关数据库中知识发现的技术入手，探讨了从ＧＩＳ中发现知识的方法。     

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。     

数据库中的知识发现在飞行器故障诊断中的应用

论文提出了在大型数据库中,为飞行器故障诊断的KDD故障诊断树和知识演变模式。其思想是在飞行器工程领域中,创建故障诊断树和基于知识演变的系统。这种知识演变模式提供了同步和交互进行的两种处理模式:数据挖掘处理和优化处理。在基于知识演变模式中,数据挖掘处理在信念空间层进行符号推理,而优化处理在整体空间层进行查询。这些模式和故障诊断树都是为快速查找飞行器故障服务的,可以有效地提高飞行器试验的成功率。     

数据库中知识发现的软件设计

本文讨论了数据库中知识发现KDD（KnowledgeDiscoveryinDatabases）的抽象模型和应用，描述了一种KDD方法实例。该方法与领域知识密切结合，借鉴了模式识别的有关知识，实现了友好的人—机界面。     

事件序列中的知识发现研究

事件的序列是数据的一种常见形式,其中的知识发现问题是近年来ＫＤＤ的一个活跃的研究领域。本文首先给出了事件序列中知识发现问题的形式描述和框架算法,然后讨论了数据库中发现大序列的问题,具体描述了发现数据库中大序列的算法。     

数据库中知识发现的处理过程模型的研究

1 前言数据库中的知识发现KDD(Knowledge Discov-ery in Database)是近年来随着数据库和人工智能技术的发展而出现的,它是从大量数据中提取出可信的、新颖的、有效的并能被人理解的模式的高级处理过程。它主要采用机器学习算法或统计方法进行知识学习,一般将KDD中进行知识学习的阶段称为数据挖掘(Data Mining)。数据挖掘是KDD中的一个非常重要的处理步骤。人们往往不加区分地使用两者。一般来说,在工程应用领域多称数据挖掘,而在研究领域人们则多称为数据库中的知识发现。人们进行的关于KDD的研究是为了将知识发现的研究成果应用于实际数据处理中,为科学的决策提供支持。正是因为这样,目前所进行的关于     

数据采掘与知识发现：回顾与展望

如何大规模数据库中发掘深层次的知识和信息，而不仅仅是那些从传统数据库查调方法所获得的平凡内容，这方面的研究正受到越来越多的关注。     

基于数据库的知识发现系统设计与实现

文章分析了知识发现和数据开采的关系及研究现状,针对数据开采面临的挑战,给出了参照ChristopherM．的KDD参考模型设计的基于数据库的知识发现系统的体系结构和多数据源数据获取的数据库接口设计。该系统能从多数据源获取数据或通过数据产生器产生数据,并能从这些数据中抽取信息,如能自动生成复合公式。     

知识当现方法的比较研究

1 引言从已有信息中发现模式或规律是信息处理技术的本质所在。长期以来,为了实现这个目标人们从不同领域、不同角度提出各种方法。典型的如:从数学角度提出的数理统计方法、从模拟生物神经结构角度提出的神经网络技术、从知识角度提出的机器学习方法等。与上述方法不同的是,KDD并不是研究某种具体的方法,而是根据用户的需要和领域的特点,利用已有的技术形成一个完整的系统,在有限的计算资源下从大型数据库中自动地发现知识。因此我们认为,KDD着重于系统的实用性,其主要目的是使上述方法适用于大型数据库以及根据领域特性适当地利用它们。     

数据库知识发现(KDD)技术在质谱解析中的应用

通过运用数据库知识发现（ＫＤＤ）技术对谱图数据库中数据属性间的相关性，Ｂｅｙｎｏｎ表和醇的质谱特性等方面进行了研究，使我们对质谱库有了更进一步的认识，为构建质普智能解析系统的知识库和质谱解析的智能化打下了良好的基础。     

基于时序逻辑的时序数据库中知识发现方法

知识发现是一个众多学科诸如人工智能、机器学习、模式识别、统计学、数据库和知识库、数据可视化等相互交叉、融合所形成的一个新兴的且具有广阔应用前景的领域。目前国际上对知识发现的研究与开发进展很快。众多现实世界(如天气预报、电信、金融)的数据库中数据都是随时间变化的,即数据具有时序性。目前,时序数据库中的知识发现问题正逐渐引起KDD研究者的兴趣。本文首先给出时