数据挖掘技术在信息学奥赛学员选拔中的应用

数据挖掘中关联规则的应用,本文介绍了数据关联规则的基本概念,利用关联规则从学生成绩,毕业学校,兴趣爱好等信息中提取有用信息作为信息学奥赛学员选取的依据。     

基于Apriori 数据挖掘算法的应用与实践

精准教育从诞生之初就受限于技术发展缓慢,随着信息技术的大力发展,教学管理系统,学生自主学习APP系统,基于微信学习平台的广泛应用,促使数学课程教育方面数据快速增长,使得学生的学习的行为,过程,状态,练习结果,成绩等成为可以被信息技术自动抓取的数据存在,这样使得获取精准教学的测量数据更为便捷和有效。首先分析了数学课程教学活动中存在的问题,然后对信息化教学模型构建进行了分析。以大数据中Apriori算法为主要思想,设计了基于学生数学学习效果提示和老师教学效果预测功能的数据挖掘系统,实现了对可能学习效果不理想的学生和可能教学方向不精准的老师的及早提示,同时可避免学生教师过度重复已掌握很好的知识,精准定位每位学生薄弱环节并加以改进,既可减轻师生负担,又可提高教学效果。     

改进数据挖掘算法在入侵检测系统中的应用

针对已有检测机制存在的对于未知攻击行为无能为力、漏报率较高、检测效率低以及缺少规则库自动扩充机制等问题,结合数据挖掘技术的相关知识,设计了基于数据挖掘的改进网络入侵检测系统模型。模型中选取聚类分析K-means算法和关联规则挖掘Apriori算法,并对其进行改进。用改进的K-means算法实现正常行为类及数据分离模块,用改进Apriori算法实现规则库的自动扩充功能,并通过实验验证了两个算法的功能。     

改进模拟退火算法在数据挖掘中的应用

数据挖掘的目标是处理大量的数据,从中提取知识.对模拟退火算法进行改进并应用于数据挖掘中.实验证明,在对数据进行聚类分析时算法体现其有效性,可以获得较好的聚类结果.     

Apriori算法在银行系统数据挖掘中的应用

对网上银行系统的数据进行了预处理,完成了关联规则的分析,给出了关联规则数据挖掘过程。根据设定的挖掘目标在Weka平台上采用Apriori算法对银行系统的数据进行了数据挖掘。结果表明,挖掘出的关联规则达到了预定要求,对其他相关领域的数据挖掘有一定的研究价值。     

Apriori算法在广播电视发射故障诊断中的应用

探讨了Apriori这一数据挖掘经典算法在广播电视发射故障诊断中的应用。介绍了数据挖掘的提出背景和建模过程,分析了关联规则和经典的Apriori算法的含义及流程,总结了广播电视常见的发射故障,并基于Apriori算法对一个广播电视发射故障的案例进行了分析。     

机器学习算法在数据挖掘中的应用

笔者围绕机器学习算法在数据挖掘中的应用展开探讨,首先阐述了机器学习及数据挖掘技术,进而分析了朴素贝叶斯算法、K-近邻法等相关原理,最后对机器学习算法在数据挖掘中的应用,如以机器学习算法为基础的GSM网络在定位中的应用、在改进BP神经网络中的应用等进行分析,希望能够为提高数据挖掘的整体性能提供参考。     

改进的Apriori算法在电子商务推荐系统中的应用

针对目前电子商务的推荐系统不能适用于中小电子商务网站,文章使用改进的Apriori算法对电子商务交易事务数据库中的数据进行挖掘,首先对不同类的事务数据库中的最小支持度和最小置信度阈值进行区分设置,寻找最优值;然后对事务数据库中的数据进行稀疏性设置,转换成稀疏性矩阵的形式,以加快算法的执行效率,并每次都对与候选集中无关的项进行删除,再扫描修剪后的稀疏性矩阵,这样进一步提高挖掘效率。最后通过以某中小洁具用品电子商务网站的交易数据为对象,给出详细的操作方法和实验结果。     

数据挖掘技术在选课系统中的应用

数据挖掘是从海量数据中找出潜在的、对用户有用信息的过程。将数据挖掘技术中的关联规则应用到选课系统,对历届学生选课成绩库进行挖掘,找出其中潜在的有用信息,找出不同课程之间的相关性,为教学工作人员指导学生选课提供有效的帮助。     

数据挖掘中的K-means算法及改进

从数据挖掘的基本概念入手,逐步深入分析本质,并且对k-means进行探讨,对其中的聚类中心的方法进行了改进。     

数据挖掘中自我学习算法研究

随着我国现代化的迅速发展,伴随着快速发展的脚步其数据也越来越多,如何处理这些数据成为了越来越受人关注的问题。因为大数据多,种类复杂的特征,使得数据挖掘越来越重要,而自我学习可以对数据进行分析,并找出其相关模式,因此在商业领域应用广泛。本文主要就是研究数据挖掘中的自我学习算法,了解自我学习算法的特征,并分析在实际中可以应用到哪些领域。     

一种高效的混合压缩数据挖掘算法*

针对基于垂直数据格式的关联规则挖掘算法在频繁项集查找过程中,需要在内存中保存大量的事务标志列表,有限的内存容量将成为此类算法的最大瓶颈,提出了一种新的混合压缩算法—HC-DM算法。实验结果表明,将HC-DM算法与dEclat算法相结合,再加上排序步骤,可以显著减少频繁项集挖掘过程中的内存使用量。     

数据挖掘技术在漏洞扫描系统中的应用研究

首先介绍了漏洞扫描和数据挖掘技术的相关知识,然后在此基础上提出了一个数据挖掘技术在漏洞扫描系统上的应用模型,并采用遗传算法与神经网络相结合的方法对系统进行了优化仿真实验,最后对其应用前景进行了展望。     

数据挖掘中聚类算法研究进展

聚类分析是数据挖掘中重要的研究内容之一,对聚类准则进行了总结,对五类传统的聚类算法的研究现状和进展进行了较为全面的总结,就一些新的聚类算法进行了梳理,根据样本归属关系、样本数据预处理、样本的相似性度量、样本的更新策略、样本的高维性和与其他学科的融合等六个方面对聚类中近20多个新算法,如粒度聚类、不确定聚类、量子聚类、核聚类、谱聚类、聚类集成、概念聚类、球壳聚类、仿射聚类、数据流聚类等,分别进行了详细的概括。这对聚类是一个很好的总结,对聚类的发展具有积极意义。     

挖掘数据流近似频繁项的改进算法

数据流的无限性、连续性和速度快等特点,使得挖掘出所有准确的数据流频繁项通常是不可能的.算法的空间复杂度和时间复杂度通常是评价频繁项挖掘算法优劣的两个主要度量.通过引入局部性原理改进数据流近似频繁项的挖掘算法,该算法的空间复杂性为O（1/ε）,数据流每个数据项的最坏处理时间是O（1/ε）,其最好处理时间是O（1）,输出结果的频率值误差为∑_(i=2)^j（1-μ_i）×k_i。     

人工免疫数据挖掘方法的分析与研究展望

目前,受生物免疫系统启发而产生的人工免疫系统正在兴起,它作为计算智能研究的新领域,提供了一种强大的信息处理和问题求解范式,简要介绍了生物免疫系统的结构和相关机理。对人工免疫系统在数据挖掘方面的应用进行了回顾,分析了近年来AIS在数据挖掘应用领域的研究成果,指出了进一步的研究方向。     

基于权重的流数据频繁项挖掘算法的应用

针对Lossy Counting算法,即一个基于计数的确定性方案,提出一种新的基于权重的流数据频繁项挖掘算法(Lossy Weight),扩展了流数据频繁项的作用域.Lossy Weight算法不仅可用于传统的基于计数的频繁项挖掘,还可以挖掘出在整个流数据中所占权重比重大于门槛值的数据.实验数据分析证明该方案是有效的.     

改进的多数据流协同频繁项集挖掘算法

针对已有的多数据流协同频繁项集挖掘算法存在内存占用率高以及发现频繁项集效率低的问题,提出了改进的多数据流协同频繁项集挖掘（MCMD-Stream）算法。首先,该算法利用单遍扫描数据库的字节序列滑动窗口挖掘算法发现数据流中的潜在频繁项集和频繁项集;其次,构建类似频繁模式树（FP-Tree）的压缩频繁模式树（CP-Tree）存储已发现的潜在频繁项集和频繁项集,同时更新CP-Tree树中每个节点生成的对数倾斜时间表中的频繁项计数;最后,通过汇总分析得出在多条数据流中多次出现的且有价值的频繁项集,即协同频繁项集。相比A-Stream和H-Stream算法,MCMD-Stream算法不仅能够提高多数据流中协同频繁项集挖掘的效率,并且还降低了内存空间的使用率。实验结果表明MCMD-Stream算法能够有效地应用于多数据流的协同频繁项集挖掘。     

改进的量子遗传算法及其在测试数据生成中的应用

针对测试数据自动生成中收敛速度不够快的缺点,提出一种改进的量子遗传算法(IQGA),其对量子遗传算法的主要改进是：1)在个体更新时,对个体的某一位取反,将取反后的个体用于指导下一代个体的进化;2)对测量后的二进制个体进行变异,而不是传统的互换量子比特的概率幅。将IQGA用于测试数据生成,通过对三个基础程序进行实验,结果表明IQGA在覆盖率和迭代次数两个方面都优于传统量子遗传算法。IQGA不仅能保证种群朝着正确的方向进化,同时有效地避免了早熟现象,能以更快的速度搜索到目标解。