基于数据立方体分块的多维关联规则挖掘

介绍了在数据立方体上对于不同可信度的数据进行分块的方法,阐述了基于数据立方体分块的多维关联规则挖掘的算法.     

Web日志挖掘中数据预处理技术的研究

在Web数据挖掘研究领域中,Web日志挖掘是一个极其重要的应用方面,而数据预处理技术在Web日志挖掘中又起到非常重要的作用.介绍Web日志文件的记录格式和Web日志挖掘预处理的一般过程,针对实际应用中遇到的问题提出一种解决方法,最后给出算法代码.     

基于数据资源的认知图挖掘方法

认知图(Cognitive Map,CM)是一种新型知识管理方法,具有直观的知识表达能力、强大的基于数字矩阵的推理机制等优点.但是,要充分展示CM的这些优点,首先必须获得正确的CM图.传统的获取CM图的方法(如问卷法、头脑风暴法、样本学习法等)常常借助专家经验,因其过分强调主观因素而忽视客观数据资源,容易导致信息丢失现象.为此,该文提出了一种基于客观数据资源来挖掘CM图的新方法,它主要由数据库初始化技术、权重系数优化方法、CM图的简化策略等组成.实验结果表明:该方法能挖掘出构成CM图的所有节点间的所有关系,并可针对这些关系间的重要程度对CM图作适当简化;与传统的方法相比,该方法所挖掘出的CM图具有更为丰富的信息.     

HTCLOSE:快速挖掘微阵列数据集中的频繁闭合模式

由于微阵列数据集行(样本)少列(基因)多的特征,使得采用传统列枚举方法对其进行频繁闭合模式挖掘较为困难.基于行枚举方法,提出超链接结构HT-struct,并基于该结构提出频繁闭合模式挖掘新算法HTCLOSE.算法采用深度优先搜索策略,结合高效的修剪技术和巧妙的链表组织技术,在时间和空间上均得到了优化.实验表明,HTCLOSE算法通常快于行枚举算法CARPENTER.     

基于群体智能的分布式数据挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已经成功地应用于旅行推销员,作业调度由选择等优化问题上,但用它解决数据挖掘问题还是一个新的研究课题,Parepinelli等人针对单一数据库提出了基于ACO的分类算法。该文提出了基于分布式数据库体系结构的ACO分类算法,采用了与Parepinelli算法不同的启发函数计算方法及信息素改变方法,模拟实验表示该方法是有效的。     

基于遗传算法的数据挖掘维度选择

文章首先介绍了遗传算法和数据挖掘的概念和相关理论,提出了使用遗传算法指导数据挖掘中的维度选择的方法。然后,以实际数据挖掘过程为例,对提出的方法进行了实际验证,取得了较好效果,最后对文章进行了总结并展望了下步工作。     

基于代理的分布式数据挖掘系统设计

提出了一在于代理的分布式数据挖掘系统,用来实现大容量的数据在分布式存放情况下的数据挖掘,因为本系统只传送数据挖掘的中间结果,所以大大减少了网络的数据传输量,并通过一个应用实例来加以说明。     

基于特征加权的分布式大数据相关性挖掘方法

针对传统方法存在计算时间较长,任务分配均匀程度较差的问题,提出基于特征加权的分布式大数据相关性挖掘方法.对软子空间进行聚类,根据特征加权的不确定性表示加权聚类中心,并求解权值.设计特征选择的技术框架对特征加权进行选择,依据特征空间搜索机制完成特征筛选.根据特征筛选结果运用MapReduce编程模型对数据簇的聚类中心进行...     

基于网格的分布式数据挖掘

针对分布式数据挖掘和网格计算的特点,本文详细分析了目前主流的几种网格体系结构,设计了一种基于开放网格服务架构的Web服务资源框架的分布式数据挖掘整体架构,通过应用描述了它们的具体数据挖掘流程。应用结果验证了该架构在网格环境下进行分布式数据挖掘的可行性和高效性。     

基于多Agent的分布式数据挖掘模型

论文分析了分布式数据挖掘的优势和所面临的问题,讨论了Agent对分布式数据挖掘性能的增强。又进一步提出了一个基于Agent的分布式数据挖掘形式模型,并结合数据挖掘方法和知识集成技术对该模型进行了深入的分析和讨论。     

基于CORBA的新型分布式数据挖掘体系结构研究

数据挖掘技术是当前国际上信息决策和处理技术方面最前沿的研究热点,而分布式数据挖掘系统则是数据挖掘技术中最具挑战性的课题之一。该文提出了一种基于软构件的分布式计算环境CORBA的新型分布式数据挖掘体系。该体系的突出特点是易于扩充性,良好的复用性和安全性,并且提出了新的知识评价结构。     

基于分布式数据挖掘的移动代理系统设计

从分布式数据挖掘系统入手，运用移动代理技术完成分布式数据挖掘中适配器、数据挖掘代理、数据库和用户之间的通信、程序调用和代码迁移。     

基于元胞自动机的分布式数据挖掘分类器

针对常用分类方法分类精度较低和内存消耗较高的问题,设计一种基于多吸引子元胞自动机（MACA）的模式分类器tsPCM,把它应用于分布式数据挖掘。通过改变MACA的描述方法,用依赖串和依赖向量将分类过程设计成两阶段,用遗传算法优化设计。实验结果表明tsPCM具有较高的分类精度和较低的内存消耗,分类复杂度由O（n^3）降低到线性级O（n）,具有较好的应用价值。     

基于知识网格的分布式数据挖掘

科学和工商业应用需要分析分布在各异构站点的海量数据。这就需要合适的分布式并行系统来存储和管理数据。网格为分布式数据挖掘和知识发现提供了有效的计算支持。文中在讨论知识网格体系结构的基础上,利用可视化网格应用环境VEGA实现了基于网格的分布式数据挖掘过程。