基于移动代理的分布式知识发现模型设计

KDD模型的研究是数据挖掘领域中的一个重要分支.在移动Agent技术被引进知识发现领域后,使得知识发现过程具有了智能性,但也存在着一些问题,例如:由于网络故障、服务设施故障、长时间停机等情况使得移动被破坏和失败.基于以上考虑,文章设计了一个基于移动Agent的分布式知识发现模型,利用一个暂存机制确保了移动Agent的可靠性.     

知识发现和数据挖掘及其在油田生产辅助决策中的应用

知识发现（KDD)与数据挖掘(DataMining)是一个飞速发展的领域，随着方法和技术手段日趋丰富，应用也更加广泛深入。本文简论了数据挖掘与知识发现技术及其特点、结合采掘系统原型框架探讨了数据采掘技术在油田生产辅助决策中的应用。     

KDD在入侵检测中的应用

KDD技术在入侵检测中的应用以及如何建立一个基于数据挖掘的入侵检测模型。提出了对安全审计数据进行智能化处理的过程和方法。     

基于Agent的知识发现模型的设计

ＫＤＤ（ｔｈｅ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅ）模型的研究是数据挖掘领域中的一个重要分支,现有的一些模型各有其优势,但又不是完美的,尤其在智能性方面都表现得较差。文章设计了一个基于Ａｇｅｎｔ的智能数据挖掘系统,利用多智能体技术实现了信息的收集、预处理、查询、知识的自动提取、数据挖掘等功能,使整个挖掘过程实现了知识性、智能性,它可以为智能信息系统提供必要的支持。     

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     

一种基于关联分析的铝电解生产辅助控制方法*

通过关联分析对生产过程中积累数据的处理,可以得出客观知识,这些知识有益于领域专家的相关研究以及指导生产。基于双库协同机制的KDD*过程模型,是基于认知心理的创建意象和心理信息修复特征建立的新型数据挖掘模型,它实现了系统自主发现知识短缺和进行知识库的实时维护,使两个协调器协同工作,将协调器及双库协同机制融入经典的KDD过程模型。基于该模型,提出了一种新的辅助控制电解铝生产的方法,并通过现场实验说明其有效性。     

计算智能方法在KDD系统中的应用与研究

该文论述了KDD系统中计算智能方法的性质和特点,并且提出了神经网络和遗传算法技术在具体的数据挖掘过程中的应用模型,另外,从精确性、鲁棒性等方面对算法的优劣进行了比较。     

数据挖掘技术在税务稽查选案中的应用

数据挖掘,也可以称为数据库中的知识发现(Knowledge Discovery in Database,KDD).决策树是数据挖掘的一个重要的技术.本文尝试把数据挖掘的方法和技术,通过实现SLIQ算法把该技术应用到税务稽查的计算机选案的途径.     

基于数据挖掘的多Agent智能 入侵检测系统研究

本文在传统IDS的基础上,充分利用了数据挖掘技术中的知识发现、模型生成和Agent技术的智能性、主动性、移动性,提出了基于数据挖掘的多Agent智能入侵检测系统DAIIDS。     

数据挖掘及其工具的合理选择

本文给出了基于数据库的知识发现（KDD）的核心——数据挖掘,通过对数据挖掘的实现过程和种类的分析,给出了数据挖掘工具的合理选择标准．为充分利用数据挖掘工具提供了参考。     

利用数据库知识发现(KDD)技术构建新型质谱解析专家系统

通过在数据预处理,知识获取,知识库管理等模块中利用中断控制器和启发控制器把KDD有机集成起来,融合成一种新的专家系统结构,从而使系统能从海量数据库信息中提取蕴涵的知识来对知识库进行补充和核对。利用系统提供的KDD算法对NIST62质谱库进行分析,结果表明该系统具有较普通专家系统更强的解决实际问题的能力。     

基于信息挖掘与推拉技术的IDSS的研究

该文在分析传统的决策支持系统所存在问题的基础上,提出了新一代基于信息挖掘与推拉技术的智能决策支持系统,概述了该系统中所使用的基于双库协同机制的KDD技术、Web内容挖掘技术、Web用户访问信息挖掘技术及信息推-拉技术等。     

知识发现在农业生产中的应用研究

文章通过对基于数据库的知识发现系统(KDD)的研究,提出了双库协同机制,它改变了KDD的结构、运行过程与机制,形成新的知识发现系统KDD。将该发现系统应用于农业领域,为合理地指导农业生产提供了科学的决策,因而具有重要的理论意义和实用价值。     

New construction for expert system based on innovative knowledge discovery technology

Knowledge acquisition is the bottleneck of expert system. To solve this problem, KD (D&K), which is a comprehensive knowledge discovery process model cooperating both database and knowledge base, and related technology are proposed. Then based on KD (D&K) and related technology, the new construction of Expert System based on Knowledge Discovery (ESKD) is proposed. As the key knowledge acquisition component of ESKD, KD (D&K) is composed of KDD* and KDK*. KDD*—the new process model based on double bases cooperating mechanism; KDK*—the new process model based on double-basis fusion mechanism are introduced, respectively. The overall framework of ESKD is proposed. Some sub-systems and dynamic knowledge base system are discussed. Finally, the effectiveness and advantages of ESKD are tested in a real-world agriculture database. We hope that ESKD may be useful for the new generation of expert systems. Supported by the National Natural Science Foundation of China (Grant No. 69835001), the Ministry of Education of China (Grant No. [2000] 175), and the Science Foundation of Beijing (Grant No. 4022008).     

基于信息挖掘的智能决策支持系统的多智体结构设计

该文讨论了基于信息挖掘的智能决策支持系统IDSSIM的总体结构模型和各子系统功能描述。将领域专家的知识获取、推理机制、KDD挖掘和WEB挖掘有效地融入智能决策支持系统中,从而形成了一类具有双网、六库、综合集成、多层递阶和模型驱动的新型智能决策支持系统。     

一种基于遗传算法的知识挖掘算法

数据挖掘是近年来数据库领域中出现的一个新兴研究热点。传统的数据挖掘是从大量数据中获取知识。该文基于遗传算法提出了一种新的知识获取方法－ＧＡＫＤＫ,通过对知识树的交叉交异操作,从现有规则中获取未发现的知识。     

源于信息挖掘的新型智能化决策支持系统

阐述了以结构化数据和复杂类型数据挖掘为主要内容的信息挖掘技术。采用7库(模型库、综合知识库、数据库、方法库、文本库、日志库、多媒体库)与双网(Internet、Intranet)相结合的体系结构,以信息挖掘技术为核心,提出源于信息挖掘的新型智能化决策支持系统(IDSSIM)。旨在解决决策支持系统对半结构化数据、非结构化数据的挖掘处理能力,使之适应目前信息源的多样型和动态变化性的特点,提供更加丰富的决策信息。     

数据挖掘技术在生源分析中的应用研究*

对数据挖掘技术在生源分析中的应用进行了初步的探讨,目的是从大量的学生数据库中提取人们感兴趣的数据信息。建立一个基于数据挖掘的生源分析模型,包括数据预处理、算法的选择、创建数据挖掘模型、挖掘结果的分析处理以及结果可视化等。     

一种分布式智能多主体决策支持系统模型

现代大型企业的经营活动通常分布在很大的地理范围内，甚至分布于整个世界。而在诸如商业、金融、管理等复杂领域建立决策支持系统(DSS)又需要综合考虑各种数据和知识模型，以及在该领域中发生的专业认知过程的推理模式。由此，本文提出一个分布式多主体DSS(MADSS)结构，它整合了不同类型的知识表示，并且具有任务导向的学习功能。在这个模型中，此系统由分布在各地的本地子系统组成，而子系统是基于多主体技术建立的，具有独立性和协作性。子系统由各种具有不同功能和能力的主体组成。主体具有基于用例的推理(CBR)能力和任务导向的学习能力，后者主要是通过KDD技术使其及时的在企业的数据库中挖掘有用的规则，并且通过知识评价机制提升学习结果的正确性。最后，我们用一个银行贷款受理的例子来说明这个模型。