数据挖掘及其应用

从数据库的应用发展方面，描述了数据挖掘的概念，讨论了数据挖掘的主要算法，给出了数据挖掘的应用概况及其实例．     

数据挖掘及其应用

从数据库的应用发展方面,描述了数据挖掘的概念,讨论了数据挖掘的主要算法,给出了数据挖掘的应用概况及其实例．     

数据挖掘在电力系统中的应用

数据挖掘是当前信息化领域的热点,它在电力系统中已获得初步应用.介绍了当前数据挖掘技术发展的现状和数据挖掘的过程,结合电力系统的数据挖掘特点,分析了数据挖掘在电力系统的应用现状及前景.     

数据挖掘在医保系统中的应用

随着计算机技术的不断发展,计算机管理已经逐渐步入各个行业,而职工福利待遇体系中十分重要的医疗保险行业则更为迫切的需要借助计算机对繁杂的日常事务进行处理。本文中的医疗保险系统就是计算机技术在医疗保险行业的一次应用,并且将模糊数据挖掘应用到该系统中,也是数据挖掘技术在医疗保险领域应用的一次尝试。     

数据挖掘领域中的聚类方法

聚类算法是数据挖掘中的核心技术，随着对聚类算法广泛深入的研究，产生了许多不同的适用于数据挖掘的聚类算法；文章从算法的角度论述了如何在数据挖掘中进行聚类分析，并通过基于评价聚类算法好坏的8个标准，对数据挖掘中近几年提出的常用聚类方法作了比较分析，以利于人们更容易、更快速的找到一种适用于特定问题的聚类算法．     

数据挖掘技术及其应用

本文介绍了数据库技术的现状,数据挖掘的方法以及它在Ｂａｙｅｓｉａｎ网建网技术中的应用：通过数据挖掘解决Ｂａｙｅｓｉａｎ网络建模过程中所遇到的具体问题,即如可大从规模数据库中寻找各变量之间的以及如何确定条件概率问题。     

数据挖掘技术在故障诊断中的应用

数据挖掘技术是当今计算机信息技术的一项新兴技术,它综合运用了人工智能、计算智能、模式识别、数理统计等先进技术,从大量数据中挖掘和发现有价值和隐含的知识。研究了数据挖掘的主要方法和它在故障诊断中的应用。     

数据挖掘中聚类算法的比较研究

数据挖掘算法是数据挖掘的核心部分.对数据挖掘中的聚类算法进行了较详细的比较研究.     

数据挖掘在甘蔗种植户信息分析中的应用

应用数据挖掘中的模糊聚类分析方法,从甘蔗种植户数据集中提取种植户的分类知识,得到具有不同种植行为特征的种植户群组,有助于制糖企业了解种植户的分布情况及有针对性地进行种植户行为特征分析,以制定相应的鼓励策略,调动种植户的积极性,使甘蔗种植得到扩大。     

粗糙集在数据挖掘分类规则中的应用研究

数据集中的冗余性会降低数据挖掘结果的解释能力和精度，介绍了数据集中挖掘分类规则的基本原则，并利用粗糙集理论中核及决策类覆盖的概念，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，并简化带有不同相容规则的决策系统的数据挖掘算法，并应用一简单的例子说明如何在数据库中发现分类规则。     

数据挖掘技术在网络教学系统中的实践研究

通过《多媒体技术应用》网络课程开发中数据挖掘技术功能分析,研究了数据挖掘技术的分类方法、聚类方法、关联规则等在网络教学系统中应用,及两者融合的总体设计方案。     

数据挖掘中的聚类分析方法研究

随着数据挖掘研究领域的蓬勃发展,作为该领域中一个活跃的研究课题的聚类分析也取得了丰硕的成果.本文中分析了聚类分析的概念和分类,并且列举并分析了聚类分析中的经典算法,希望能为相关的研究提供一定的借鉴.     

基于聚类的离群数据挖掘及应用

介绍了离群数据挖掘的基本概念，全面分析并总结了离群数据挖掘研究的历史与现状，以及离群数据挖掘的几类方法，并对一些典型方法进行了分析和评价，指出传统方法的优点和不足，展望了今后的研究工作。     

数据挖掘在学生校内活动情况分析中的应用

以一个J2EE框架下的"学生校内活动情况分析系统"为例,通过从校园一卡通中提取数据进行分析和研究,展现了数据挖掘技术在研究学生校内活动情况、学生行为分析中的应用,为学校的教学与管理提供了决策依据。主要介绍了"学生校内活动情况分析系统"实现的核心模型。首先利用K-means算法对学生进行分类,然后对已分类的学生人群使用Apriori算法进行关联规则挖掘。对挖掘出的关联规则又进行了详细的分析,进一步验证了系统的有效性。     

Boosting算法及其在化学数据挖掘中的应用

Boosting算法是近年来在机器学习领域中一种流行的用来提高学习精度的算法。以A daBoost.M 1为例对Boosting算法进行简单的介绍,指出了它的特点,论述了它在化学数据挖掘中的应用现状,并对Boosting算法在化学数据挖掘中的未来研究思路进行了讨论,为Boosting算法的推广与应用提供借鉴。     

数据挖掘技术及其在营销中的应用

对数据挖掘这一新兴数据分析技术进行了综述,阐述了数据挖掘产生的背景及其定义、任务和过程,论述了几种常用的数据挖掘算法,并给出了数据挖掘技术在营销中的应用实例。     

数据挖掘中聚类算法比较研究

聚类算法是数据挖掘中的核心技术,虽然聚类算法已被广泛深入的研究,但其应用在数据挖掘领域时间不长,其间产生了许多不同的适用于数据挖掘的聚类算法,但这些算法仅适用于特定的问题及用户、为了更好的使用这些算法,综合提出了评价聚类算法好坏的5个标准,基于这5个标准,对数据挖掘中近几年提出的常用聚类方法作了比较分析,以利于人们更容易、更快速的找到一种适用于特定问题的聚类算法。     

基于WEB的数据挖掘技术及其应用

为了快速准确的找到数据库中有用的信息和知识,利用数据的挖掘技术对数据进行分析,WEB中的数据挖掘技术及应用非常重要。主要通过介绍数据挖掘技术来引出WEB的数据挖掘技术,并对WEB的数据挖机技术及其应用进行研究与探讨。     

数据挖掘中Fuzzy c—means的自适应聚类算法

聚类算法是数据挖掘算法中的重要解决方法。针对现有聚类算法模糊c均值算法FCM中的不足,如需要预先确定聚类参数c,随机性较强、局部最优等弱点,对其算法结构加以改进,提出模糊c均值自适应算法（FCMA),增加聚类有效性问题的分析,在聚类过程中可动态调整聚类数目,这种方法可以避免在确定参数时的随机性和经验性,提高聚类算法的可靠程度。     

一种混合聚类算法及其应用

通过分析基于网格与基于密度的聚类算法特征,提出了一种基于网格和密度的混合聚类算法,通过分阶段聚类并选取代表单元中的种子对象来扩展类, 从而减少区域查询次数,实现快速聚类。该算法保持了基于密度的聚类算法可以发现任意形状的聚类和对噪声数据不敏感的优点,同时保持了基于网格的聚类算法的高效性,适合对大规模数据的挖掘。实验数据分析验证了算法的有效性,对数据挖掘应用于设备状态监测和故障诊断具有指导意义。