SVM在数据挖掘中的应用

随着数据库系统使用的普及,数据库的规模也越来越大,如何从海量数据库中挖掘出有用的信息以供企事业单位使用,已经越来越引起人们的兴趣。支持向量机（SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法,它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性能和较好的分类精确性。该文首先介绍统计学习理论和支持向量机的概念,然后进一步论述了SVM在数据挖掘中的应用。     

数据挖掘在石化企业中的应用

产量预测对于生产和销售部门是极其重要的。在石化企业中,由于影响主副产品关系的因素很多,产量很难预测。传统的机器学习方法在这个领域的应用存在着一些局限性。论文介绍了一种数据挖掘中的支持向量机方法,较好地解决了产量预测问题,同时也对生产优化有着一定帮助。文中首先介绍数据挖掘及其相关理论,重点阐述了支持向量机方法,接下来详细地介绍了问题求解过程。     

数据挖掘在股票价格组合预测中的应用

研究股票价格变化预测问题,股票价格受多种影响,导致具有突变性、非线性和随机性,单一预测方法只能描述股票价格部分变化规律,预测精度低。为提高股票价格预测精度,提出一种基于数据挖掘技术的股票价格组合预测模型。根据股票价格变化特点,首先对其线性变化规律进行建模预测,并对非线性变化规律进行建模预测,最后将两种预测结果进行融合,得到股票价格的最终预测结果。仿真结果表明,相对于单一股票价格预测模型,组合预测模型提高了股票价格预测精度,降低了股票价格预测误差,更加全面、准确反映了股票价格的变化规律,是一种有效、高精度的股票价格预测参考手段。     

数据挖掘技术在优化中药提取工艺中的应用

从中药提取工艺的历史数据中,挖掘确定提取参数的相关知识,用于指导工艺人员选择正交试验的影响因素及各因素水平。采用决策树ID3算法和支持向量分类算法,构建了提取次数的分类器;采用支持向量回归算法分别为提取时间和溶媒量建立了回归预测模型。实验结果表明,尽管ID3算法的结果可理解性较好,但支持向量分类算法有更高的精度;支持向量回归算法建立的预测模型是可靠的。     

数据挖掘在高校招生预测中的应用研究

高校招生人数准确预测问题,高校招生人数由于受到当前国家政策、社会需求、社会经济状态等因素综合影响,使招生人数变化存在非线性、复杂性。传统预测线性模型难以进行准确预测,预测准确率低。为了提高高校招生人数预测准确率,提出一种数据挖掘的高校招生人数预测模型。首先采用数据重构方法,获取多维高校历史数据,然后采用主成分分析对其进行处理,消除数据之间的重复信息,最后采用非线性预测能力强的支持向量机进行建模。采用某高校1994-2010年招生数据对模型的性能进行仿真,预测准确率高,证明建立的模型可以为高校招生未来人数预测提供参考。     

数据挖掘分类算法在入侵检测应用中的比较

针对当前入侵检测系统普遍存在的误报、漏报和缺乏自适应性问题,采用ODM的分类算法中的决策树分类算法、支持向量机分类算法、朴素贝叶斯算法和二元变量逻辑回归算法等四种重点技术对实验数据进行模型建立和测试．并通过对四种应用结果准确度的对比分析证明本文所采用的技术路线的可行性和生成结果的准确性．从中找出在实际应用中较为常用、直接、有效的和有一定通用价值的方法。     

数据挖掘分类算法在信号分类中的应用

信号是消息的载体,现代社会的信号种类繁多,分类复杂,对信号分类结果的要求也越来越高,用传统的方法对信号进行分类已经不再适用。数据挖掘(Data mining)是从大量数据中挖掘有趣模式和知识的过程,适合对大量的信号进行分类,为人们的工作提供便利。本文简述了数据挖掘分类算法在雷达信号、心电信号、音频信号和通信信号四种信号分类识别中的应用,介绍了信号分类的过程及其优缺点,找出信号分类识别的发展方向,为未来信号的分类识别研究奠定基础。     

数据挖掘技术在房地产客户关系管理中的应用研究

房地产行业的竞争越来越激烈,数据挖掘技术作为分析与辅助决策工具在房地产行业中的应用更加广泛.本文从应用角度出发,介绍数据挖掘技术的基本概念及常用的挖掘技术,从房地产市场基本分析及房地产客户分析中详细说明数据挖掘技术在房地产行业中的应用.     

数据挖掘技术在垃圾邮件检测中的应用

研究垃圾邮件检测准确性问题,提高网络安全。邮件特征具有高维、冗余量大,传统检测模型无法降低特征维数,冗余信息难以消除,导致计算时间长,空间复杂度大,垃圾检测正确率低等缺陷,为提高垃圾检测正确率,提出一种白名单和支持向量机相结合的两层垃圾邮件检测模型。采用聚类特征技术对特征进行聚类,降低特征维数,消除特征间冗余信息,将白名单检测技术作为垃圾检测系统第一道防线,检测已知地址垃圾邮件,支持向量机作为第二道防线,检测新的垃圾邮件,提高网络安全。采用垃圾邮件数据对模型性能进行检验,实验结果表明,两层垃圾邮件检测模型有效提高了垃圾邮件检测效率和正确率,为通信邮件管理提供了有效的手段。     

支持向量机在GDP回归预测中的应用研究

支持向量机是一种新的回归方法,介绍了基于支持向量机的回归建模技术,并应用于GDP的回归预测。GDP属性子集的特点是训练数据量比较少、含有稀疏数据。在转换、添加、下钻GDP相关属性的情况下对支持向量机的参数进行实验分析。实验结果显示支持向量机能很好的处理属性集的变化并得到很好的预测效果。     

数据仓库和数据挖掘技术在DSS中的应用研究

数据仓库和数据挖掘技术是目前信息技术研究的热点问题之一。介绍了数据仓库的特点、体系结构、联机分析处理及数据挖掘技术,讨论了如何在Microsoft SQL Server2000中将数据仓库和数据挖掘技术结合起来开发决策支持系统。     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

一个基于数据挖掘的环境质量预测系统

环境问题愈来愈受到人们的重视，现在积累了大量空气污染数据为空气质量日报预报提供了坚实的基础。大气环境预测系统Atosphere Environment Forecast System(AEFS)是采用数据挖掘技术开发的一个环境质量预报系统。该系统主要运用了粗集理论和在线分析处理技术，取得了较好的效果。     

Applying big data and stream processing to the real estate domain

ABSTRACT

In this paper, we propose an architecture that combines Big Data and Stream Processing which can be applied to the Real Estate Domain. Our approach consists of a specialisation of Lambda architecture and it is inspired by some aspects of Kappa architecture. As a proof of this solution, we show a prototype developed following it and a comparison of the three architecture quality models. Finally, we highlight the differences between the proposed architecture and similar ones and draw some future lines following the present approach.     

数据挖掘技术在高校管理决策中的应用

针对高校教育方式的灵活多样化和学生人数急剧增加与教学资源日渐紧张的矛盾,通过对数据仓库、数据挖掘技术和决策支持系统的研究,提出了基于数据挖掘技术的高校管理决策支持系统的设计方案,为高校决策提供科学的依据。该方案对建设科学合理的高校数据仓库,有效提高高校信息管理和数据利用的能力,加强高校管理决策的合理性和科学性,具有现实意义。     

数据挖掘技术在电信客户流失预警系统中的研究

在明确业务问题的基础上,筛选有效的输入数据和目标变量,并对输入变量各参数之间以及输入变量与目标变量之间进行相关性分析,选取有效的参数。在数据准备完成的基础上,利用Neural Network来建立预测模型,并给出预测结果,通过运行实际业务中的数据对模型进行评估。通过该模型预测可能流失的客户,并给出预警信号,以便企业做出经营决策,挽留有关用户,确保企业效益不受影响。     

数据挖掘在质量管理系统中的应用研究

以高密市质量技术监督局为例,探讨了基于SQL Server的数据挖掘在质量管理系统中的应用,提出了3种数据挖掘的应用模型以及一个数据挖掘系统.模型1是挖掘不同属性间的关联度,模型2预测产品在特定时段的质量水平,模型3根据企业属性对企业产品质量水平进行分类.该研究对于提高质监部门的现代管理水平有一定的指导与参考意义.     

一种增量更新算法在数据挖掘中的应用

引入扩展差别矩阵和扩展决策矩阵,提出了新的属性约简算法和增量更新算法,即基于扩展差别矩阵的属性约简算法和基于扩展决策矩阵的增量式规则提取算法,讨论了规则的增量更新算法。由于使用了增量更新算法和并行处理技术,从而提高了数据挖掘的效率,降低了时间复杂度。通过实验说明此算法是有效和可行的。