基于高性能数据挖掘的网络海量信息处理平台

互联网的迅猛发展对网络信息处理提出了新的挑战,而这些都迫切需要高性能计算技术的支持。为了提高网络海量信息智能并行处理能力,促进网络信息存储与管理、信息融合、数据挖掘、智能处理和信息利用等发展,本文提出了基于高性能数据挖掘的网络海量信息处理平台,重点分析了网络海量信息处理平台实现的关键技术,并对平台的网络热点分析应用的实现进行了介绍。     

数据挖掘中并行技术的研究与应用

基于Web的数据挖掘处理的是海量数据,对这些数据进行分析处理的工作量相当大.为达到快速、高效地完成数据挖掘,重点研究了使用多线程并发技术实现数据并行挖掘的方法,并设计了一个基于并行技术的搜索引擎.     

组合分类数据挖掘在访问控制中的应用

由于访问控制需要处理大量数据,造成现有自动访问控制模型误报率高且实时性差,数据挖掘技术的优势在于能从大量数据中根据规则发现特征和模式,本文提出了一种基于并行组合分类数据挖掘思想的自动访问控制模型.     

基于数据挖掘的空气质量预测模型研究

在日益积累的空气质量大数据背景下,面对复杂多变的空气质量状况,文章从数据挖掘技术在空气质量时序数据上的应用角度出发.在时序样本数据清洗后,采用传统自回归移动平均模型对空气质量数据进行研究,分析数据的平稳性、季节性,差分平稳化数据,通过推导求证建立模型进行拟合预测.随后,在时序研究的基础上构建了基于门控循环网络的空气质量预测模型.并通过实验证明了基于循环神经网络的模型较传统模型在预测精度上的提升,在预测步长上也有很大的优势,并具有很好的实际应用价值.     

基于PVM的并行算法研究

随着数据库规模的增长，数据挖掘技术变得非常重要，而且从数据库中挖掘隐藏的规则也变得十分必要．提出了一种在数据库中发现关联规则的并行Apriori算法，并在并行虚拟机(PVM)环境下实现了该算法．该算法是通过在处理器间分割数据来实现数据的并行化的．     

基于多Agent系统的Web数据挖掘技术

基于多Agent系统的数据挖掘技术,能够综合应用多种挖掘算法,实现数据挖掘的并行操作.在简述了几种主要的数据挖掘技术的基础上,提出了一种基于多Agent系统的Web数据挖掘模型,进一步分析了系统组织和成员间的协作,并测试了其挖掘效果.测试结果显示,此项技术的挖掘效果具有较好的准确率和覆盖率.     

基于贝叶斯网络的数据挖掘方法

常用的数据挖掘方法有许多,贝叶斯网络(Bayesian Networks,BN)方法在数据挖掘中的应用是当前研究的热点问题.贝叶斯网络是一种进行不确定性推理和知识表示的有力工具,当与统计方法结合使用时,显示出许多关于数据处理的优势.首先介绍了BN的定义、方法的优点以及目前网络学习的各种算法,最后用一个实际中的案例进行试验,指出了在数据挖掘技术中的具体应用.得到了将贝叶斯网络应用于数据挖掘当中,充分挖掘数据的隐含信息和内在本质,具备良好地预测能力等优点,实验证明这种方法实用、有效.     

关联规则挖掘技术研究进展*

为帮助人们深入研究关联规则挖掘技术,总结了关联规则的分类方法、评价方法以及相关技术的最新进展,特别是对关联规则的主要算法进行了详细的介绍,并探讨未来的发展方向。该研究比较系统全面,对将来进一步深入分析关联规则挖掘技术具有指导意义。     

试谈数据挖掘在网络优化中的应用

随着我国科学技术的快速发展,网络技术在各领域都得到了普及与发展.由于储存的数据与信息与日俱增,这就对数据信息的查找提出了更高的要求.数据挖掘技术能够快速精准地查找获取历史信息,并进行多组数据对比,在网络优化中发挥着积极作用.对数据挖掘技术与网络优化进行了介绍,并对数据挖掘在网络优化中的应用进行了探讨.     

数据挖掘在医学领域的应用研究

介绍了自90年代以来新兴的一项决策支持技术-数据挖掘,结合医学领域的实际特点探讨了数据挖掘在其中的应用方向及具体方法.同时展望了数据挖掘技术在医学领域中的应用前景.     

基于并行反向熵决策树算法的人工神经网络

针对数据分类挖掘问题,利用并行思想,提出一种基于并行反向熵决策树算法的人工神经网络.通过概率度量水平生成并行决策树对数据进行粗处理,以加快人工神经网络的分析速度.随后采用一组仿真数据对该方法进行测试和评估.实验结果表明,该并行分类方法比单个决策树具有更高的分类精度,并在保持分类结果良好可解释性的基础上优化了分类规则.     

BJ—1并行计算机的操作系统BPOS

本文介绍了ＢＪ－１并行计算机操作系统ＢＰＯＳ的主要设计方法与实现技术以及实际性能测试。     

数据挖掘技术在RSS上应用

数据挖掘(DataMining,DM)是信息领域发展最快的技术.RSS作为强大、快捷的网上阅读软件正越来越多的受到网络用户的欢迎.本文探索了将数据挖掘技术用于RSS之后,给网络用户带来的方便与快捷.     

大规模数据集聚类中的数据分区及应用研究

针对大型数据库提出了许多聚类方法,但是这些算法往往计算量较大、对主存的要求较高;而且当数据分布不均匀时,算法的聚类质量会受影响.因此为了提高聚类算法的效率和准确性,采用了数据分区技术首先对数据进行预处理,分区后的数据具有更少的数据量和更均匀的数据分布.     

一种新的高性能计算机互连网络及其并行仿真

介绍一种新型的高性能计算机专用网络拓扑结构MPU,包括其数学模型、技术实现、路由算法等.从理论上分析了MPU的性能,并就其性能与目前先进的3-D Torus网络等进行了数学上的对比分析,MPU的大部分性能指标均优于3-D Torus网络.本文还实现了一个为MPU开发的大型并行模拟器MPUS,介绍了MPUS的架构、实现、工作流程等,最后给出了仿真结果.实验证明,MPU设计正确,且MPUS具有良好的扩放性.     

微机网络环境下提高PVM并行程序性能的策略

网络并行计算是并行计算与分布式计算技术非常重要的发展方向之一,结合具体的数值试验,探讨了Windows操作系统下基于PVM的网络并行数值计算中影响PVM并行程序性能的几个重要因素,包括负载平衡、通信开销、网络性能、任务粒度、处理机个数、精度要求及处理机内存容量问题等,并提出了提高PVM并行程序性能的相应策略,以高效快速地实现问题的求解.     

关于移动通信网络优化中数据挖掘技术的运用探讨

在网络技术逐步发展与成熟的情况下,5G移动通信网络部署计划开始实施.在未来的一段时间里,5G网络将会全面覆盖人们的生产与生活中.现阶段,大众对网络通讯的需求与要求都在提升,这也使移动通信网络优化工作面临着一定的挑战.对此,我们必须要对移动通信网络优化中数据挖掘技术的应用进行全面研究,确保数据挖掘技术充分发挥自身价值.     

金融业中数据挖掘技术的应用

从数据挖掘技术谈起,结合金融业特点和实际应用,提出并分析金融业的需求,给出了合理的解决方案,并进一步展望数据挖掘技术在金融业的发展前景.     

基于神经网络型数据挖掘技术的股价预测

提出适用于神经网络型数据挖掘的过程模型.按照选取数据样本、数据转换、网络建模、网络仿真、结果评价这样一个完整的数据挖掘过程,对上证指数走势进行预测,得到了较高的预测精度.说明了神经网络型数据挖掘技术在非线性系统预测中的优势,探讨了非线性系统预测的一种新思路.     

并行数据挖掘研究

随着数据挖掘中数据量的高速增长以及大规模并行计算在数据挖掘中的应用，并行数据挖掘这一结合并行计算技术和数据挖掘技术在社会各个方面得到了大规模的各种各样的应用。然而，在数据挖掘并行化过程的同时，由于挖掘系统本身的原因，将挖掘过程完全并行还有一定的困难，这正是研究并行数据挖掘的价值所在。该文在分析并行挖掘现状，阐述并行挖掘技术发展前景的同时，针对并行挖掘的问题，指出了今后应该进行的工作。