高校科研创新团队的绩效评估

在对高校科研创新团队含义、绩效评估方法介绍的基础上,设计并量化了绩效评估的标准和内容,通过对国内不同类型高校科研创新团队的绩效调查,结合具体例子,对科研创新团队的绩效进行了分析和评估,并给出了一些建议.     

美国陆军研究实验室科研绩效评估的特点及启示

实验室科研绩效评估是实验室管理的重要内容,直接影响实验室的科研绩效水平。介绍了美国陆军研究实验室科研绩效同行评估模式的主要做法、基本特点;针对我国国防科技重点实验室科研绩效评估存在的一些问题,提出几点启示以供借鉴。     

遗传算法编码设计及其在数据挖掘中的应用

数据挖掘就是从大量的数据中提取或者“挖掘”知识,从而实现对数据资源的有效利用．关联分析是数据挖掘诸多功能中应用最广泛的一种．关联分析用于发现关联规则,关联规则描述了给定数据集的项之间的有趣联系．提出了一种基于遗传算法的关联规则的挖掘算法．在关联规则的编码方面,提出了对个体进行变长编码的方法,从而在一定程度上减少了无效规则的数目;在适应度函数的构造方面也进行了一些改进;针对规则库的覆盖问题,采用标志位的方法,对挖掘过的规则设置标志,避免规则重复挖掘．     

数据挖掘在科研试验中的应用研究

为了高效、迅速地完成科研试验任务，充分发挥数据的潜务，重点研究了数据挖掘概念及SAS数据挖掘系统；并结合科研试验，从堆积如山的数据中分析、挖掘出隐藏的科研试验规律，减少风险，提高试验质量，缩短试验周期，以形成更具智慧的科研试验决策。     

数据挖掘技术在电子商务中的应用

介绍了数据挖掘的基本技术以及进行挖掘前必要的数据准备（预处理）工作,并结合具体实例说明了数据挖掘技术在电子商务活动中的客户群体划分、关联规划发现、时间序列模式发现、异常发现这几大类应用。     

基于关联规则的数据挖掘技术在CRM中的应用研究

阐述了数据挖掘技术在客户关系管理中的应用,说明了关联规则分析是数据挖掘技术中一项非常重要的功能,利用Apriori算法对客户挖掘信息数据库进行关联关系分析,通过分析进一步明确数据挖掘在CRM系统中的重要性。     

数据挖掘关键技术在人事管理中的应用研究

主要探讨了数据挖掘关键技术在人事管理系统中的应用.传统的人事管理系统主要面向事务处理,运用数据挖掘技术的关联规则和聚类分析并结合Clementine 10.1对事业单位人事管理系统中的海量数据进行分析,挖掘出该系统中人员信息的潜在关系和有效规则,分析可能存在的问题,为事业单位的人事管理提供有价值的决策依据.     

过程控制中的一种数据挖掘算法

结合粗糙集理论,提出了一种适合工业控制领域使用的数据挖掘算法.工业控制的采样数据以决策表的形式表示,用模糊c-方法对采样信息表进行模糊语言化,依据适合实际应用的语言值关联规则支持度和信任度,通过属性约简,剔除冗余规则,挖掘出隐含的关联规则.以水泥生产线中分解炉控制为例,采用现场实时采集的数据集,挖掘出了相关控制对象之间的关联关系.关联规则的挖掘,有助于在先验经验不足的条件下获取模糊规则,通过动态的模糊模型的建立,实现一定程度的智能控制.     

空间数据挖掘在CRM中的应用

为提高客户关系管理水平,提出建立空间型智能CRM,并给出了基于空间关联规则的空间数据仓库知识发现算法,最后通过一个实例证明了该模型和算法的可行性。     

数据挖掘中关联规则在零售业中的应用

目前,在需要处理大量数据的科研领域中,数据挖掘受到越来越多的关注。我们可以利用数据挖掘技术从海量数据中发现有用信息,帮助商家了解客户以往的需求趋势,并预测未来,从而给商家带来巨大的利润。在国内很多领域,尤其在银行、零售(如超市)等商业领域,数据挖掘所能解决的典型问题包括:客户群体划分、应用背景分析、销售额分析等市场分析行为,以及客户流失性分析、客户信用积分等。在数据挖掘领域,采用关联规则在大型事务数据库中进行数据挖掘是一个重要的研究内容。     

数据挖掘在网络教学评价中的应用

随着互联网和教育事业的日益融合和发展,网络教学已成为当今教育研究热点.通过关联规则对学生的教学反馈信息进行挖掘,寻找网络教学过程中有价值的信息,从而达到提高教学质量的效果.     

数据挖掘中的数据预处理方法

从初始数据源出发,总结了目前数据预处理的常规流程方法,提出应把源数据的获取作为数据预处理的一个步骤,并且创新性地把数据融合的方法引入到数据预处理的过程中,提出了数据的循环预处理模式,为提高数据质量提供了更好的分析方法,保证了预测结果的质量,为进一步研究挖掘提供了较好的参考模式.     

数据挖掘系统研究

结合当前数据挖掘系统发展状况,分别介绍了集中式和分布式的数据挖掘系统,并着重对集中式数据挖掘系统中的各个组成部分及其具体实现技术做了详细的介绍,同时对集中式和分布式的数据挖掘系统目前的发展状况分别做了总结.提出了数据挖掘系统的研究方向和发展趋势:增强可视化和交互性,提高可扩展性,与特定行业应用相结合,遵循统一标准和支持移动环境中数据的挖掘.对数据挖掘系统的发展做了简要的总结和展望.     

数据挖掘技术的研究

介绍数据挖掘领域中主要的数据挖掘技术,并且讨论了数据挖掘领域中已经出现的几类重要趋向,最后展望了数据挖掘技术的发展前景。     

数据挖掘中分类算法分析与量化研究

采用交叉验证方法对C4.5、Bayesian置信网络、序贯最小优化(SMO)3种主流数据挖掘分类算法进行了实验分析,分别得出了在相同训练、测试样本数据下3种算法建立模型所需时间、分类准确性、覆盖率及margin曲线。分析了训练样本数量对3种算法的不同影响,为使用者在不同的样本质量下选择相应的分类算法提供理论和实验依据。     

数据挖掘算法性能优化的研究与应用

数据挖掘中经常使用k-means算法,它是经常使用的一种聚类分析算法,但易受初始聚类中心和聚类个数k的影响。因此对近年从算法原理、关键技术和优缺点等方面提出的较有代表性的关于初始聚类中心和k值确定的改进的k-means算法进行了分析。并选用知名数据集对一些典型算法进行测试和应用。上述工作将为数据挖掘的研究提供有益的参考。     

基于数据包络分析模糊化的高校科研效率评价

运用数据包络分析(DEA)的方法,从高校科研的投入与产出角度出发,计算了国内31所高校的相对科研效率,并利用模糊数学中的隶属度函数对DEA成绩进行模糊化处理,客观地划分了评价等级。对国内31所高校的科研效率情况进行实证分析的结果显示,20所高校的科研效率规模恰当。对科研效率规模递增或递减的11所高校的投入产出进行了调整,使科研效率达到规模恰当。对高校的科研效率进行客观性评价的结果,可为高校优化科研资源提供科学依据。     

数据挖掘中的预处理技术研究

分析了数据预处理提出的背景,归纳了常见的数据预处理方法,分析比较了不同方法的特点。     

数据挖掘中聚类算法的比较研究

聚类是数据挖掘领域中的一个重要研究课题.本文首先综合提出评价聚类算法好坏的八个标准,然后在此标准基础上,对数据挖掘中的常用算法进行分类分析比较,并得出比较结果,以使人们在实际应用中能方便、快捷地找到最好的聚类算法以解决实际问题.     

数据挖掘技术在CRM中的应用研究

介绍了数据挖掘技术和CRM的基本概念,分析了数据挖掘技术在CRM中的应用,并着重对决策树技术进行了研究。针对SPRINT算法在数值型属性分裂过程中计算量大、效率低的缺点,提出了一种新的数值型属性的分裂方法,并对SPRINT算法进行了改进,并用改进的SPRINT算法构建了客户信用卡的分类模型。