数据挖掘在农业话题跟踪中的应用

本文主要针对农业话题的特点,研究了基于粗糙集理论的启发式约简算法在其中的应用,并通实例验证了该方法的可行性和有效性,解决了农业话题跟踪的一些关键问题。     

无线传感器网络中分布式数据挖掘算法研究

研究无线传感器网络中数据挖掘问题.针对大量高维冗余且不确定的无线传感器网络监测数据传送到中央服务器上使用传统的数据挖掘方法进行挖掘的缺点相当明显,导致耗费了珍贵的网络能量.为解决上述问题,提出在每个传感器节点上进行基于粗糙集与遗传BP网络相结合的分布式数据挖掘算法,利用GA来训练BP网络的阈值和权值来构成遗传BP网络(GABP),克服BP网络的某些不足;利用粗糙集RS在消除冗余信息、处理不确定性数据等方面的优势,缩减训练数据输入BP网络的维度.仿真结果表明,改进算法能有效地实现对无线传感器网络中的数据进行分类,取得了较理想的效果.     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

基于分割提速法的并行股票预测研究与仿真

关于股票准确预测问题,针对股票预测中计算时间复杂度大,数据库操作速度慢等缺点,为提高数据挖掘的速度和效率,提出了一种分割提速法的并行股票预测模型。模型特点采用广播拓扑结构,使用多线程并行计算方法,将计算量平均分配给所有参与计算的计算机,同时又使用网络编程技术实时同步回收结果,从而有效地缩短了股票关联规则的计算时间。实验结果表明,上述方法有效地减少了算法时间复杂度,较大程度地提高了股票预测的效率,从而为股票投资者提供有力的帮助。     

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。     

服务器集群负载均衡的建模与仿真研究

研究服务器集群负载优化调试问题,各服务器负载能力差异较大,要求尽可能使每一个服务器的负载均衡,传统方法没有考虑负载动态变化特点,导致服务器集群负载极不均衡,系统性能差。为提高集群系统的整体性能,提出一种基于遗传算法的服务器集群负载均衡算法。首先根据负载均衡目标建立数学模型,然后采用遗传算法模型进行求解。仿真结果表明,遗传算法提高了服务器集群系统吞吐量,使系统负载更加均衡,使整个集群系统的资源得到充分利用。     

基于Web数据挖掘的B2C推荐系统的设计

电子商务相对传统贸易具有成本上面的优势。随着互联网的普及,电子商务的一种重要分支,企业对个人的电子商务（BUSINESSTOCUSTOMER,B2C）被越来越多人们接受和使用。但是互联网上的信息量非常巨大,普通消费者往往不知道如何才能买到自己心仪的商品。利用WEB数据挖掘的相关技术,设计了一个可以在B2C贸易中推荐优惠商品给用户的系统。     

基于云计算的物联网数据挖掘

物联网是一个巨大的、分布广泛的物与物相连的网络,其上产生的海量数据通常是与时间和空间相关的,具有动态、异构、分布的特性,因此对这些数据的挖掘非常困难,而且耗费时间和内存,效率低下。为了解决这些问题,提出了一种基于云计算的物联网数据挖掘系统:将这些海量数据转化为PML数据文件,并存储在HDFS中,同时把挖掘任务分配到多台节点服务器上并行处理。采用Hadoop平台,将关联规则Apriori算法Map/Reduce化,提高了挖掘的效率。另外,采用副本策略将计算向存储迁移,将失效节点的计算迁移到副本数据存储节点就地执行,降低了数据传输的时间,大为提高了挖掘的效率。     

数据挖掘在电子商务中的应用研究

本文主要介绍数据挖掘在电子商务中的应用,文章从数据挖掘的定义、数据挖掘的常用方法出发,阐述了数据挖掘在海量信息中提取有效信息的作用,特别是数据挖掘与电子商务的结合可以给人们生活带来便利,给企业带来新的利润空间以及为企业提供决策支持。常用的数据挖掘技术主要包括支持向量机、朴素贝叶斯、聚类、决策树、神经网络和关联规则等,最后介绍了数据挖掘在电子商务的4个主要应用方面,说明了数据挖掘存在的必要性。     

基于数据挖掘的网络学习行为

网络时代带来了知识和信息的爆炸,然而,在面对庞大的信息和数据面前,我们就会显得手足无措。当前大学生已经基本掌握电子计算机和网络使用的基本技能,将数据挖掘作为当前大学生网络学习的基础,通过学习者要素、教师要素、网络课程内容和网络学习环境为要点,研究大学生的网络学习行为,从而有针对性的培养大学生有效学习机制。