排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
通过数据挖掘方法管理系统数据时,仅依靠关联规则约束,容易导致数据挖掘的泛化误差增大。因此,以顶岗实习管理系统为例,提出基于卷积神经网络的数据挖掘方法。提取顶岗实习管理系统的数据,建立面向主题的数据仓库,结合统计回归分析法和模糊聚类法生成非线性时间序列数据流,采用模糊聚类法设计数据特征提取机制。根据数据特征提取结果分析关联规则,构建卷积神经网络数据挖掘模型,通过特征压缩方法进行数据降维处理,实现挖掘数据的输出。实验结果表明:所提数据挖掘方法与基于决策树和基于一维卷积网络的方法相比,泛化误差较小,能保持在[-0.05,0.05],可以获取更加精确的信息挖掘结果,具有较好的实际应用效果。 相似文献
2.
3.
组合聚类(EC)是解决数据挖掘问题的关键手段之一,但现有的EC方法较少考虑可能破坏聚类结构的各种噪声,降低了聚类性能。为此,提出一种改进的谱组合聚类(ISEC)方法。将聚类问题建模为输入的多个基本分区(BPs)派生的共协矩阵的图分割问题;ISEC方法学习得到共协矩阵的低秩表示,并在共协矩阵上进行谱聚类,提高聚类性能;最后采用增强拉格朗日乘数法进行优化求解,获得最终的聚类结果。在多个真实数据集上的仿真实验结果表明,ISEC方法的聚类性能优于目前的大多数聚类方法。 相似文献
1