一种生成封闭数据立方体的新算法

以武器装备故障维修数据为基础,研究了武器装备故障维修数据立方体,重点分析了封闭数据立方体与基本元组集之间的关系,提出一种建立武器装备故障维修封闭数据立方体模型的新算法,并针对冰山封闭数据立方体进行算法改进。最后利用近十年武器装备故障维修数据对算法进行验证,结果表明文中算法较之基本的封闭数据立方体算法具有更好的时空效率,为分析武器装备故障原因提供了一种更有效的手段。

数据立方体压缩技术研究

目前随着数据仓库中数据量的不断增大,数据立方体维度和维度层次结构日益复杂,数据立方体物化视图尺寸不断膨胀,产生了数据爆炸,数据立方体压缩技术应运而生,并成为数据立方体技术的重要分支。从OLAP、数据立方体等概念出发,提出并分析了数据立方体压缩技术的各代表算法,并探讨了其今后发展的方向。

基于数据立方体的多维关联规则的挖掘方法

总结了现有基于数据立方体的多维关联规则挖掘算法，在此基础上将联机分析处理(OLAP)的钻取操作引入关联规则挖掘过程，提出了对Apriori_cube算法的改进算法，通过动态调整立方体的维层次，来挖掘出用户感兴趣的关联规则。

空间数据立方体分析操作原理

提出了空间数据立方体的分析操作 ,即主要由概括分析、局部分析、全局分析和旋转分析组成 。

封闭数据立方体技术研究

数据立方体中有很多冗余信息,去除这些冗余信息不但可以节约存储空间,还可以加快计算速度.数据立方体中的元组可以划分为封闭元组和非封闭元组.对任何一个非封闭元组,一定存在一个封闭元组,它们都是从基本表的同一组元组中经过聚集运算得到的,因而具有相同的聚集函数值.去掉数据立方体中所有的非封闭元组就产生了一个封闭数据立方体.提出了封闭数据立方体的生成算法、查询算法和增量维护算法,并使用合成数据和实际数据做了一些实验.实验结果表明,封闭数据立方体技术是有效的.

OLAP核心技术—数据立方体的研究现状与展望

：该文从OLAP的基本功能出发，综述了其核心技术－数据立方体（Data Cube）的研究现状，主要讨论了3个方面：数据立方体建模、数据立方体计算和数据立方体操作，最后展望了该领域的研究方向。

数据立方体计算方法研究综述

随着多维数据分析在各领域的广泛应用,基于数据立方体的计算方法受到大量研究者的关注。分析了影响数据立方体计算的各种因素,其中包括数据存储空间、查询处理效率和数据立方体的维护消耗,并且阐述了数据立方体的物化策略。分别从冰山立方体、紧凑数据立方体、高维数据立方体、近似计算、流式数据立方体等几个方面综述了国内外现有的计算方法,分析了各种方法的特点以及适用范围。

数据立方体上多维多层关联规则挖掘算法

重点结合联机分析挖掘的思想,讨论了数据立方体上的多维多层关联规则挖掘。基于数据立方体和FP算法提出并构建了体现概念层次的Hib＆Dim FP树和其挖掘算法Hib＆Dim FP算法,并把此算法应用于数据立方体上的多维多层关联规则挖掘。最后的实验证明了该算法的有效性。

数据立方体中多维关联规则挖掘算法

数据立方体是数据仓库中数据组织和存贮的重要手段 ,它采用多维立体数据存贮方式来取代传统的平面数据存贮方式 ,为进行多维数据分析提供了根本保证。本文通过对稀松和密质两类立方体进行分析 ,给出了分别针对这两种情况的多维关联规则挖掘算法 ,并通过实验对其在不同情况下的性能进行了分析 ,结果证明 。

空间数据立方体的建模方法研究

研究了基于空间数据仓库的一种决策分析工具——空间在线分析处理(OLAP)的支撑技术。将普通数据立方体与空间数据立方体进行比较,提出空间数据立方体的维和度量的建模方法,解决了空间维与非空间维、空间度量与数值度量的集成建模问题。

数据立方体格的图结构特性研究

数据立方体是数据仓库的核心数据模型,其对应的数据立方体格因保留上卷下钻的语义关系而有利于查询和导航。目前对数据立方体内部结构特性尚未展开系统的研究。为此,将数据立方体格视为图数据,研究数据立方体格的结构特性和解析模型。分析结果表明,不同于随机网络和复杂网络的模型,数据立方体格在度分布、聚集系数、平均最短路径等方面具有不同的结构特性。根据上述特性进一步建立数据立方体格的解析模型。

基于数据立方体的数据挖掘系统

介绍了一个通用的数据挖掘系统基于数据立方体的数据挖掘系统的设计与实现过程。该系统基于构架,引入了挖掘模型的概--C/S念,集成了两种算法,图形化显示挖掘结果。文中详细介绍了系统的这些特点。

多维数据立方体模型及其基于关系的实现

数据立方体模型是多维数据库和以多维分析为基础的联机分析处理技术的核心机制，本文参照当前对多维数据立方体模型的最新研究成果，提出了一种新的模型并且应用于OLAP服务器基于关系的实现。并且提出了实现的难点和改进的方向。

基于形式概念分析的约简数据立方体研究

数据立方体格和形式概念格比较研究表明,两者都基于序结构,并且采用形式概念分析理论(FCA)的等价特征组与数据立方体覆盖等价类对数据单元有相同的划分结果.将FCA与概念格理论引入数据立方体研究,首次提出聚集概念格(ACL)结构.ACL与一般概念格同构,能完整保存立方体中的所有聚集结果,实现与商立方体相同比例的约简.ACL结构仍比较复杂,在ACL基础上,又提出一种约简聚集概念格结构(RACL),该结构只存储非对象概念,而不是所有概念.RACL与基本表联合仍然是完整立方体结构,但能实现更大的约简.给出了ACL和RACL的高效的查询方法,并使用模拟数据和实际数据作了一些实验.理论和实验都表明RACL结构比现有方法更节省空间,同时查询效率也较高.

基于数据立方体的维内关联规则挖掘算法

针对数据立方体的结构特点,结合联机分析处理技术,提出了两种基于数据立方体的维内关联规则挖掘算法.以合肥农河超市实际数据作为测试数据,给出了两种算法的实验结果.结果表明,两种算法在不同支持度情况下执行效率存在明显差异,分别适合在高支持度和低支持度情况下进行关联规则挖掘.

基于数据立方体的水电工程建设项目群信息管理系统

本文提出了一水电工程建设项目群信息管理系统,其中建立了包含工程信息数据库、施工动态信息数据库、资源信息数据库的数据仓库,不仅加快了海量信息的传输与同步过程,减少数据冗余,而且还实现了项目群信息与知识的共享。并且,针对某水电工程建设监理企业开发了相应的项目群信息管理系统,为企业的多项目管理、知识共享提供了一良好的平台与基础。

数据立方体上的约束关联规则挖掘

数据挖掘作为一项从海量数据中提取知识的信息技术引起了国内外学术界和产业界的广泛关注,基于数据仓库的联机分析挖掘系统的应用已成为数据挖掘技术的发展趋势,本文结合联机分析挖掘的思想和基于目标属性关联规则挖掘算法,提出并构建了数据立方体上的基于约束的关联规则挖掘算法。最后的算例证明了该算法的有效性。

Star Cube——一种高效的数据立方体实现方法

一个具有n个维的数据立方体有 2 n 个视图 ,视图越多 ,用于维护数据立方体的时间也就越长 通过将维分成划分维和非划分维 ,数据立方体可以转换成starcube starcube由一个综合表和那些仅包含划分维的视图组成 starcube使用前缀共享和元组共享技术不仅减少了所需的存储空间 ,还大大减少了计算和维护时间 在把一个分片限制在一个I/O单位的条件下 ,starcube的查询响应时间与数据立方体基本相同 实验结果也表明 。

一种保持语义的压缩数据立方体结构

通常数据立方体体积较大,语义关系复杂,完整的语义立方体很难实现。基于商立方体,该文提出了语义数据立方体结构(SDC),将单元格中的单元以其上界替代,并保存下界,简化了单元格的表示,保持单元格的全部语义,并可以实现单元的上卷和下钻操作。把语义关系应用到数据立方体的查询、增量更新中,使查询响应时间及更新代价大大降低。实验结果表明,SDC是有效的。

一种数据仓库数据立方体空间采样估计策略

对数据仓库多维视图进行容量估计是数据立方体设计、数据仓库存储规划和实施查询优化的基础 .首先以统计理论为基础 ,提出了一种基于采样的数据仓库数据立方体空间估计策略 .该策略针对不同类型的多维视图 ,对样本统计结果采用不同的空间放大策略 ,确保了估计结果具有较高的准确性 .同时 ,该策略在最大估计的基础上采用一些启发式规则 ,对估计视图集进行有效的约简 ,并在估计过程中采用了样本视图预物化思想 ,根据预物化视图集生成优化的立方体空间估计序列 ,从而大幅缩短了整体估计时间 .