计算智能方法在KDD系统中的应用与研究

该文论述了KDD系统中计算智能方法的性质和特点,并且提出了神经网络和遗传算法技术在具体的数据挖掘过程中的应用模型,另外,从精确性、鲁棒性等方面对算法的优劣进行了比较。

KDD的研究进展及其哲学思考

KDD是基于数据库的知识发现,是与人工智能有关的数理逻辑的一种实际应用。在KDD的基础上又有一些新的系统开发出来,对大规模知识库和数据库的建立与开发具有重大意义。在哲学上,对人工智能与人类思维之间的关系,也给人不少启迪。

KDD中因果关联规则的评价方法

在KDD(knowledge discovery in database)中,对所发现的知识进行评价是一个很重要的环节.提出了一种针对KDD中因果关联规则的自动评价方法.该评价方法采用了全新的、有效的知识表示方法(语言场和语言值结构)和推理机制(因果关系定性推理机制),并且具有通用性和交互性的特征.给出了此评价方法的理论依据和构造过程,并提供了相应的算法.通过对具体实例的运行检验,证明了此评价方法的有效性.通过与相关工作的比较,证明了其先进性.

KDD研究现状及发展

计算机技术和信息网络技术的发展把人们推入了信息社会。信息的增长呈现超指数上升,据有关估计,全世界的信息量不到每20个月就增加一倍。人们寄予希望的数据库技术在一定程度上帮助了人们有效地利用信息。

KDD方法在金融欺诈检测中的应用研究

摘 要：在分析了金融事务中进行金融欺诈的现象后，对传统的金融欺诈检测方法进行了分析，并在此基础上，提出了一种利用数据挖掘方法进行金融欺诈检测的模型，并在此基础上利用该模型列举了方法运行的案例。

KDD中的机器学习

1.机器学习的发展 机器学习是研究获取新知识、新技巧，重组已经出现的知识的计算方法，是人工智能中的基本问题，其理论基础涉及人工智能、统计学、脑知模型、适应性控制理论、心理学模型、进化模型(如遗传算法)[1]。机器学习的研究开始于50年代，经过40来年的发展，已经取得了很多的成果(表1)。机器学习可以粗略地分为基于实例的学习、基于问题求解的学习、类比学习、机器发现等。

基于属性量-质特性转化及其定性映射的KDD模型

指出了若将规则看作是一种广义的特征 ,则从数据中挖掘规则 (或知识 ) ,可用属性量 -质特征转化的定性映射加以刻画 .根据特征定性可随定性基准而变的事实 ,并给出了一个高效、可增长、可重泛化的概念树生成算法 ,即EIGR算法 ,与传统的 KDD方法相比 ,该方法不仅更符合于人类思维 ,而且 。

基于认知心理特征的协调器及相应KDD过程模型(英文)

为提高KDD自认知能力,首次提出了基于认知心理特征的启发协调器和维护协调器.讨论了其设计及相应的实现算法.为实现知识库的自聚焦和实时维护,引入了双库协同机制用于方向搜索和方向挖掘.建立了相应的过程模型KDD*,实验结果显示此过程模型改善了KDD的性能.

基于KDD的工程施工索赔问题发现机制

本文对索赔决策支持空间和工程施工索赔的问题发现过程进行了分析 ,并提出了相应的模型 ,分析了 KDD技术和工程施工索赔的问题发现各自的特点 ,在此基础上指出 KDD作为施工索赔问题发现支持工具的适用性 ,最后提出了基于

KDD技术及数据库营销在商业中的应用

如何借助计算机技术,利用企业积累的大量原始销售等信息,根据有关需求能自动挖掘出为企业中上管理决策层所用的决策依据,是目前我国绝大部分企业还没有意识到的问题.尝试利用数据挖掘与知识发现技术对这一问题进行了探索,以求实现一个从数据到信息再到知识的质的飞跃过程.

基于模糊双射软集合的内河岸线资源KDD模型

内河岸线资源评价与分析方法主要是针对定量数据,而一些影响岸线资源价值的因素是定性的、模糊的,传统方法在处理此类问题时存在局限。针对该问题,本文运用近年来国际上新兴的不确定问题建模理论——软集合理论,考虑模糊环境,结合基于依赖度的模糊双射软集合参数约减方法,提出了一种基于模糊双射软集合的内河岸线资源评价KDD模型。本文采用重庆港区15个港口进行KDD分析。结果表明本模型能够提取决策规则、分析关键因素及其依赖度,并得到了有参考价值的决策建议,验证了该模型的有效性。

KDD研究中的若干问题与方法

在数据库中发现知识，又称为数据发掘，其目标是从大型数据集中发现先前未知的潜在有用的模式或知识。本文对该领域进行简要综述，并主要从数据库角度讨论若干数据发掘问题与方法。

谱图数据库预处理KDD算法研究

针对谱图数据库的特性,在利用数据库知识发现(KDD)技术对谱图数据库进行数据预处理过程中,利用面向属性的归纳法对数据属性间的相关性进行分析,Multi_AdaBoost算法进行聚类分析和统计方法对Beynon表进行审核等方面进行了研究,这样,对质谱库有了更进一步的认识,为构建质谱智能解析系统的知识库和质谱解析的智能化打下了良好的基础。

KDD技术在超级市场中的应用

文章力图通过KDD技术在超级市场中的应用，阐述KDD系统的模型和基本工作步骤，以及DataMining中的典型模型（如：特征模型、分类模型、聚集模型、关联模型、对比模型、汇总模型、预测模型和决策模型），在超级市场管理方面的具体使用方法和作用，并提出了KDD技术在目前的实际应用中所存在的问题，最后对KDD技术的应用前景作了展望。

关于KDD的一类开放系统KDD的研究

1 引言目前国际上KDD的研究主要是以知识发现的任务描述、知识评价与知识表示为主线,以有效的知识发现算法为中心。具体而论,在各类真实数据库(关系、演绎、时序、空间、分布式、面向对象等)中,利用统计学、证据理论、归纳学习、近似推理、人工神经网络、遗传算法、概念树提升算法、关联算法、分类算法、Rough集理论、现代数学分析方法及其集成方法等技术,发掘诸如关联规则、分类规则、数据聚类、序贯模式、相似模式、混沌模式等知识;开发其原型系统与实用系统(如Re-

KDD中双库协同机制的研究(Ⅰ)

针对KDD (基于数据库的知识发现 )主流发展中存在的典型问题提出了用知识库去制约与驱动数据库 ,并通过数据库改善知识库结构的知识发现的新思想 ,形成了具有双库协同机制的KDD的开放系统KDD ,从而提高了知识发现的速度、精度和认知自主性 ,并使知识库在结构上具备了实时维护与自我进化的能力 。

KDD中规则提取的收敛网络方法及其应用

提出一种新的基于神经网络的规则提取方法 .提出的网络由一个主网络及其映射网络组成 ,具有二次收敛过程 .通过主网络的学习 (第 1次收敛 )完成知识学习和网络构造 ,在此基础上构造了其网络映射 ,通过该映射网络的收敛过程实现规则的提取 .该方法在规则提取时无须遍历解空间 ,从而很好地提高了搜索效率 ,降低了计算复杂度 .同时 ,还提出估计规则数下限的信度差方法 .

KDD中广义关联规则发现技术研究

笔者在文中分析了广义关联规则模型和挖掘方法，介绍了规则挖掘语言及其在ＫＤＤ技术中的重要意义。

KDD中基于感觉数据特性抽取的概念提升

感觉识别和概念的判断分别是直觉思维和逻辑思维的基础,对感觉数据特性的抽取可归纳为一定性映射,本文以感觉数据特性抽取的定性映射为模型,提出一种概念提升的新方法和神经网络学习算法,相比传统的提升方法,该方法更符合人们思维推理的习惯,对确定每一模糊概念隶属度问题似乎变得简洁,实用直观,通过对基准族学习,实现对感觉概念属性的检测。

KDD在我国大型零售企业中的应用构思

在对 Ｋ Ｄ Ｄ（ 数据库知识发现） 技术进行概括介绍的基础上，讨论了如何在我国将 Ｋ Ｄ Ｄ 技术应用于大型零售企业，并对存在的有利因素和不利因素进行了分析．