可视化实时协作场景中群体深度学习发生的多维特征挖掘研究——基于三组不同协作习惯的个案分析

随着对教育互动的研究越来越强调“情境依存性”,关注复杂交互场景下互动数据的多维分析有助于还原群体学习复杂过程、揭示特定规律、优化特定服务。研究通过对三组不同协作成效的个案在可视化实时协作场景中的互动数据进行协作关系、协作行为和协作时序的多维分析发现,群体深度学习发生的特征表现为:(1)有多个核心成员且分层领导的组织关系,更有利于促使小组在协作前期的资料搜集和推进方案想法或成果形成的阶段积极展开交互反馈;(2)小组在协作过程中基于“内容建构”的集中性反馈和基于“案例共享、信息搜集、想法拓展”的实质性反馈对小组协作深度影响大于围绕“线索提示、任务明晰”的流程性反馈;(3)小组协作习惯主要存在“问题导向、资料导向、任务导向”三种典型模式,对小组协作深度的促进依次减弱。该研究为高校教学多元交互场景中新协作样态下的群体深度学习发生机理揭示、评价方法和促进策略优化等提供了理论与实践基础以及后续建议。

基于数据挖掘的梯级水电站远程集控安全风险多维感知

为实现对梯级水电站运行状态和所处环境的全面监测和管理,基于多维数据挖掘技术,研究了新的梯级水电站远程集控安全风险感知方法。结合事故致因理论构建梯级分析模型;根据风险事故分析模型,全面辨识安全风险要素;选择分层因素判断矩阵,对梯级安全风险要素特征排序;按照重要度排序情况,应用多维数据挖掘技术处理实时数据,挖掘出实时数据中风险要素,实现梯级水电站远程集控安全风险感知。实验以7级水电站作为测试对象,通过历史风险事故数据的整理模拟水电站60个月的运行情况,所研究方法可以实现梯级水电站远程集控安全风险感知,具有应用价值。

一种新的多维关联挖掘智能方法

关联规则挖掘在数据挖掘中有着重要的作用.本文提出了采用多维模型的架构将维表进行组织,而且利用项目分块和提取感兴趣的个别属性作为多维关联规则挖掘的基本思想,并利用数据库查询语言实现算法,实现了多维的挖掘,经实验表明该算法的效率大大高于Apriori等算法,且易于实现.

基于关联规则映射的生物信息网络多维数据挖掘算法

针对在生物信息网络中对复杂和大规模的数据集进行挖掘时所出现的算法挖掘精度低、运行速度慢、内存占用大等问题,提出一种基于关联规则映射的生物信息网络多维数据挖掘算法。该算法结合网络数据集之间的关联映射关系,从而确定网络数据集的关联规则,并引入挖掘因子和相对误差来提高算法的挖掘精度;根据多维子空间中数据集之间的关联程度进行子空间区分以及子空间内数据集区分,从而实现对不同数据集的有效挖掘。在实验中,对不同数据集数量下的算法内存占用情况、算法挖掘精度、算法运行时间进行仿真,从实验结果可以看出基于关联规则映射的挖掘算法可以有效地提高挖掘精度,在减少内存占用和提升计算速度上也具有一定的优势。

基于知识情境的企业竞争情报多维挖掘研究

企业竞争情报总是蕴涵在多维数据环境中,需要对其采取多维挖掘手段。试图从利用知识情境辅助企业竞争情报多维挖掘入手,深入剖析知识情境在企业竞争情报挖掘过程中起到的关联激活、目标约束、结果评估等作用,并提出应用知识情境库,实施多维关联规则过滤和隐性关联架构策略实现企业竞争情报多维挖掘。

基于频繁模式图的多维关联规则挖掘算法研究

关联规则挖掘是数据挖掘领域中重要的研究分支,频繁项集或频繁谓词集的计算是其中的关键问题.本文针对包括多值属性的关系数据库,以多维关联规则挖掘为目标,研究频繁谓词集的计算方法,提出了MPG算法及IMPG增量算法.MPG算法通过构建频繁模式图MP-graph,按照深度优先搜索方法,动态挖掘频繁谓词集,只需扫描数据库一次.此外,该方法至多增加一次数据库扫描,就能扩展为IMPG算法,进行增量关联规则挖掘.文章分析了算法时间和空间性能,用实验说明了算法的有效性.

用神经网络选择多维数据挖掘空间的研究

多维数据挖掘是基于数据仓库系统的重要决策支持技术 ,遗憾的是 ,由于多维数据的复杂性使数据挖掘的效率和实用性都很差 .本文通过对多维数据挖掘模型的分析 ,说明在多维数据挖掘过程中挖掘空间的选择是影响结果成败的关键步骤 ,在此基础上提出一种用于挖掘空间选择的神经网络模型 ,并通过实例应用说明该模型能够正确寻找到正确的挖掘空间 ;

DMDF策略在多维数据挖掘过程中的应用

为了优化多维、多层次复杂数据流的数据挖掘处理过程,在数据挖掘理论与鱼骨分析法的基础上,提出了"DMDF(数据挖掘驱动鱼骨分析)"的一个全新概念。设计了DMDF的结构与流程,不仅提供了一个用来支持不同挖掘组件的集成平台,还为整个数据挖掘过程提供了一个流程可控的策略。目的是多方面、多层次对整个数据挖掘框架和不同处理模块的结合方法进行有效地改进。其中数据分类、数据预处理、关联规则挖掘和预测是整个DMDF生命周期的基础。DMDF从战略高度、技术水平以及不同的抽象层面来支持不同挖掘组件的结合,通过再工程的方法来构建数据挖掘的处理过程,最终将其应用在可执行的系统上。

基于多维关键数据挖掘的船舶航行路径控制算法

船舶航行路径受到航向、速度、发动机性能参数等关键数据的影响,对路径稳定性控制较为困难,为了提高船舶航行路径控制的稳定性,提出一种多维关键数据挖掘的船舶航行路径控制算法。构建船舶航行的运动学模型,采用轴加速度计、磁力计和三轴陀螺仪等测量设备进行船舶航行路径的多维参量采集,对采集的原始参量数据进行自适应融合处理,进行船舶航行路径控制参量的量化跟踪估计,采用多维关键数据挖掘方法获得船舶航行的最优的姿态角和最优路径解析参量,实现船舶航行路径优化控制。仿真结果表明,采用该方法进行船舶航行路径控制的稳定性和鲁棒性较好,对关键数据的估计精度较高,提高了船舶整体控制的稳健性。

多维数据挖掘和决策树分析的粗糙集理论

随着信息技术和数据库技术的发展,数据存储被越来越多的企业使用,机构和部门,这需要更多的智能和数据挖掘的更准确的方法。多维数据挖掘技术,包括联机分析处理技术和数据挖掘技术的基础上,建立了日益完善的数据仓库技术和OLAP技术,使得用户可以更方便的选择和分析。本文主要研究和分析了粗糙集的多维数据挖掘,包括多维数据集的概念,决策树技术和粗糙集的集成,以及基于粗糙集数据挖掘的多维设计。

PrefixSpan算法在多维序列模式挖掘中的应用

多维序列模式挖掘是在序列模式挖掘的基础上发展起来的,文章阐述了有关概念,介绍了两种序列模式挖掘算法:GSP算法和PrefixSpan算法,在对两类算法进行比较分析的基础上形成了挖掘多维序列模式的UniSeq算法、Dim-Seq算法和Seq-Dim算法。针对不同维度的模式,各种算法特点不同。

多维关联数据挖掘技术在远洋船舶调度中的应用

首先描述进行关联规则挖掘的步骤,将其运用到远洋船舶调度数据的深度挖掘中,将关联规则转换成用户感兴趣的属性类,然后根据所关心的属性不同,求出每个属性组合的维度,从而挖掘出其运输频繁的线路,最后通过例子说明本文算法更能满足用户的需求。

基于多维数据挖掘的智能机器人避障路径自适应选择

针对当前智能机器人避障效果不佳的问题,提出基于多维数据挖掘的智能机器人避障路径自适应选择方法。通过固连坐标系描述机器人具体位置和作业姿态,获得机器人运动参数信息。采用可视图方式简化障碍物,建立作业环境模型,获取全局视图。利用视觉、超声波和红外传感器实现障碍物形状数据多维挖掘,结合数据挖掘结果检测机器人与障碍物间距。综合时间、路程和转弯次数最少三个约束条件,建立路径选择目标函数。将环境多维数据作为蚁群算法参数输入,设置状态转移规则,计算蚂蚁到达下个目标点的概率,更新全局和局部信息素,当满足最大迭代次数要求时输出最佳避障路径。仿真证明,该算法在静态和动态环境下都能选择出最佳路径,避免碰撞现象,实现快速收敛。

多维数据挖掘处理对层次分析法构建挖掘模型的应用

层次分析法构建挖掘模型(ACMC)策略让整个数据挖掘流程更加的直观,它升华了原来的层次分析概念,在复杂的数据环境中,实现了高效率、高质量的数据预测分析,并且从方法论、实践方面提供了根据数据挖掘过程的策略分析,实现了ACMC系统的规范设计。提高了挖掘数据的准确性。下面本文就对ACMC在多维数据挖掘处理中的应用探讨。

多维频繁情节挖掘在电信告警信息分析中的应用

电信网络每天都要产生大量的告警信息,这些信息中隐藏着网络结构相关的有用知识。基于对电信网络告警信息的特点的分析和针对现有挖掘方式的不足,论文提出一种从电信网络告警信息中挖掘频发的模式知识的思想方法———多维频繁情节挖掘。挖掘的多维频繁情节可以帮助网络管理人员分析告警信息和诊断故障。

多维关联规则挖掘在烟草行业中的应用探索

烟草行业每年都有大量的生产、销售数据可供参考和研究,如何利用现有的烟草信息资源来挖掘和掌握市场规律和消费特性,是烟草企业信息化建设的重要内容之一。文章提出通过多维规则挖掘算法对卷烟生产、销售数据进行分析和探索,运用数字化、信息化方式帮助烟草企业实现高质量发展,为高质量发展提供有力支撑。

用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构

随着电力市场竞争日渐激烈以及移动互联网时代的到来,客户对业务开展的需求也呈现出多元化与差异化特征,需要运营商依靠大数据经精细化模型挖掘对用户行为识别客户业务需求,实现精细化服务营销。文章用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构的相关探索,力求能为电力企业开展电子渠道精准服务营销供给决策分析工具,促其竞争力不断增强。

基于多维数据挖掘的电力廊道空间格局规划方法研究

为提升电力廊道规划的合理性,强化城市配电网建设,本文提出了基于多维数据挖掘的电力廊道空间格局规划方法。首先,采用灰色关联分析进行电力廊道多维数据挖掘,得到关联度较高的数据,为后续电力廊道规划提供基础;其次,设计外层和内层规划目标函数,搭建配电网电力廊道双层规划模型,并进行优化求解,使电力廊道空间格局规划费用最小,完成规划研究。实验结果表明,利用所提方法能得到最优规划方案,且电力廊道多维数据挖掘精度和召回率均较高,在90%以上,验证了所提方法的有效性,为电力廊道规划和配电网建设提供了参考依据。

ANN在提高数据挖掘效果中的应用

为了提高数据挖掘的效果,减少对多维挖掘空间的搜索范围,利用神经网络方法对多维数据的挖掘空间进行选择,经实例验证,该方法可以准确寻找到正确的挖掘空间,从而有效地提高数据挖掘的效果。

序列模式挖掘在网格调度优化中的应用

提出了一种基于数据挖掘的网格调度优化方法,其思想是通过将网格监控信息转化为时序数据库,对其进行多维序列模式挖掘以获得用户行为模式,利用挖掘结果构造优化逻辑,并使用这些信息对网格调度过程进行优化.