基于“三划”融合的园区企业需求挖掘模式研究

改革开放以来,我国科技服务经历过以被动地供给为导向,容易发生资源错配、生产过剩的现象。进入新时代后提出了“企业为主体、市场为导向、产学研深度融合的技术创新体系”,旨在化被动为主动,建立主动型的“需求导向”型科技服务模式。本文以此为出发点,结合江苏省生产力促进中心(以下简称“中心”)“三大计划”(以下简称“三划”)要求,探讨了基于“三划”融合的园区企业需求挖掘模式研究背景与方法,剖析了园区企业需求挖掘中存在的难点,提出了有利于化解此类难点的新模式。并在此基础上对该模式的应用进行了讨论。

基于远程教学视点下的大数据挖掘模式问题研究

教学大数据是在多源异构、不连续、易干扰环境下形成的经典数据与非经典数据的复杂集合。该文从教学大数据挖掘的观点出发,增加Web数据和图像数据,对传统的挖掘数据源进行扩展;提出教学视点和数据视点的概念,并基于此构建了教学数据挖掘框架;以远程教学过程为例,从教师、学习者、管理者、资源设计、教学事件处理等不同的视点提出了数据挖掘的相关因素。通过多种数据源的挖掘处理方法的研究完成相应视点下事件的因果关系及相关关系的分析,为教学数据挖掘提出了新的思路和策略,为教学质量提升提出了一种可行的方法。

基于商业化物联网数据挖掘模式的构建研究

商业化物联网的具有智能化的全面覆盖、感知度的全面增强、连接性的全面提升等特点。运用先进的数据挖掘技术进行正确有效信息数据的挖掘,之后再对其进行科学的整合优化,传送给系统内部的服务层。用户在服务层中进行数据信息的相应操作,将数据作为依照,制定出有针对性的科学决策。商业化物联网数据挖掘对社会经济的发展具有重要作用,同时又为人们生活提供更多的便利,从而推动整个社会经济的发展。

入侵检测中数据挖掘模式的编码与检测研究

数据挖掘产生的模式如何被处理,对IDS系统的实时性和有效性至关重要。该文提出了一种模式编码算法,对模式进行量化处理,从而高效地检测入侵。同时,文中还从理论上论证了模式编码量化检测方法与基于相似性理论的模式检测方法的等效性,证明任何用相似性理论实现的入侵模式检测算法均可用编码量化处理来等效实现。

云计算物联网数据挖掘模式的构建方式

随着各种各样的异构终端设备的接入,我们的物联网采集的数据量也就会越来越大,其数据类型和数据格式也会越来越复杂,运用传统的数据挖掘方法已经无法直接应用于物联网之中了,因此为了解决以上这些问题,我们提出了一种关于物联网数据挖掘的基于云计算的系统。下面本文就对云计算联网数据挖掘模式的构建方式进行探讨。

基于云计算的物联网数据挖掘模式的构建

科技的不断发展和互联网技术的不断进步使得物联网给人类的联通需求提供了更多的帮助,同时也对该项技术对数据挖掘的模式提出了更高要求。而传统的数据挖掘显然已经无法满足物联网的发展要求。基于此,利用云计算技术衍生出来的物联网数据挖掘受到了更广泛的关注。

基于数据挖掘模式下的电力数据统计创新思考

统计者结合新型的数据挖掘理论在统计实践应用中开展了分析研究,在研究中发现数据挖掘模式的应用对于电力数据统计质量与效率的提升具有极大的实际作用。做好这一模式应用的实践分析对于电力数据统计创新发展具有极大的实际意义。

基于云计算的物联网数据挖掘模式分析

随着科学技术的不断发展，信息通信行业也进行了快速的发展，其中基于云计算的物联网发展越来越受到人们的重视。下面本文就对基于云计算的物联网数据挖掘模式进行分析，以能够为其发展提供一定的参考资料。

基于数据挖掘模式的电力数据统计创新思考

当前数据统计在数据处理中不断发展,数据挖掘模式也在各个领域中被广泛应用。在数据挖掘的模式下进行数据统计可以实现大量数据分析并进行一定的算法搜索,从中找出有效信息。对于电力企业来说,使用传统的统计模式不仅效率低并且统计效果差,无法实现企业发展需求。所以对发电企业来说寻找统计效率高并且效果好的统计方法来解决生产相关的问题是非常有意义的。所研究的数据挖掘模式所提出的深层次信息挖掘正好契合企业发展需求,所以在发电企业实行数据挖掘模式,在此基础之下实现传统数据统计模式的创新是当前发电企业需要重点突破的内容。

新型组合式挖掘装载机挖掘模式工作装置设计

本文针对挖掘装载机工作装置结构设计的问题,结合了传统的"两头忙",提出了一种新型组合式挖掘装载机工作装置的设计方案。这种组合式挖掘装载机工作装置可实现挖掘和装载模式的快速转换,具备灵活快速的适应不同工作要求的特点,能满足用户多用途作业需要。针对设计参数要求进行整体和具体结构上的把握,进行了挖掘模式工作装置的受力分析与校核,同时,利用ProE建模软件,绘制出挖掘模式工作装置的机械结构模型,完成了从整体到细节结构的合理布置及设计。组合式挖掘装载机工作装置达到了设计的要求,装载模式的工作装置的设计、校核和计算机仿真,有另外文章详细叙述。能够实现挖掘模式与装载模式的快速转换。

基于数据挖掘模式下的电力(发电)数据统计创新思考

随着数据统计科学的不断发展,数据挖掘模式被广泛应用于各个领域。数据挖掘模式下的数据统计,可以通过对大量数据的分析,以及一定的算法搜索,挖掘出大数据隐藏的有效信息。对于电力企业尤其是发电企业而言,传统的数据统计模式因数据统计效率低和统计效果差,逐渐不再满足企业的实际需求。发电企业急需寻找一种数据统计效率高、统计效果好,并可以解决生产相关的问题,以及对生产起到预见性帮助的数据统计模式,而数据挖掘所提供的深层次信息刚好满足发电企业的这种要求。因此,发电企业依据数据挖掘模式,对传统数据统计模式进行创新改革,是发电企业当前的首要任务。

浅谈云计算下物联网的数据挖掘模式分析

随着科学技术的不断发展,信息通信业获得了较好发展,以云计算为基础的物联网也开始受到很多人的关注。物联网中形成的大量信息和时间以及空间有着一定关联,其具有动态、异构以及分布的特点,这对物联网数据挖掘而言是相当艰难的。本文对建立在云计算之上的物联网数据挖掘模式进行研究,以期可以给其日后发展带来一些有用的参考信息。

基于滑动窗口含负项的高效用模式挖掘

针对传统高效用模式挖掘均未考虑项的效用值为负,以及对流数据处理的时效性问题,提出一种基于滑动窗口的高效用挖掘算法HUPN_SW。利用一种新定义的滑动窗口正负效用列表PNSWU-List,维护挖掘最近批次高效用模式集所需的所有信息,实现有效的逐批次挖掘,避免重复的数据库扫描,在不产生候选效用模式集的情况下,直接挖掘出高效用模式,使HUPN_SW有效适应于动态流数据。实验结果表明,HUPN_SW算法在运行时间和可扩展性方面有良好表现。

基于情境感知和序列模式挖掘的气象学习资源推荐算法

随着互联网的快速发展,气象部门职工作为学习者可以获得的学习资源得到极大丰富。信息超载导致检索合适的在线学习资源时遇到了困难;学习者在不同学习环境和序列访问模式上也有不同的学习需求。但是,现有的推荐系统,如基于内容的推荐和协同过滤,没有结合学习者的情境和序列访问模式,推荐结果准确度不高。本文提出了一种结合情境感知、序列模式挖掘和协同过滤算法的混合推荐算法来为学习者推荐学习资源。混合推荐算法中,情境感知被用来整合学习者的情境信息,如知识水平和学习目标;序列模式挖掘被用来对网络日志进行挖掘,发现学习者的序列访问模式;协同过滤被用来根据学习者的情境数据和序列访问模式为目标学习者计算预测并生成建议。实验和应用效果表明,该混合推荐算法推荐的质量和准确性方面优于其他推荐算法。

一种共生保序模式挖掘算法

作为数据挖掘的一个新兴方向,研究人员在时间序列领域提出了用于挖掘相对次序相同的保序模式.尽管现有的保序模式挖掘算法可以有效地找出全部的频繁模式,但在当用户仅对某个特定的模式及其为前缀的模式较为感兴趣时,现有的挖掘算法效率过于低下.为了解决上述问题,本文提出了一种共生保序模式挖掘算法,用于挖掘出以给定模式为前缀的共生保序模式.该算法包括融合准备和计算超模式的支持度两个主要部分,其中,融合准备分为4个步骤:获取模式p的后缀保序模式,计算后缀保序模式的出现,前向验证模式p的出现,后向查找所有可融合模式的出现;在计算超模式的支持度时,提出一种剪枝策略,使得候选模式的个数进一步减少.在真实数据集上,实验结果验证了本文算法的高效性.

面向大图的Top-Rank-K频繁模式挖掘算法

频繁模式挖掘(Frequent Pattern Mining,FPM)在社交分析中扮演重要角色,能从海量社交数据中挖掘用户行为的模式和规律,为社交网络的研究提供新的认识和决策支持.然而,对于一个FPM任务,设置一个合适的支持度阈值不容易;此外,FPM作为一个NP-hard问题,不存在多项式时间的算法.针对上述问题,提出一种无须用户设置初始支持度阈值的算法ItrMiner.该算法使用一种新的兴趣度指标对模式进行评估,综合考虑模式的大小和支持度,挖掘Top-Rank-K频繁模式.同时,为了解决去除初始支持度阈值后在算法剪枝阶段遇到的困难,提出基于树模式优先识别的策略和模式扩展约束策略,减少非必要候选模式的生成.在真实图和人工合成图数据集上进行了广泛的实验,证明ItrMiner在执行效率和可扩展性方面表现出色,尤其在稠密的数据集上,其时间开销仅为基线算法Top-K Graph Miner的13.2%.另外,提出的模式扩展约束策略的有效性较高,和无扩展约束优化的ItrMiner_(nopt)算法相比,效率提升最高可达9.5倍.

一次性条件下top-k高平均效用序列模式挖掘算法

针对传统序列模式挖掘(SPM)不考虑模式重复性且忽略各项的效用(单价或利润)与模式长度对用户兴趣度影响的问题,提出一次性条件下top-k高平均效用序列模式挖掘(TOUP)算法。TOUP算法主要包括两个核心步骤:平均效用计算和候选模式生成。首先,提出基于各项出现位置与项重复关系数组的CSP(Calculation Support of Pattern)算法计算模式支持度,从而实现模式平均效用的快速计算;其次,采用项集扩展和序列扩展生成候选模式,并提出了最大平均效用上界,基于该上界实现对候选模式的有效剪枝。在5个真实数据集和1个合成数据集上的实验结果表明,相较于TOUP-dfs和HAOP-ms算法,TOUP算法的候选模式数分别降低了38.5%~99.8%和0.9%~77.6%;运行时间分别降低了33.6%~97.1%和57.9%~97.2%。TOUP的算法性能更优,能更高效地挖掘用户感兴趣的模式。

高效的一次性弱间隙序列模式挖掘算法

间隙约束序列模式挖掘作为序列模式挖掘的一个重要分支,可以发现模式在序列中的重复出现。然而,当前研究主要针对单项序列进行挖掘,并且序列中每一项都被认为具有相同意义。为解决该问题,提出一次性弱间隙序列模式挖掘(OWP)算法,该算法由准备阶段、支持度计算和候选模式生成3个步骤组成。在准备阶段,建立倒排索引,并对不频繁的项进行剪枝;在支持度计算方面,利用倒排索引结构记录出现位置,避免对原始数据集的重复扫描;在候选模式生成方面,采用模式连接策略,减少冗余候选模式的生成。在项集序列和单项序列共6个真实数据集上的实验结果表明,OWP算法相比OWP-p、Ows-OWP和OWP-e算法在运行时间上分别提升了2.653、1.348、3.592倍,在内存消耗上分别减少了3.51%、0.07%、5%,说明OWP算法可以更高效地挖掘出用户感兴趣的模式。此外,OWP算法在以D1数据集为基础的6倍大小的数据集上的运行时间比D1数据集增长了3.763倍,内存消耗增长了2.310倍,运行时间和内存消耗的增加倍数均小于数据集大小的增加倍数,说明OWP算法具有良好的可扩展性。

基于时效性和相关性约束的周期模式挖掘

传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth first search,CRPFP-BFS)和(correlation and recency periodic frequent pattern-depth first search,CRPFP-DFS)。将给定的数据库压缩到一个列式结构的列表CRPFP-List中,CRPFP-BFS和CRPFP-DFS分别采用广度优先和深度优先搜索方式递归地进行挖掘,同时利用支持度、周期、时效性以及相关性剪枝策略减少搜索空间,以有效地发现相关时效周期模式。与当前最先进算法在密集数据集和稀疏数据集上进行对比实验,结果表明CRPFP-BFS和CRPFP-DFS具有较低的内存占用和更高的运行效率,并且具有良好的可扩展性,其中CRPFP-DFS适合于内存要求严格的情况,CRPFP-BFS在长事务稀疏数据集下的运行效率更高。

大图中多样化Top-k模式挖掘算法研究

频繁模式挖掘(Frequent Pattern Mining,FPM)是图数据挖掘领域的一项重要任务。该任务的目标是从图数据中找到出现频次大于给定阈值的所有模式。近年来,随着社交网络等大规模图数据的涌现,单一大图上的FPM问题受到广泛关注,并得到了较为充分的研究,取得了一系列研究成果。然而,已有技术大都存在着计算成本高、挖掘结果理解困难以及并行计算难等问题。针对上述问题,文中提出了一种从大规模图数据中挖掘多样化top-k模式的方法。首先设计了一个多样化函数,用于度量模式集合的多样性;随后设计了一种面向分布式图数据,具有提前终止特性的分布式挖掘算法DisTopk,以实现多样化top-k模式高效挖掘。在真实图数据和合成图数据上进行了大量实验,结果表明,与传统分布式挖掘算法相比,DisTopk算法能更高效地挖掘多样化top-k模式。