数据开采机模型及开采算法研究

本文在介绍数据开采基本知识的基础上提出了一个通用的开采机模型 ,并对其各模块的功能做出描述 .针对目前许多开采大型数据库中的关联规则高效算法大多是在各自单独的领域内进行算法的理论研究与探讨的问题 ,本文在研究了两种高效的关联规则开采算法 :最大频繁项目集发现算法 FID(Frequent Item sets Discovery) ,增量式更新算法IU A(Incremental Updating Algorithm)后 ,将以上算法综合并在计算机上实现 ,作为比较同时给出了 Aprioiri(经典的关联规则开采算法 )的实现 .文中为了避免负面示例的影响 ,还引入了兴趣度的概念 ,并在系统中实现 .

分布式数据开采研究

本文首先简单介绍了分布式数据开采的主要研究内容 ,然后介绍了分布式数据开采研究的现状及一些实验系统 .随后分析了分布式数据开采系统的体系结构应该具有的特点 .最后 ,提出了分布式数据开采中一些重点研究问题 .

卫星遥感数据开采与知识发现的信息论方法——以地质应用为例

信息提取的能力与效率已成为限制遥感应用发展的瓶颈问题。数据开采（ＤＭ）与知识发现（ＫＤＤ）概念的提出及其理论体系的建立为解决这一问题提供了一种全新的视角。基于对ＤＭ和ＫＤＤ的过程分析和对卫星遥感数据的信息论理解，提出了针对地质应用的卫星遥感数据开采与知识发现的技术框架。以此为主线，把时相选择考虑为知识发展过程的一个特定步骤；在研究地质遥感信息的时间效应基础上，探讨了目标知识发现的“微差信息处理”方法和信息融合技术，应用实例证明该框架的合理性及其相应方法的实际意义。

数据开采研究的新领域

作为人工智能和数据库领域最富活力的研究方向，数据开采在传统应用领域已经取得了相当的成就。本文提出了目前数据开采新领域中有可能取得极大成就的四个方面：多媒体数据开采；在线式分析数据开采，WWW资源和WWW日志数据开采以及主动式数据开采。本文对这些领域进行数据开采的特点和关键做了详细的分析；并给出了一系列实施开采的措施和建议。

粗集在数据开采中的应用

从数据库或数据仓库开采有用的知识 ,是辅助决策的有效手段 .粗集作为一种新的软计算方法 ,是处理不确定、不完全数据的有效方法 .它可以克服其他软计算方法的不足 ,并且和它们具有较强的亲和力 .所以粗集理论得到了广泛的应用 ,尤其是在数据开采领域已成为研究的热点 .论文就粗集在数据开采中的几个重要问题进行论述 ,包括决策表的约简、不完全决策表的处理、连续值的离散化、基于粗集数据开采的递增算法以及粗集与其他软计算方法的集成等几个前沿问题 ,同时指出了问题之所在 。

数据开采中基于用户需求的关联模型

提出一个基于用户需求的关联模型，引入了相关度的概念，给出了启发式查找与相联规则的ＮＥＡ抽取算法，有效的解决数据开采关联模型中查找规则的盲目性和冗余性，并使重要的信息不被丢失．

数据开采中候选项目集的存储方法

在很多介绍有关数据开采文章中都提到候选项目集采用 hash树来存储 ,本文主要介绍 hash树的构造方法以及如何用数据库中的事务来遍历 hash树 ,并介绍了我们正在研究的分布式数据开采系统中用

基于数据仓库的数据开采技术及其在防洪调度智能决策支持系统(FCDIDSS)中的应用

通过论述基于数据仓库的数据开采技术，以及建立FCDIDSS实验数据仓库系统，探讨了数据开采技术在FCDIDSS中的应用，通过实例进行了经验公式发现（数据开采）。

数据开采的数据质量问题

数据质量是影响数据开采效果的重要因素 ,这个问题并未受到人们的充分重视。本文针对数据质量在数据开采中的地位 ,给出了数据质量评价的几个主要尺度。并且结合统计学和机器学习的理论 ,分析了解决数据质量的方法 ,强调提高数据质量的出发点在于控制数据源的质量。

一种基于限制的关联规则数据开采的算法

针对海量数据库开采时 ,现有的关联规则算法效率非常低下的问题 ,提出一种附加最小保证度的限制 ,并在此基础上提出一种新的开采算法 ,可减少频繁项目集的数量 。

数据开采与统计学

数据开采是利用现代统计学知识和计算知识从大型数据库中发现潜在的有用模式的学科。可以说，数据开采的目的和数据开采中使用的方法，覆盖了古典的统计学应用范畴。然而，统计学和数据开采在哲学上和使用方法上都有许多的差别。文中描述统计学和数据开采方法在知识发现上的差异，指出统计学和数据开采可通过彼此学习和互相使用来得到发展。

数据开采中的知识管理

由于目前的许多数据开采算法可以开采出大量的关联规则、时序模式等，这样就提出对数据开采出的知识进行管理的问题。论文介绍一种基于模板的机制使得用户可以选取他们感兴趣的知识进行浏览，并且采用知识可视化的显示方法。

数据开采的BP神经网络方法及其应用

简要介绍了数据开采的基本概念和地学意义，并运用人工神经网络中的前向多层反传学习算法（ＢＰ），在导师信号监督下对网络进行训练学习，分别用岩石化学成分和有利找矿标志作为导师知识引导知识发现，实现火成岩目标信息挖掘、模式识别分类和金矿找矿预测．

数据开采与统计学

数据开采是利用现代统计学知识和计算知识从大型数据库中发现潜在的有用模式的学科。可以说，数据开采的目的和数据开采使用中的方法，覆盖了古典的统计学应用范畴。然而，统计学和数据开采在哲学上和使用方法上都有许多的差别。在本文中，我们描述统计学和数据开采方法在知识发现上的差异，指出统计学和数据开采可通过彼此学习和互相使用来得到发展。

基于数据开采技术的入侵检测系统

介绍了入侵检测系统在计算机以及网络安全中的作用和现有入侵检测系统的局限性，提出了一种采用数据开采技术的入侵检测系统。

一个分布式企业数据开采的体系结构

首先介绍了大型企业的数据开采系统的需求，从逻辑和物理上分布的数据到交互性所需的高性能，接着，论述了能够满足上述需求的软件体系结构。

数据开采若干新方法研究

决策离不开知识 ,从数据库中采掘知识 ,是解决信息爆炸和知识贫乏的有效途径。文中就当前数据开采的几种新方法 ,即粗集、证据理论和云模型等方法的研究现状进行了评述 ,指出其存在的问题。最后指出数据开采方法面临的挑战。

数据开采算法与数据库管理系统的接口设计

对大型数据库进行数据开采时，数据抽取问题及数据库和开采算法的接口设计就变得十分重要。通过定义ＳＱＬ数据开采抽取器，设计了数据开采算法和数据库管理系统接口的框架体系，并通过常用的数据开采算法Ｃ４.５说明了这种标准的ＳＱＬ数据开采抽取器的适用性。

基于曙光并行机的客户/服务器结构的数据开采

一、引言 KDD是指从数据库中发现有价值信息的整个过程,而数据开采(DM)则是指在这个过程中的一个步骤,是针对某一具体问题的算法的实现。除了DM步骤,KDD还包括前处理(数据准备等)

数据开采中的有关问题

本文从应用的角度出发，分析了数据开采问题的主要种类以及解决的技术要点，它们是：二元特性选择、多元分类、函数重构、预测、分簇。