具有属性析取萎缩-扩张特征的动态数据智能挖掘

S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征。S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集。利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一。主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用。

智能数据挖掘技术在日光温室终端控制系统中的应用研究

随着科技的不断发展,智能数据挖掘技术在各个领域的应用日益广泛。日光温室终端控制系统作为一种关键的环境监测和调控手段,也受益于智能数据挖掘技术的应用。为了进一步提高温室生产效益和资源利用效率,本文研究了智能数据挖掘技术在日光温室终端控制系统中的应用,通过对温室环境参数的采集和处理,利用智能数据挖掘算法进行预测和优化,实现温室内部环境的精确控制和能源消耗的优化。研究结果表明,智能数据挖掘技术能够有效提高日光温室的生产效率和资源利用效率,具有广阔的应用前景。

智能数据挖掘算法的采摘机器人执行系统优化

针对传统的人工采摘方式采摘效率低、效果差的问题,基于智能数据挖掘算法对采摘机器人的执行系统进行了优化。采摘机器人的执行系统包括控制器模块、传感器模块、行走机构、机械臂模块和末端执行器模块。为了提升机器人对果蔬的准确识别率并定位,采用数据挖掘算法进行图像数据处理,以有效提升数据处理速度,并根据定位结果进行避障和路径规划。为了验证采摘机器人的性能,对其进行果蔬识别和采摘试验。试验结果表明:采摘机器人可以准确识别果蔬,采摘成功率较高,能够满足农户的要求。

智能数据挖掘引擎的设计与实现

1.引言数据挖掘就是从大量数据中提取或“挖掘”有用信息,进而提供决策支持。在互联网时代,商业竞争日趋激烈,就企业而言,对于企业所积累的大量数据进行高效挖掘、智能分析以辅助企业决策就变得越来越重要。因此,基于人工智能和统计技术的数据挖掘系统日益成为数据挖掘研究的焦点。高性能数据挖掘系统应支持高速数据处理并且提供足够的灵活性和可扩展性。基于此,在构建数据挖掘系统时。

基于层次模型的智能数据挖掘框架及其模型

在层次模型的基础上，提出了一个智能数据挖掘的开发框架，包括问题识别层、任 务层、应用层和用户层等多层概念。在这个框架中，建立了一个智能数据挖掘模型,它由4个 层次和11部分组成，其中中央处理单元、辅助选择、数据库交互平台和功能组合平台共同构 成一个中间智能件。

基于智能数据挖掘技术的温室大棚环境参数优化

针对温室大棚环境控制自动化程度较低、运营成本高和能耗大的问题,基于智能数据挖掘技术对温室大棚的环境参数优化管理系统进行研究。系统根据功能分为数据采集层、网络传输层和控制层。为了实现温室大棚环境管理系统对环境参数的优化,通过创建温室大棚的环境模型,并采用聚类算法对获取的样本数据进行数据挖掘,从而得到环境参数内部的规律,最终确定环境参数优化方案。为了验证该管理系统的有效性,对温度控制模型进行仿真试验,结果表明:系统的拟合性良好,可以将其应用于温室大棚环境参数的优化控制。

高校就业信息数据统计智能数据挖掘技术的应用

随着信息技术的发展,在如今大数据统计的模式要求下,传统的高校就业信息统计系统已经不能够满足如今的实际应用要求。根据这种情况对高校就业信息数据统计智能数据挖掘技术的应用进行研究,分析高校就业信息数据统计的应用情况,结合智能数据挖掘技术对高校就业信息数据统计进行改进,构建出一个智能化、个性化的信息管理系统,实现就业工作信息统计的全程化管理,增强自主性与互动性,让高校毕业生就业拥有一条更加方便、快捷的信息管理渠道。

交通智能数据挖掘研究——基于统一信令监测平台数据的存储和集中应用

一、研究目标 本项目的研究工作将围绕如何利用现有移动通信数据进行城市道路交通信息采集与交通状态判别展开，其目的在于通过对基础移动信令数据的采集，并结合用户基本面及通信行为特征对数据进行深入挖掘与分析，实时推断与掌握道路交通状况，面向交通管理部门提供决策信息支撑，从而推动交通效率的有效提高。

智能化数据挖掘系统

目前通用数据挖掘系统需要由用户自主去选择需要的数据挖掘算法.这就使这些通用数据挖掘工具很难被那些不熟悉数据挖掘术语和数据分析技术的普通用户所使用.为了解决这个问题,文章讲述了一种基于案例推理的智能化数据挖掘系统,这种系统的主要功能是根据用户提交的任务书,在算法库中查找相应的算法自动实现数据挖掘,将用户从繁重的算法设计、算法选择中解脱出来.

智能化数据挖掘学习平台的设计与实现

为响应国内人工智能(AI)的发展战略和教育创新改革需求,分析了传统在线教育平台在AI教学方面的不足,设计出智能化数据挖掘学习平台(DM_Edu)。DM_Edu平台设计为包括资源层、管理层和智能层三个层次的系统架构,并实现了教学、学习、管理、大数据分析以及智能化辅助学习五个功能模块。其中的智能层实现了用户追踪和智能分析两个教学需求,成为平台实现智能化与个性化教育的引擎。该研究的特色在于,平台不仅可用于课堂教学环节的辅助,还可作为课前和课后教育的环境和支撑,并通过AI技术对学习特点进行感知和个性化支持。DM_Edu平台与数据挖掘类课程相结合,可实现翻转课堂与多元互动混合教学模式,对提高数据挖掘类课程教学水平,培养AI应用型创新人才有着非常重要的现实意义。

肾脏头颈肿瘤多影像源数据联合智能挖掘算法教学研究

目的设计一种针对肾脏及头颈部多影像源数据融合挖掘算法模型,并将其应用到高校影像学教学中;方法使用影像检查系统内置软件,将影像三维建模矢量结果转化为点阵结果,使用线性投影法针对磁共振、超声、放射断层扫描等多个模型的三维模型数据进行归一化处理,使用基于卷积多列神经网络的人工智能挖掘算法进行数据融合处理,从而构建多层次三维影像学数据融合模型。对比当前进入大五毕业实习阶段的使用该模型辅助进行专业课及教学的影像学2017级学生和未使用该模型辅助教学的2016级学生进行数据对比。结果2017级学生较2016级学生,专业课成绩、自我主观评价、专业老师主观评价、院方实习导师主观评价结果均有所提升。结论该模型可作为影像学辅助教学体系的重要工具。

智能数据挖掘在防灾系统中的应用

介绍数据挖掘技术,利用智能数据挖掘技术对系统监控到的风、雨、雪等数据进行分析研究,提出基于智能数据挖掘技术的防灾解决方案,为进一步对抗灾害的产生提供参考依据.

基于变电站运行信息的智能数据挖掘

伴随着信息技术和智能电网的迅速发展,电力系统在日常运行中,每分钟就会产生、维护和操作数以百计的信息。怎样从海量、高容量的数据中提取并隐藏信息成为了变电站发展的重要问题之一。本文总结了变电站运行信息的智能数据挖掘的一般方法及其在电力系统中的应用。

智能化数据挖掘学习平台的设计与实现探讨

主要阐述了智能化数据挖掘学习平台的基本架构及其功能模块。资源层、管理层及智能层是智能化数据挖掘学习平台的主要系统架构,功能模块主要包括教学模块、学习模块、管理模块、大数据分析模块和智能化辅助学习模块。通过分析用户的使用信息,给用户推荐个性化的学习资源,减轻教师的教学负担,提高学习者的学习效率,有助于推动翻转课堂及多元化教学模式的实现。

“数据挖掘技术交流研讨会”顺利召开

9月7日,由中科院软件所青年联合会、天基综合信息系统重点实验室及软件所青年促进会小组共同举办的“数据挖掘技术交流研讨会”在中科院软件所举行.活动邀请了百度研究院大数据实验室资深数据科学家祝恒书博士做题为“商业智能数据挖掘：从知识发现到决策支持”的学术报告.来自软件所多个部门的青年科研人员和研究生约40人参加了此次活动.

电力调控智能故障处置系统

为进一步提高调控运行人员对电网故障的综合处置能力,深入挖掘历史故障数据,实现历史故障反演和人工智能调度,电力调度须要一套智能故障处置系统。该系统借助调控云等原有的电网资源和技术平台,通过综合接入电网故障处置不同子系统的资源,实现故障综合研判、综合信息可视化展示、在线安全分析、故障辅助决策和人工智能调度5个部分功能,提升了故障处理效率,实现了历史故障数据有效利用,增强了调控运行人工智能水平,保障了电网安全稳定可靠运行。

基于Sql Server 2008系统的林地资源监测指标发掘应用的数据仓库的研建

针对森林经理学科隐形知识发掘获取这一难点和目前研究的热点,探讨采用基于Microsoft SQL Server 2008 DataMining平台去实现森林经理学科中的林地资源监测指标知识规则自动发掘的各种方法;综合应用其平台提供的9大类智能数据挖掘算法,例如采用决策树算法、关联规则算法、聚类算法和神经网络模型算法等等,通过构建复杂的分析模型,建立一种利用特征数据集自动获取林地资源监测指标知识规则的数据处理流程,并且与森林经理学科知识库的OLAP多维数据集处理和分析相结合,创新地把SQL Server 2008 Data Mining的数据仓库技术应用在森林经理学科中的林地资源监测指标知识规则的挖掘的新方法上。

一种增强型双种群粒子群算法的设计与实现

粒子群算法作为一种具有收敛速度快、易于实现和参数调节少等优点的群体智能算法,被广泛应用于函数与组合优化、机器学习等众多领域。在粒子群及其众多修改算法中惯性权重选择对算法性能起到较大的作用。为此,在经典粒子群算法上针对惯性权重提出了改进策略,设计了一种增强型双种群粒子群算法(EDUPSO)。当粒子在进化中将较小的惯性因子赋予到此次进化到最优位置的种群,将较大的惯性因子赋予到此次没有进化到当前最优位的种群。通过此思路提出了算法的设计和实现方式,并通过多个不同的测试函数分析了该算法与其他经典改进算法在性能上的差异,通过测试的结果可以看出相对于经典的粒子群算法及经典改进算法,此算法在搜索的速度、稳定性及精度上都有明显的优势。

基于神经网络的商业经济发展规划智能决策系统研究

针对商业流通经济发展及其决策特点,建立了商业经济现代化发展评价指标体系,分析了商业经济发展规划智能决策支持系统(CEIDSS)的结构框架、关键技术及其实现方案。

基于docker技术的深度学习模型分割乳腺超声影像研究

目的:设计一种基于docker的深度数据融合挖掘算法模型,并将其应用到乳腺超声影像教学中。方法:使用影像检查系统内置软件,将影像三维建模矢量结果转化为点阵结果,使用线性投影法针对磁共振、超声、放射断层扫描等多个模型的三维模型数据进行归一化处理,使用基于卷积多列神经网络的人工智能挖掘算法进行数据融合处理,从而构建多层次三维影像学数据融合模型。对使用该模型前后进行数据对比。结果:使用该模型后,影像诊断效率、诊断模式、患者的主观评价、医院专家的主观评价结果均有所提升。结论:该模型可作为分割乳腺超声影像研究体系的重要工具。