ACMC策略在多维数据挖掘处理过程中的应用

为了优化多维、多层次复杂数据流的数据挖掘处理过程,在层次分析法与数据挖掘理论的基础上,提出了"层次分析法构建挖掘模型(ACMC)"的一个全新概念。设计了ACMC策略的结构与流程,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的改进。其中KPI和CSF的实例是整个数据挖掘结构的关键点和基础,模型的学习和评估被视为整个数据挖掘这个"大机器"的"引擎"。这些"引擎"产生的影响因素将直接影响到最终的决策。最后对ACMC建模的有效性进行了验证。ACMC从战略高度、技术水平以及不同的抽象层面为数据挖掘处理过程提供了一个有效的策略。

基于蚁群算法的QoS多播路由优化策略

对QoS多播路由和约束最小Steiner多播树进行了分析,提出了基于蚁群算法搜索约束最小Steiner多播树的ACMC算法,并与DDMC算法进行了实验比较。结果表明,在同样环境和多播组规模的条件下,ACMC算法花费的网络代价小于DDMC算法,从而验证了ACMC算法的有效性和可行性。

基于Apriori改进算法的名老中医肺癌医案用药规律研究

目的:改进Apriori算法以适应名老中医诊疗方案的数据的一药多剂量特点,挖掘名老中医对肺癌医案的用药规律。方法:提出一种增加了信息熵作为权重的ACMC算法,对名老中医肺癌医案的用药规律、用药剂量进行数据挖掘。结果:选择通过审核的215个药方,1806味药物,找出关联规则153条,发现有的药物不仅被频繁使用,而且不同剂量的药物也被频繁的使用,说明该药物在治疗肺癌中被名老中医认为是非常重要。结论:基于apriori算法的ACMC算法,不仅仅能挖掘出用药规律,而且增加了信息熵作为权重,可以更好适用于挖掘那些隐藏的用药规律。