假说驱动的KDD模型HDM的研究

KDD是一个具有极大应用价值的研究领域,但是传统的KDD方法都是针对单机而且是数据驱动的.这类方法自身面临许多难题.本文借助于解释技术,提出了一种新的知识发现模型HDM来解决这些问题.

分层逐步求精的知识发现KDD模型结构及其应用

知识发现（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＤａｔａｂａｓｅ）作为人工智能、机器学习、模式识别、统计学、数据库和知识库、数据可视化等众多学科相互交叉融合发展起来的新兴研究领域，已引起了学术界和工业界的广大关注．本文提出基于示例学习分层逐步求精的ＫＤＤ模型结构，在借鉴模式识别有关知识的基础上，有机地与领域知识相结合，应用于无约束手写数字识别ＫＤＤ系统，得到较满意的结果．

知识发现系统框架及其理论体系的构造方法论

当前知识发现的主流发展是围绕着寻求在各类数据库和应用背景下高性能、高扩展性的挖掘算法这一主题而展开的。事实上有比算法重要的决定挖掘流程的过程模型的研究,还有更为重要的决定模型和算法的内在机理(反映知识发现系统或过程本身规律)的研究,尚未得到应有的重视。笔者另辟蹊径,将所论三者有机地融合与集成,构造了一类基于认知心理特征的自主知识发现"系统框架",通过对类似的几类"系统框架"的交叉融合、综合集成,构造出基于内在认知机理的知识发现理论体系KDTICM。研究与实验结果表明:这种高起点、高层次的构造方法论研究,有可能形成高效能挖掘系统与新的研究方向;这种构造方法论的研究,可使长时间得不到解决的"领域知识实质性地介入到知识发现过程中"对知识库进行"动态实时维护"等重要问题得以解决;通过揭示知识发现的潜在规律与复杂性,可反作用于主流发展。最后,给出了此种构造方法有效性的有力佐证。