数据挖掘技术的研究与发展

本文介绍了数据挖掘的起源,论述了数据挖掘的概念及主要技术方法.其中包括:神经网络、关联规则、决策树、粗糙集、遗传算法.列举了当前数据挖掘技术的实际应用场合,并指出其今后的发展趋势以及急需关注的问题.     

数据挖掘技术综述

在对数据仓库与数据挖掘的概念及数据挖掘的功用与分类进行介绍的基础上,阐述了串行关联规则算法和并行关联算法的目标与内容,详细分析了Apriori算法、神经网络、遗传算法等数据挖掘算法。     

简论人工智能的发展前景

人工智能是一门综合性的应用科学。从20世纪50年代诞生后，大体经历了神经网络时代、弱方法时代、知识工程时代和知识工业时代四个阶段。目前，人工神经网络技术和遗传算法已广泛应用于工业、军事等领域。尽管人工智能的研究开发还跟不上人类对它的热切期望，但学者们通过辛勤努力必将实现人工智能技术的新突破。     

数据挖掘技术浅析

数据挖掘技术是当前数据库和人工智能领域研究的热点。文章对数据挖掘技术的总体情况进行了概括性的介绍．其中包括数据挖掘技术的产生背景、应用领域以及数据挖掘工具等,并对数据挖掘技术的前景作出了展望。     

数据挖掘技术在生态专家系统中的应用

从生态安全模型与评价指标体系入手，研究了数据挖掘技术在区域生态安全评价专家系统中的应用目标与任务；综合运用神经网络、关联规则挖掘等人工智能方法，实现了对生态数据的挖掘，结合梯度法对挖掘的结果进行了必要的处理，使最终的结果更真实合理；探讨了数据挖掘技术引入生态专家系统后系统所具有的特点。     

浅谈数据挖掘与人工智能技术

数据挖掘的发展与人工智能的发展息息相关,本文浅析了数据挖掘和人工智能技术以及二者之间的联系和发展,为后续研究者的研究做一个铺垫。一、数据挖掘1.数据挖掘数据挖掘技术的发展历史虽然很短,但发展速度很     

神经网络与若干智能方法的融合研究

人工神经网络作为人工智能领域中的一个重要分支,一直以来都是人们的研究热点。介绍了人工神经网络技术与几种智能方法融合的应用发展,归纳了BP神经网络学习算法的基本思想,着重论述了目前有关神经网络融合方面的研究热点,即神经网络与专家系统、模糊逻辑、压缩映射遗传算法、粒子群优化算法的融合思想与方法。     

基于神经网络的数据挖掘算法

数据挖掘涉及多学科技术的集成,包括数据库技术、神经网络、模式识别、信息检索、图像与信号处理和空间数据分析等.神经网络在数据挖掘中的应用也越来越广泛,尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势.本文对基于BP神经网络的数据挖掘算法进行了详细的讨论,并提出了算法改进方法.     

DBSCAN算法研究

随着人工智能和数据挖掘技术的不断深入,数据挖掘技术中的聚类分析得到了不断的发展,对聚类的研究已经成为数据挖掘领域中的一个重要课题。在介绍几种具有代表性的聚类算法的基础上,探讨了聚类算法的理论基础及具体实现。     

数据挖掘中神经网络技术的应用探讨

介绍了在数据挖掘中应用广泛的神经网络、反向传播神经网络技术,以及反向传播神经算法在性能方面的特点,介绍了反向传播在数据挖掘中的实用模型,最后阐述了数据挖掘方法与神经网络模型结合的广阔前景。     

基于神经网络的数据挖掘关键技术与实现途径

讨论了神经网络技术的结构、特点、各种模型以及数据挖掘系统的体系结构:研究了基于神经网络进行数据挖掘的关键技术和实现的途径。     

智能化时代学科评价的工具探索

学科评价是高等教育评价的重要内容,是高校学科建设的重要组成部分。在智能化时代,利用人工智能、大数据技术对学科数据进行深度挖掘和科学分析,可以将学科评价从基于小样本或不完整信息的评价转化为基于整体信息的多元化科学化评价。本文通过应用聚类、神经网络分析、关联规则分析等数据挖掘方法对学科数据进行建模分析的思考,对智能化时代高校学科评价进行探索。     

基于遗传算法的数据挖掘技术及应用

本文主要分析了数据挖掘的相关概念及其过程,介绍了关联规则的提取方法、遗传算法的基本要素、操作技术、基本步骤等。最后结合相关实例提出了在遗传算法当中进行关联规则的数据挖掘方法。     

数据挖掘中的统计分析技术应用研究

数据挖掘 (Data m ining)是快速处理海量数据 ,最终发现非平凡知识的最为有效的方法和技术。与数据挖掘关系最为密切的三门学科是数据库、人工智能和统计学。许多统计分析技术已被用于数据挖掘之中 ,诸如 :数据聚类、回归分析、判别分析等。在此着重于系统地研究上述统计方法在数据挖掘中的应用     

数据挖掘技术及应用现状

数据挖掘技术是为解决从海量数据中抽取有用数据而发展起来的深层次的数据分析技术。数据挖掘技术常用方法有：人工神经网络、遗传算法、决策树等。数据挖掘技术主要应用于市场营销、保险、税务、电子商务等方面。     

数据挖掘及其在运输系统中的应用

数据挖掘，是通过自动或半自动化的工具对大量的数据进行探索和分析的过程，其目的是发现其中有意义的模式和规律。成功实施数据挖掘所必需的三大核心领域是数据挖掘技术、数据和数据建模，它融数据库技术、人工智能技术、数理统计技术和可视化技术为一     

数据挖掘技术及应用现状

数据挖掘技术是为解决从海量数据中抽取有用数据而发展起来的深层次的数据分析技术。数据挖掘技术常用方法有：人工神经网络、遗传算法、决策树等。数据挖掘技术主要应用于市场营销、保险、税务、电子商务等方面。     

基于混合智能系统的设备故障诊断研究

为研究和改进人工智能技术在设备故障诊断中的缺点和不足,提高故障诊断的准确率,构建了一种混合智能诊断系统。首先利用小波包分析技术对设备故障进行特征提取和分析;接着对数据进行离散化处理,应用粗糙集对获得的故障特征向量进行约简,删除冗余信息;然后利用免疫遗传算法的全局优化能力去训练BP神经网络的权值,建立免疫遗传-BP神经网络模型;最后把经粗糙集约简后的故障特征向量输入该模型,完成故障识别和智能诊断。通过旋转机械的转子系统的仿真实验,表明基于小波包-混合智能的故障诊断取得了良好的诊断效果。     

数据挖掘综述

随着计算机技术的迅猛发展,数据挖掘技术越来越受到世界的关注。从数据挖掘的概念出发,介绍了数据挖掘的对象、功能及其挖掘过程,结合数据挖掘的几种常见挖掘算法:决策树法、关联规则法和神经网络法等,对其主要思想及其改进做了相关描述;总结了国内外数据挖掘的研究现状和应用,指出了数据挖掘的发展趋势。     

江苏人工智能产业人才分布信息与开发策略研究

人工智能是新一轮科技革命和产业变革的重要驱动力量,其产业发展水平与人才队伍水平密切相关。对人工智能产业的国内外发展态势进行研究,利用AI自然语言理解技术对我国人工智能领域的顶尖人才以及全国和江苏的专利人才进行数据挖掘和统计分析,得出我国和江苏人工智能领域的人才分布信息,提出相应的产业人才开发策略,以期为江苏人工智能领域的招才引智提供有效的信息支撑。