一种基于变精度粗糙集模型的数据挖掘方法

通过分析Pawlak粗糙集模型在数据挖掘中应用的局限性,提出了一种基于变精度粗糙集模型的数据挖掘方法。在数据挖掘中采用变精度粗糙集方法对胶合板缺陷数据进行属性约简和规则提取,并将所得规则用于分类。结果表明:变精度粗糙集改进了Pawlak粗糙集的不足,具有更高的可靠性和鲁棒性。     

粗糙集理论在数据挖掘中的应用

粗糙集理论是一种处理不确定和不精确问题的新型数学工具,为数据挖掘提供了一条崭新的途径。本文阐述了粗糙集理论及其在数据挖掘中的应用。     

数据挖掘技术在教学质量评价中的应用

教学质量评价是学校教学管理的重要组成部分,数据挖掘在教学质量评价中的应用广泛.文章概述了数据挖掘的基本概念和方法,在教学质量评价的数据挖掘中,给出了粗糙集理论、关联规则,以及改进的关联规则算法的应用方法,并指出了教学质量评价中数据挖掘的详细步骤.     

粗糙集的约简算法

粗糙集理论作为数据挖掘的一种有效的手段，现已成为学术界的一个前沿研究领域。概要介绍RS核心思想、基本概念；对各种约简算法进行了描述。     

一种改进的基于粗糙集的数据挖掘方法研究

提出一种数据挖掘算法,在数据挖掘的同时进行数据预处理,这种算法保证了数据的真实性,省略了数据预处理环节,规避了粗糙集算法对数据规范性的严格要求.     

基于数据挖掘的图书馆个性化服务系统

分析和研究了粗糙集和模糊聚类两种常用的数据挖掘算法,将其应用到图书馆个性化服务中,建立了一个基于数据挖掘的图书馆个性化服务系统,并对我院图书馆借阅数据进行了分析,为图书馆个性化服务提出了一种新的研究思路和分析方法。     

基于贝叶斯粗糙集的大数据频繁项挖掘技术

对大数据的频繁项集挖掘是关联规则挖掘的关键步骤,通过有效的频繁项挖掘提高大数据量数据库的访问效率。传统方法中对大数据的频繁项集挖掘采用FP-Growth的粗糙集挖掘算法,扩展性和容错性不好。提出一种基于贝叶斯粗糙集的大数据频繁项挖掘技术,引入后缀项表的概念,通过后缀项表的构建,保留频繁项集的完整信息。构建FP-Tree,生成闭频繁项集,计算样本的密度,并抽取高密度区域的点集作为聚类中心集合,进行后缀项表的构造,按支持度分成若干集合,对各约简集内的属性集合进行融合,用变精度粗糙集的贝叶斯粗糙进行数据挖掘算法改进,仿真结果表明,算法不受可变参数的影响,鲁棒性较高,数据挖掘的准确度较高,运行时间较短。算法将在人工智能和数据挖掘领域具有更广的应用前景。     

基于绕点旋度修正的粗糙集下挖掘算法

传统的粗糙集下挖掘算法挖掘能力有限,当海量数据类型多样化时,数据挖掘性能下降。提出一种基于绕点旋度修正的粗糙集下挖掘算法,在数据挖掘时,采用绕点的方法代表系统挖掘中的每个元素点,对于每个绕点,采用旋度评价的方法实现加权修正,通过绕点旋度修正的方法对所有的数据进行融合处理,提取出具体特征,建立数据库,采用迭代方法最大限度的提高挖掘性能。最后采用一组64维度的复杂数据进行测试实验,结果显示,基于绕点旋度修正的数据挖掘能够在大批量多样性数据时实现很好的数据挖掘,具有工程使用价值。     

基于粗糙集的钢结构缺陷检测的研究

租糙集理论作为一种处理不完备信息的有利工具,巳广泛应用于人工智能的许多领域,特别是数据挖掘和知识发现领域.文章将基于粗糙集理论的数据挖掘技术应用于钢结构缺陷模式识别的知识发现,在智能诊断的知识自动获取方面取得了较好的效果.     

粗糙集的约简算法

粗糙集理论作为数据挖掘的一种有效的手段,现已成为学术界的一个前沿研究领域.概要介绍RS核心思想、基本概念;对各种约简算法进行了描述.     

基于粗糙集的决策树旅游景点信用评估模型的设计与实现

旅游景点信用评估是一种典型的分类问题,本文概述了粗糙集和决策树的理论,基于这两种理论,提出了一个基于数据挖掘粗糙集理论与决策树分类技术相结合的信用评估方法来建立旅行景点的信用评估模型,利用粗糙集的知识约简的概念,对样本数据进行预处理,去除冗余属性对分类模型的影响,然后用决策树方法建立分类模型。最后通过Pawlak重要度的属性约简算法和ID3决策树算法实现了该模型。     

粗糙集和BP神经网络在供应链绩效评价中的应用研究

从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的理论和方法,建立了基于粗糙集和BP神经网络相结合的供应链绩效评价模型。并结合一个供应链绩效评价实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到BP神经网络中进行智能训练,最后把评价的样本输入到训练好的BP网络中,得出供应链绩效的评价值、评价结果与实际结果基本一致。     

数据挖掘在Web中的研究与应用

当前网络信息急剧增长，数据丰富的同时又异常纷杂和良莠不齐，人们近切需要能够从Web上快速、有效地发展资源和知识的工具，将数据挖掘应用到Web是数据挖掘的一个新趋势。本文介绍了数据挖掘的概念和主要技术。网络挖掘的特征和类型。最后，提出了一个网络数据挖掘系统的实验模型。     

蜂群引导粗糙集前馈补偿动态博弈的交通预测

交通网络节点和实体不断增长,对交通智能预测和控制提出更高的要求。传统方法采用智能神经网络PID控制方法进行交通控制,在交通并行负载无规则增长下,系统输出不能有效跟踪参考轨线,导致负载调度和控制效果不好。结合智能蜂群仿生算法和粗糙集理论,提出一种基于蜂群引导粗糙集前馈补偿动态博弈论的交通智能预测控制算法,建立一种基于粗糙集理论的前馈补偿动态博弈数学模型,控制参数在动态博弈中实现自适应寻优,迭代修正预测值的不确定性,预测模型收敛到最优解,克服实体无规则增长导致预测控制品质不好的问题。仿真实验表明,采用该控制方法对交通网络进行预测控制,能适用于大规模并行交通网络调度与预测控制,提高控制的鲁棒性。     

浅议数据挖掘及其在大学校园的应用

随着以计算机和网络为代表的信息技术的发展,越来越多的政府组织,教育机构和科研单位实现了信息的数字化处理。而数据库技术也开始得到广泛的普及和应用。同时,信息量的不断增长也对数据存储,管理和分析提出了更高的要求。面对这一挑战,数据挖掘和知识发现技术应运而生。数据挖掘技术帮助人们从数据库或数据仓库中提取感兴趣的知识规律或高层信息,不仅用于描述过去数据的发展过程,还进一步预测未来的趋势。本文就此新技术,结合身边环境,举例说明数据挖掘在大学校园中的应用。     

基于粗糙集的经济数据分析

随着社会的快速发展,各种数据急剧增长,如何从这些海量数据中提取有用的信息成为了一个很现实而且重要的问题。在粗糙集理论中,如何去除冗余信息,留下关键信息,从中提取规则是很重要的,而且从规则中分析出一些内在规律,这对辅助决策有很大的帮助。本文利用粗糙集理论,对经济数据进行分析,从中得到一些经济规则,进行辅助决策。     

数据挖掘研究的综述

数据挖掘是一种从大量数据中提取有用信息的技术，是当前计算机科学研究的活跃领域。本文介绍数据挖掘的定义，功能以及数据挖掘的过程，论述数据挖掘的常用技术和工具，结合当前新的研究成果分析数据挖掘领域的发展趋势。     

基于启发式属性约简和神经网络的供应链协同管理绩效预测

面对激烈的市场竞争,供应链的协同管理至关重要.为提高供应链协同管理的效果,绩效预测是供应链协同管理的一个重要环节.为此从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的理论和方法,建立基于粗糙集和BP(Back Propagation)神经网络相结合的供应链协同管理绩效预测模型,并给出基于分辨矩阵的启发式评价指标约简方法和基于梯度的BP算法;结合预测实例,对其基于平衡记分卡的指标体系进行约简后将约简的评价指标输入到BP神经网络中进行智能训练,把预测的样本输入到训练好的BP神经网络中得出供应链协同管理绩效的预测值,预测结果与实际结果基本吻合.     

基于粗糙集的家庭用电评估指标体系约简方法研究

居民家庭电能管理是智能电网中智能用电环节的出发点和落脚点。针对目前家庭电能管理所面临的缺少完整的指标体系、重要指标不能量化、评估结果不够客观等问题,提出了一种基于粗糙集理论的家庭用电评估指标体系评价模型,为居民家庭电能管理提供了参考依据。采用数据统计和数据挖掘方法,设计了家庭电能效率评估的初步指标体系;利用粗糙集理论属性约简方法确定指标重要度,并对指标体系进行了指标筛选;以结果集和隶属度函数为依据构建“优度”评价模型,得出了指标体系优选模型。通过对真实家庭用电数据的处理以及电能效率评估,验证了该模型的正确性。     

高校新生行为模型构建及图书馆用户服务策略——《图书馆情报学概论》荐读

数据对于高校教育,有着推动教育创新,提升教育针对性,协助教育转型等关键作用。在大数据时代,以数据挖掘为核心的"数据驱动决策效应"是教育发展的新动力。因此数据挖掘与数据利用,在未来教育服务和教育决策中具有重要的地位。