數(shù)據(jù)挖掘系統(tǒng)的應(yīng)用研究.pdf

1、聚類發(fā)現(xiàn)是數(shù)據(jù)挖掘的一類重要技術(shù).它是一種在無導(dǎo)師的情況下,根據(jù)樣品間的相似程度自動地進行分類的方法.聚類作為統(tǒng)計數(shù)學(xué)的分支已經(jīng)被長期廣泛的研究.在數(shù)據(jù)挖掘領(lǐng)域,有關(guān)聚類的研究主要集中于空間數(shù)據(jù)庫、多媒體數(shù)據(jù)庫和圖象等.這些研究的共同特點是,聚類的處理對象是由數(shù)值屬性構(gòu)成的數(shù)據(jù)集.但是在商業(yè)應(yīng)用中,特別是在商業(yè)服務(wù)機構(gòu)的數(shù)據(jù)倉庫中,大部分?jǐn)?shù)據(jù)是非數(shù)值數(shù)據(jù).對非數(shù)值數(shù)據(jù),特別是對范圍數(shù)據(jù)進行聚類比對數(shù)值數(shù)據(jù)有更多的困難,而對它的研究卻很少

2、.在該文中,重點研究了范疇數(shù)據(jù)中的聚類問題,分析了范疇數(shù)據(jù)的數(shù)學(xué)特征,給出了范疇數(shù)據(jù)的局部相似測度和全局相似測度的概念;探討了范疇數(shù)據(jù)聚類的最優(yōu)合并問題,給出了三個最優(yōu)合并準(zhǔn)則;在以上分析的基礎(chǔ)上,給出三個范疇數(shù)據(jù)中的層次聚類算法.分析了它們的時間復(fù)雜度并比較了它們的實驗結(jié)果.實驗表明提出的最優(yōu)合并準(zhǔn)則能顯著提高范疇數(shù)據(jù)聚類結(jié)果的正確性.事務(wù)數(shù)據(jù)是一類特殊的范疇數(shù)據(jù).我們討論了事務(wù)數(shù)據(jù)庫中的聚類問題.我們將范疇數(shù)據(jù)的聚類算法用于事務(wù)數(shù)據(jù)

3、庫中的事務(wù)聚類和項聚類并進行了優(yōu)化.我們實現(xiàn)了這兩個算法,討論了它們的時間復(fù)雜度和空間復(fù)雜度.分析和實驗表明我們的算法能有效的處理大型事務(wù)數(shù)據(jù)集.大量數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系的發(fā)現(xiàn)在選擇購物、決策分析和商務(wù)管理方面具有重要的意義.Apriori算法是一種有效的關(guān)聯(lián)規(guī)則挖掘算法,它探查逐級挖掘Apriori性質(zhì).多層關(guān)聯(lián)規(guī)則可以根據(jù)每個抽象層上的最小支持度閾值如何定義,使用多種策略挖掘.基于約束的挖掘允許用戶聚焦,按提供的元規(guī)則即模式模板和其他

4、挖掘約束搜索規(guī)則.電力調(diào)度數(shù)據(jù)聯(lián)機分析系統(tǒng),運用關(guān)聯(lián)發(fā)現(xiàn)規(guī)則,采用Microsoft SQL SERVER 2000數(shù)據(jù)倉庫技術(shù).結(jié)合安徽省電力調(diào)度通信中心的需求,選取用電量,發(fā)電量,歷史采樣以及歷史采樣與計劃對比四個主題,針對時間、采樣點、設(shè)備等級、發(fā)電類型等建立維度,用戶可以隨意挑選感興趣的主題,選擇不同的維度組合查看原始數(shù)據(jù)并對數(shù)據(jù)進行分析,并可用餅圖,直方圖,折線圖,條形圖等不同的圖形直觀的顯示.電力調(diào)度數(shù)據(jù)挖掘系統(tǒng)(Data