基于matlab的數(shù)據(jù)挖掘技術(shù)研究【文獻(xiàn)綜述】

1、畢業(yè)論文文獻(xiàn)綜述畢業(yè)論文文獻(xiàn)綜述信息與計(jì)算科學(xué)信息與計(jì)算科學(xué)基于基于matlabmatlab的數(shù)據(jù)挖掘技術(shù)研究的數(shù)據(jù)挖掘技術(shù)研究數(shù)據(jù)挖掘是用于大規(guī)模數(shù)據(jù)處理的一種新的思維方式和技術(shù)手段，他是在現(xiàn)實(shí)生活中各種數(shù)據(jù)量呈指數(shù)級(jí)不斷增長(zhǎng)，以及以數(shù)據(jù)庫(kù)(database)技術(shù)為核心的信息技術(shù)逐漸成熟的背景下產(chǎn)生的。數(shù)據(jù)挖掘可以幫助用戶發(fā)現(xiàn)影藏在大型數(shù)據(jù)庫(kù)中的規(guī)律和模式，它融合了人工智能(artificialintelligence)、統(tǒng)計(jì)（sta

2、tistics）、機(jī)器學(xué)習(xí)（nachinelearning）、模式識(shí)別（patternrecognition）和數(shù)據(jù)庫(kù)等多種學(xué)科的理論、方法與技術(shù)，已經(jīng)在商業(yè)、企業(yè)、政府、科研及體育等多種不同類型的組織機(jī)構(gòu)和領(lǐng)域中獲得了非常廣泛的應(yīng)用。即使在日常生活中，數(shù)據(jù)挖掘技術(shù)也已經(jīng)潛移默化地參與到人們的生活質(zhì)量改善過(guò)程中。數(shù)據(jù)挖掘有很多種技術(shù)和計(jì)算方法，包括決策樹(shù)方法（decisiontree）、人工神經(jīng)網(wǎng)絡(luò)方法（artificialneural

3、metwk，ANN）、聚類分析、模糊集合方法、遺傳算法（geicalgithm）、模擬退火算法(simulatedannealingSA)、進(jìn)化式程序設(shè)計(jì)(evolutionaryprogramming)等。這里主要介紹一下聚類分析、遺傳算法和人工神經(jīng)網(wǎng)絡(luò)算法。聚類分析也稱無(wú)監(jiān)督學(xué)習(xí)，或無(wú)教師學(xué)習(xí)，或無(wú)指導(dǎo)學(xué)習(xí)，因?yàn)楹头诸悓W(xué)習(xí)相比，聚類的樣本沒(méi)有標(biāo)記，需要由聚類學(xué)習(xí)算法來(lái)自動(dòng)確定。聚類分析是研究如何在沒(méi)有訓(xùn)練的條件下把樣本劃分為若干。聚

4、類（clustering）是對(duì)物理的或抽象的樣本集合分組的過(guò)程。聚類分析有很多種目標(biāo)，但都涉及把一個(gè)樣本集合分組或分割為子集或簇（cluster）。從統(tǒng)計(jì)學(xué)的觀點(diǎn)看，聚類分析是通過(guò)數(shù)據(jù)建模簡(jiǎn)化數(shù)據(jù)的一種方法。聚類分析主要針對(duì)的數(shù)據(jù)類型包括區(qū)間標(biāo)度變量、二值變量、標(biāo)稱變量、序數(shù)型變量、比例標(biāo)度型變量以及由這些變量類型構(gòu)成的復(fù)合類型。聚類算法應(yīng)具有以下幾個(gè)特點(diǎn)：1處理不同字段類型的能力；2可伸縮性；3處理高維數(shù)據(jù)的能力；4發(fā)現(xiàn)具有任意簇的形

5、狀的族類能力；5能夠處理異常數(shù)據(jù)；6對(duì)數(shù)據(jù)順序的不敏感性；7輸入?yún)?shù)對(duì)領(lǐng)域知識(shí)的弱依賴性；8聚類結(jié)果的可解釋性和實(shí)用性；9增加限制條件后的聚類分析能力?；蛩惴ㄆ鹪从趯?duì)生物系統(tǒng)進(jìn)行的計(jì)算機(jī)模擬研究，是一種受生物進(jìn)化啟發(fā)，使用計(jì)算機(jī)模擬生物進(jìn)化的學(xué)習(xí)方法?；蛩惴ㄊ悄M生物進(jìn)化過(guò)程的計(jì)算模型，是自然遺傳學(xué)與計(jì)算機(jī)科學(xué)互相結(jié)合、互相滲透而形成的新的計(jì)算方法?；蛩惴ǖ淖畲髢?yōu)點(diǎn)是問(wèn)題求解與初始條件無(wú)關(guān)，搜索最優(yōu)解的能力極強(qiáng)。從數(shù)學(xué)的角度看，基

6、因算法是一種概率型搜索算法：從工程學(xué)角度看，它是一種自適應(yīng)的迭代尋優(yōu)過(guò)程?；蛩惴ㄐ枰瓿蓛煞N數(shù)據(jù)轉(zhuǎn)換，算法實(shí)施之前進(jìn)行從表現(xiàn)型到基因型的轉(zhuǎn)換，即將搜索空間中的參數(shù)或可行解轉(zhuǎn)化成遺傳空間中的染色體或個(gè)體，完成編碼操作；在算法[7]吳燕，科技文檔的層次聚類分析[J]商業(yè)文化.社會(huì)經(jīng)緯，2008（1）：P353354[8]孟姍姍，全國(guó)地區(qū)小康和現(xiàn)代化指數(shù)的層次聚類分析[J][9]張利華，彭海燕，余淑媛，量子克隆遺傳算法的多用戶檢測(cè)技術(shù)研究[