工程数据挖掘的集成化方法及其应用

《工程数据挖掘的集成化方法及其应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华中科技大学硕士学位论文工程数据挖掘的集成化方法及其应用姓名：陆光辉申请学位级别：硕士专业：机械设计及理论指导教师：肖人彬2002.4.27华中科技大学硕士学位论文摘要随着工程数据库的日益复杂化，传统的统计分析技术已难以满足要求，因此，有必要将数据挖掘这一新兴技术应用到工程领域，以实现工程信息的智能化处理。为此，本文对数据挖掘的一些关键问题进行了研究，并将数据挖掘技术用于解决水、邃源调度问题，取得了良好的应用效果。在对现有数据挖掘技术研究和总结的基础上，论文提出了一种基于粗糙集理论与神经网络的集成化数

2、据挖掘方法。f陔方法首先针对传统粗糙集在属性约简方面的不足，提出了改进的粗糙集模型，用以对数据库进行了初始约简；在此基础上，提出了使用最大概率因子方法对数据库进行再约简，从HIj尽量日战少了干扰属性的影口⋯其次，采用面向属性对象泛化的思想，将数据库中在枞念上具有一致性的属性加以合并，进一步降低了数据库的维数空间；然后提出了基F神经网络规则提取的方法，给出了BP网络用于觇则提取的效果；最后提出了决策树表示法，将BP网络识别出的规则进一步生成决策树。厂r其后，进一步提出了基于多粒度技术的数掘挖掘方法，对粒

3、度的定义和性质进行了描述，分析了两种多粒度技术方案，j{：对粒度细化的情况进行了研究，在原始判定树算法的基础上提出了多粒度判定树生成算法，将约简后的数据库生成为某一粒度下的判定树，应用模式兴趣度的概念，消除了冗余的模式。在上述工作的基础上，开发了一个集成化数据挖掘工具RDMiner。f该工具软件实现了本文研究提出的主要功能，界面友好，操作方便，具有丌放性。在应用方面，以南水北调工程为背景，作者开发实现了一”个动画演示系统(SW2N)，给出了在陔系统中利用RDMiner工具提取规则，进行动画演示的完整过

4、程，其应用效果良好，证实了本文提出方法及所开发的工具系统的有效性。卜、一一最后，对全文工作和研究成果进行了总结，并提出了今后进一步研究的展望和建议。关键词：数据挖掘。粗糙集理诧。多粒∥神经网矿南水北调I华中科技大学硕士学位论文g!!!=!!!==!!!===!====!!!=苎===竺苎=!==!!==AbstractWiththevolumeofdatabasebecomingmoreandmorelarge，thetraditionalanalysistechnologyhasnotmetther

5、equirements．SoitisessentialtOapplythedatamining．anewlyrisingtechnology,tOtheengineeringfieldtOimplementtheintelligenceprocessingoftheengineeringinformation．Therefore，thisthesisinvestigatesmanycriticalproblems、andappliesthetechnologyofdataminingtothetran

6、sferofwaterresourceAndtheresultturnsouttobesuccessfulBased011thecurrentresearchesandsummarizationsofthetechnologyofdatamining．thethesisputsforwardanintegratedapproachbasedontheroughsetandneuralnetwork．Firstlyaccordingtothedeficienciesofthetraditionalrou

7、ghsetOHtheattributereduction．animprovedroughsetmodeliSpresented．whichcarlbeusedtoremoveattributeredundancyfromtheoriginaldatabase．Basedonthis．amethodusingtheMaximalProbabilityFactoriSputforwardtoreducethedatabaseagain，whichreducesthedisturbanceattribute

8、stObeasfeWaspossibleThentheconceptgeneralizationderivedfromtheobject—orientedideaiSadoptedtOmakefurtherreductionofattributes．FinallythesimilarweightapproachisproposedtoextractrulesefficientlybyutilizingtheBPneuralnetwork，anddecis