数据仓库与数据挖掘的关系及其安全性问题

数据仓库与数据挖掘是当今新的技术热点,数据仓库是一种解决数据使用的高效技术,数据挖掘为之提供了更好的决策支持和服务,同时促进了数据仓库技术的发展。从数据仓库的相关技术和体系结构分析展开研究,分析了数据挖掘与数据仓库的关系,重点阐述了数据仓库的安全性问题,展望了数据仓库未来的研究方向。数据仓库和数据挖掘二者既相互结合、共同发展,又相互影响、相互促进。数据仓库越来越广泛地运用到各个领域中,成为企业获得竞争优势的关键武器。     

数据仓库与数据挖掘的关系及其安全性问题

数据仓库与数据挖掘是当今新的技术热点,数据仓库是一种解决数据使用的高效技术,数据挖掘为之提供了更好的决策支持和服务,同时促进了数据仓库技术的发展.从数据仓库的相关技术和体系结构分析展开研究,分析了数据挖掘与数据仓库的关系,重点阐述了数据仓库的安全性问题,展望了数据仓库未来的研究方向.数据仓库和数据挖掘二者既相互结合、共同发展,又相互影响、相互促进.数据仓库越来越广泛地运用到各个领域中,成为企业获得竞争优势的关键武器.     

基于智能和数据仓库DSS的综合DSS

阐述了智能决策支持系统和基于数据仓库的决策支持系统的结构,介绍了将两者结合起来构成综合决策支持系统的新思路:以将智能决策支持系统与基于数据仓库技术的决策支持系统这两者不同的辅助决策方式结合起来,从而进一步提高辅助决策的效果,为各级决策者进行科学决策提供更强的辅助决策手段。     

基于智能和数据仓库DSS的综合DSS

阐述了智能决策支持系统和基于数据仓库的决策支持系统的结构,介绍了将两者结合起来构成综合决策支持系统的新思路:以将智能决策支持系统与基于数据仓库技术的决策支持系统这两者不同的辅助决策方式结合起来,从而进一步提高辅助决策的效果,为各级决策者进行科学决策提供更强的辅助决策手段.     

基于库存控制的数据仓库与决策支持

通过对传统决策支持系统已经不能满足当今企业对决策支持的需要的分析,提出了采用数据仓库（DW）,联机分析处理（OLAP）及数据挖掘技术为企业提供决策必要性,设计了一种利用数据仓库（DW）技术和联机分析处理（OLAP）、数据挖掘（DM）等数据仓库工具提供库存控制决策支持的方案,并着重阐述了联机分析处理（OLAP）与数据挖掘是如何为企业库存控制提供决策支持的。     

数据仓库元数据管理研究与架构设计

数据仓库是信息化发展到一定程度的产物,能够为决策支持提供强有力的支持。在构建数据仓库的过程中,需要集成众多不同的软件系统,以及设计许多模型。元数据在数据仓库的设计、集成、实现中扮演重要角色。文章结合CWM标准,对数据仓库元数据的管理架构,元数据管理系统结构,元数据存储方法等进行了研究。     

一个基于数据挖掘技术的高校财务预算系统设计与研制

财务预算是高等院校管理中的一项重大决策工作。采用数据仓库和数据挖掘技术建立决策支持系统是当前的主要方式。本文分析了高等院校财务预算的业务需求,设计实现了一个高校财务预算决策支持系统,包括数据预处理、数据集成、数据挖掘分析等。系统采用决策树数据挖掘技术,对高校财务历史数据进行分析处理,提供预算分析指导。实际使用表明系统对高等院校的财务预算有良好支持。     

基于OLAP与数据挖掘的高考招生数据分析

如何从海量的高考招生数据中发现有用信息,是招生主管部门迫切关心的问题,也是家长、考生以及社会各界都十分关注的问题。围绕这一问题,依据某省多年来累积的高考招生数据,建立数据仓库和多维数据集,进行OLAP分析与数据挖掘分析,得到了一些潜在的有用信息。研究分析表明,这些信息可以为招生主管部门提供决策支持,也可作为指导考生合理填报志愿的重要依据。介绍了数据仓库和多维数据集的建立过程、录取相关数据的OLAP分析及其结果的解读过程以及利用决策树算法和关联规则算法进行数据挖掘的过程。     

企业管理决策中数据仓库的设计与实现

利用数据仓库技术可以对分布在企业各部门之间的业务数据进行采集、加工、整合,根据不同的业务主题建立不同的数据仓库,为企业管理及决策提供分析信息和决策依据。本文介绍了数据仓库及相关技术、企业数据仓库的设计与实现。     

企业管理决策中数据仓库的设计与实现

利用数据仓库技术可以对分布在企业各部门之间的业务数据进行采集、加工、整合,根据不同的业务主题建立不同的数据仓库,为企业管理及决策提供分析信息和决策依据。本文介绍了数据仓库及相关技术、企业数据仓库的设计与实现等。     

决策树算法的研究及优化

决策树算法是数据挖掘中的一个比较活跃的研究领域,是对分类问题进行深入分析的一种方法,但构造最优决策树是一个NP困难问题。文中首先介绍了ID3算法的基本思想,然后讨论了决策树算法中的难点问题,针对ID3算法中所存在的不足,提出了一种利用优化法的思想来改进信息增益的算法,并且与ID3算法进行了实验对比。通过实验表明,这种方法从树的规模和分类精度都优于许多决策树算法,使决策效率明显提高。     

不确定数据的决策树分类算法

经典决策树算法不能处理树构建和分类过程中的不确定数据。针对这一局限,将可用于不确定数据表达的证据理论与决策树分类算法相结合,把决策树分类技术扩展到含有不确定数据的环境中。为避免在决策树构建过程中出现组合爆炸问题,引入新的测量算子和聚集算子,提出了D-S证据理论决策树分类算法。实验结果表明,D-S证据理论决策树分类算法能有效地对不确定数据进行分类,有较好的分类准确度,并能有效避免组合爆炸。     

基于多策略的学生成绩挖掘与分析

通过对数据挖掘技术的相关分析与比较,提出了多策略的设计思路,将数据挖掘与统计分析相结合,从海量成绩数据中提取隐藏于其中的有用信息,从而科学指导教学,提高教学管理水平。多策略是指:采用基于决策树的分类方法,对学生成绩库中数据进行挖掘,生成学生成绩决策树,能直观显示出某一成绩在不同等级计算方式所处的位置,为教学部门提供评价信息;同时采用基于总结规则的统计分析方法,完成不同情况下的成绩查询及对比分析,实现学生成绩分析报告、试卷质量评价报告及质量分析表的自动生成。应用该系统后将改进工作效率,提高教学质量。     

基于糊模ID3算法的高校学生流失数据挖掘研究

目前高校不断扩招,生源却逐渐减少,于是预防和减少学生流失正成为各高校必须面对的问题。通过对高校学生流失情况进行数据挖掘,可发现一些有价值的信息,为解决高校学生流失问题提供帮助。基于糊模理论提出了糊模ID3算法,并将该算法运用于分析高校学生流失原因之中。通过实验证明,该算法生成的决策树更加合理,分类速度更快,为解决高校学生流失问题提供了理论依据。     

基于数据挖掘的决策树方法分析

决策树方法因其简单、直观、准确率高等特点在数据挖掘及数据分析中得到了广泛的应用。在介绍了决策树方法的一般知识后,深入分析了决策树的生成算法与模型,并对决策树的剪枝过程进行了探讨。     

决策树算法的研究及其改进

该文主要探讨了基于数据仓库的数据挖掘技术中分类算法的决策树算法的基础理论和实施方法,分析并改进了分类方法中决策树算法;并在决策树预剪枝算法中,利用父结点与当前结点信息嫡的比值来作为是否停止决策树扩张的评判标准。     

贝叶斯决策树在客户流失预测中的应用

针对电信企业客户流失问题,提出采用贝叶斯决策树算法的预测模型,将贝叶斯分类的先验信息方法与决策树分类的信息熵增益方法相结合,应用到电信行业客户流失分析中,分别将移动公司的客户数据以及UCI数据纳入到模型中得出相应的结果。加入贝叶斯节点弥补决策树不能处理缺失值以及二义性数据的缺点。检验结果表明,基于贝叶斯推理的决策树算法在牺牲了较小的训练时间与分类时间的情况下,得到了比仅基于决策树算法更高的覆盖率与命中率。     

基于贝叶斯和决策树的入侵检测方法

针对目前基于贝叶斯或决策树的入侵检测方法存在检测率低、误检率高的问题,提出了一种基于贝叶斯和决策树的入侵检测方法。该检测方法首先采用基于特征相似度的朴素贝叶斯方法对训练集中的样本进行分类,更新每个样本的类值;然后对训练集中的样本再次使用朴素贝叶斯方法进行分类,对存在误分类样本的类采用决策树的信息增益来确定属性划分子类,再对子类进行分类和划分操作;最后建立贝叶斯和决策树的混合模型进行入侵检测。实验结果表明,与单独使用贝叶斯或者决策树的检测方法相比,该检测方法具有较高的检测率。     

一个基于粗集的决策树规则提取算法

决策树是数据挖掘任务中分类的常用方法。在构造决策树的过程中,分离属性的选择标准直接影响到分类的效果,传统的决策树算法往往是基于信息论度量的。基于粗糙集的理论提出了一种基于属性重要度和依赖度为属性选择标准的决策树规则提取算法。使用该算法,能提取出明确的分类规则,比传统的ID3算法结构简单,并且能提高分类效率。     

基于粗糙集和决策树的医学图像分类研究

根据医学图像数据的特性,提出一种基于粗糙集和决策树相结合的数据挖掘新方法。该方法利用粗糙集中基于属性重要性的离散化方法对医学图像特征进行离散化,采用粗糙集对其属性进行约简,得到低维训练数据,再用SLIQ决策树算法产生决策规则。实验表明：将粗糙理论与SLIQ相结合的数据挖掘方法既保留了原始数据的内部特点,同时剔除了与分类无关或关系不大的冗余特征,从而提高了分类的准确率和效率。