SCBA:基于演变的规则知识库的数据流分类模型

近年来,数据流作为一种特殊的数据形态,广泛出现于金融、互联网、科学研究等各个领域,引起了数据挖掘界极大的兴趣。其数据量无穷,数据概念随时间变化,对问题要求快速响应等特点给研究工作带来了极大的挑战。该文聚焦于数据流分类问题,提出了一种基于演变的规则知识库的数据流分类模型:SCBA(streamclass ification based on assoc iation ru les)。该模型随着数据流的到达,从动态维护的规则知识库中挑选适应当前数据概念的规则,构建单个分类器。与目前流行的数据流分类模型相比,SCBA具有如下特点:与层次结构的决策树相比,分类器的更新更为灵活并易于实现;与倾向“平均”的组合分类器相比,单个的分类器有利于规避“小模式问题”,并能加快对数据流概念变化的调整速度和对应用的响应速度。     

智能诊断技术在水电机组振动故障诊断的应用

通过对智能诊断技术发展状况的认识,了解到智能诊断技术的特点和发展中优势,为智能诊断技术在水电机组振动故障诊断中的应用奠定了有效的基础。通过具体对智能诊断技术的实际应用,建立了水电机组振动故障诊断的有效体系,建立了稳定运行和发展的水电机组。     

水电机组故障诊断中的推理策略

在水轮发电机组监测与故障诊断专家系统中，推理机的设计是专家系统的核心．针对水电机组的特点，讨论了知识的表达方式、专家系统推理机推理策略的实现，并讨论了规则可信度的计算．该推理方法用于白莲河水电站监测与故障诊断系统中，成功地对机组的故障原因进行了推理，证明该推理方法是可行的，并为其他电站故障诊断推理机的设计提供了参考。     

基于专家系统的水电机组振动故障诊断研究

提出了一种开发水电机组故障诊断专家系统的设计思想及实现方法，通过采用产生式规则来表示知识，运用正反向推理机制，动态丰富知识库，实现水电机组振动的在线（离线）监测和故障诊断，并提供诊断结果和相应的故障处理措施，为水电厂从计划检修向状态检修提供可靠的技术保证，该系统具有人机界面友好，运行速度快，信息存储量，开发周期短，易于维护，扩充等特点。     

水电机组故障诊断专家系统中知识库的设计

以水电机组为研究对象，对故障诊断专家系统知识库的建立从理论上和方法上进行了研究，建立了基于C 的产生式知识库系统。该方法已在白莲河水电站水电机组故障诊断专家系统知识库中获得应用，取得了良好的效果。对其他电站水电机组专家系统的建立有推广意义。     

噪声数据流的分类方法

数据流中噪声数据的处理是当前数据流分类挖掘中重要的研究分支,近些年来得到了广泛的关注.本文提出了一种称为FDBCA的数据流分类算法.它使用基于密度的带有噪声的空间聚类(DBSCAN)的改进算法Fast-DB-SCAN(FDBSCAN)处理噪声数据,并利用错误率方差(MSE)来检测概念漂移.同已有的数据流分类算法相比,实验结果表明了FDBCA算法可以提高噪声数据流的分类精度.     

基于关联的自适应分类规则挖掘方法

讨论了对分类规则的挖掘采用基于关联的分类方法.关联分类规则挖掘方法主要包括两大处理步骤:第一步利用分类关联规则挖掘算法挖掘出有关的分类关联规则;第二步就是基于所挖掘出的分类关联规则构造一个分类器.详细介绍了该方法的实现算法和部分数据结构.     

基于分类树的高效关联规则挖掘算法

在分析类Apriori算法存在效率瓶颈的基础上，提出了一个高效改进算法——基于分类树的关联规则挖掘算法．该算法只需要两次访问数据库，把数据库中的数据利用分类树来存储，减少了访问数据库的次数；并且由分类树的全部或部分来求得频繁项目集，减少了求频繁项目集的比较次数．此算法通过结合Apriori和FP—tree两种算法来提高挖掘效率，降低了挖掘算法的时间复杂度和空间复杂度．通过多次试验证明该算法比Apriori及其改良算法的挖掘效率高2到8倍．     

基于分级模糊神经网络的水电机组故障诊断

针对水电机组发生故障时,故障征兆与故障原因之间复杂的对应关系,提出了一种新型的基于低、中、高3级模糊神经网络的故障诊断结构模型和相应的学习算法,并以此方法对该分级模糊神经网络进行了仿真训练.仿真实验结果表明,该方法能有效地对水电机组单故障与多故障样本进行分类,可提高诊断准确率.     

数据流挖掘技术

简要概述了数据流挖掘技术,探讨了数据流的特点.数据流的概念漂移现象,给数据流上的数据挖掘带来很大困难.由于计算机的内存有限,数据窗口技术只针对最近的数据,而最近的数据常常导致数据挖掘系统中的分类器过配,文中介绍了解决这一问题的方法,并讨论了数据流挖掘技术的应用.     

基于对向传播神经网络的水电机组振动故障诊断研究

应用频谱法和对向传播神经网络分类器对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本;通过训练,使构造的对向传播神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,频谱分析与对向传播神经网络相结合的方法进行故障诊断简单有效,且具有良好的鲁棒性和泛化能力,是一种有效的诊断方法。     

故障诊断专家系统在水轮发电机组中的应用

论述了故障诊断专家系统理论基础和水轮发电机组故障的特点,提出了如何建立实时性强、可靠性高、界面友好的水轮发电机组故障诊断专家系统。     

朴素贝叶斯分类在数据挖掘中的应用

数据库信息分类中,朴素贝叶斯分类模型是一种简单有效的分类方法,它理论基础好,分类精度高.本文运用朴素贝叶斯分类的方法,对所给数据进行分类和预测,通过一个实例给出了该算法对于预测数据进行分类的详细过程.     

分类数据挖掘综述及应用

分类是把数据项映射到其中一个事先定义的类中的这样一个学习函数的过程．文章介绍分类数据挖掘的定义、分类的过程以及算法的分类，论述数据分类的常用技术，对分类的应用和分类算法的发展方向进行了展望．     

基于故障诊断的数据挖掘系统

故障诊断规则获取一直都是研究的热点之一。粗集作为分类数据挖掘方法的一种，是故障诊断的一种新的有效方法。首先介绍了基于故障诊断的数据挖掘系统特点及结构，然后介绍各模块功能，并论述了相关的粗集理论及具体算法，最后给出了系统的应用实例。     

基于故障树与BAM神经网络的智能故障诊断方法

在研究故障树分析(FTA)和双向联想记忆(BAM)神经网络在故障诊断中应用的基础上,提出了一种融合FTA和BAM的故障诊断方法。故障树存贮了系统关于顶事件发生的全部知识,利用FTA得到系统所有的故障模式,进而归纳出BAM的学习样本,即故障树中故障现象(监测点状态组合)和底事件发生与否之间的对应。BAM通过联想记忆矩阵并行联想,得到诊断结果,扩展综合故障诊断能力。用上述方法进行仿真分析,结果表明该方法用于解决此类问题是有效的。     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点 .粗糙集理论是一种具有模糊边界的集合理论 ,它作为研究知识发现的新型工具 ,能严格地处理不精确数据的分类问题 ,被广泛应用于不相容决策表中的规则提取过程中 .针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究 ,并介绍了数据集中挖掘分类规则的基本原理 ,同时利用 RS理论中核和核值的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法 ,并应用一简单的例子说明如何在数据库中发现分类规则 ,实验结果表明此算法可以大大提高系统潜在知识的清晰度     

基于数据挖掘的往复压缩机气阀故障诊断方法研究

往复式压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂难以辨识的特点,选取部分气阀振动信号的时域和频域参数作为特征参数,采用C-means模糊聚类的方法对气阀故障和运行状态进行评判,挖掘出了故障特征,并给出了诊断实例。     

BP神经网络在数据挖掘分类中的应用

结合人工神经网络对噪声数据具有高承受能力,且对未经训练的数据具有分类模拟能力的特点,讨论了在数据挖掘领域中利用BP网络进行数据分类的实现过程,描述并分析了BP算法.然后,针对银行业务中客户信用政策给出了实例分析,用该算法建立了一个分类模型,根据存款金额、贷款次数、及时还贷率等数据信息实现对客户信用等级的分类.     

分类技术研究及在高校人才识别中的应用

论文以决策树分类算法为主要研究对象,应用分类技术对高校人力资源数据源中的信息进行分析,给出了一种新的定量的人才识别方法,开发了分类与决策树算法人才识别系统模块,利用过去已有的引进人才的经验数据分析提取规则,为以后的人才识别提供合理的、科学的决策支持。