数据挖掘专利综述

尽管科学研究专利是反映科学研究成果的一个重要方面，专利申请本身是一项重要的科学研究工作，但是长期以来，专利所包含的科学研究成果在文献中却没有得到充分的反映．由此，对著名的美国专利和商标委员会数据库(US PATENT ＆ TRADEMARK OFFICE DATABASE)中数据挖掘专利的授权情况进行了分析．对于专利授权比较集中的领域一关联规则、互联网挖掘、聚类算法和并行数据挖掘等方面中的代表性专利进行了总结和分析．最后，指出了当前数据挖掘专利的一些空白领域．     

分布式并行数据挖掘计算框架及其算法研究

为了提供一个灵活可扩展的计算平台进行高效的挖掘计算，提出了一种应用于分布和并行环境的数据挖掘计算框架和相应的算法。通过分析关联规则挖掘理论和以往算法的优缺点，建立一种分布式并行数据挖掘的计算框架，并给出相应的求解算法。实例分析表明该计算框架能够减少节点问的通信开销，保持了良好的可扩展性：挖掘算法则利用本地节点动态有序集合枚举树生成方法代替数据库节省了本地空间的占用．大大提高了查找的计算效率。     

基于遗传算法的关联规则数据挖掘

关联规则是数据挖掘的重要手段,它基于支持度、置信度等对规则进行筛选,生成有用的规则,由于根据实际情况有时会产生虚假规则,所以兴趣度也自然被引入。遗传算法是自动化技术、专家系统等经常采用的算法。通过改进的遗传算法进行关联规则数据挖掘并进行了实例应用。遗传算法能较好地得出发生交通事故原因与结果的关联规则,提高数据挖掘的效率。     

基于关联规则的数据挖掘算法

在数据挖掘技术中,基于关联规则的数据挖掘算法是较为重要的一个课题,是我国信息技术领域的热门研究课题。基于此,本文从数据挖掘算法入手,对基于关联规则的数据挖掘算法进行了分析,将这一算法的原理作为基础,提出了提高数据挖掘算法概率的改进措施,意在提高数据挖掘算法的处理效果,使其应用于更多领域中。     

关于数据挖掘技术与关联规则挖掘算法的研究

随着计算机技术和网络通信技术的不断发展,数据信息逐渐成为当前社会各行各业发展的关键。当今社会人们对计算机应用提出了更高要求,如今人们慢慢的意识到关系数据库有很多缺点和限制,这种问题又推动了数据库在更深领域上的研究。     

数据挖掘中的关联规则的研究

上个世纪,数据挖掘技术的兴起,帮助研究者能够从大量的数据中提取有价值的信息,Agrawal等人在90年代提出了关联规则挖掘技术,来发现大量数据中的相关性信息.经过多年的发展,关联规则已然成为数据挖掘技术中高度重要并相对而言较为成熟的一种方法.本文概论了关联规则在数据挖掘中的运用,详述了关联规则中现有经典算法,并对FP-Growth算法做出优化.     

基于数据挖掘的入侵检测系统研究

通过对入侵检测和数据挖掘技术的研究,分析了数据挖掘技术在入侵检测系统中的应用。针对入侵检测领域特点,对经典关联、聚类算法进行了改进和优化。对k-means算法的改进解决了聚类算法固有的无法预知最佳聚类个数和分类过细的问题。     

基于云计算的大数据挖掘平台

开发了一个基于云计算的并行分布式大数据挖掘平台——PDMiner.PDMiner实现了各种并行数据挖掘算法,如数据预处理、关联规则分析以及分类、聚类等算法.实验结果表明,并行分布式数据挖掘平台PDMiner中实现的并行算法,能够处理大规模数据集,达到太字节级;具有很好的加速比性能;实现的并行算法可以在商用机器构建的并行平台上稳定运行,整合了已有的计算资源,提高了计算资源的利用效率;可以有效地应用到实际海量数据挖掘中.在PDMiner中还开发了工作流子系统,提供友好统一的接口界面方便用户定义数据挖掘任务.     

A Multi-Agent System Using JADE for Simulation of Supply Chains

This paper proposes a prototype system for modeling and simulation of supply chains using a widely accepted agent platform Java agent development platform (JADE). A simple but practical coordination mechanism agent-based dynamic information network for supply chains (ADINS) is employed for the illustration of the suggested system and a simulation experiment is performed using a supply chain model of a Korean LCD manufacturing company. The result shows that the suggested mechanism is successful in reducing bullwhip effects and increasing service rates.     

基于Agent的分布式空间数据挖掘研究

在分析数据挖掘、空间数据挖掘、Agent的概念和技术特点的基础上,提出了一种基于代理的分布式空间数据挖掘模型,描述了分布式数据挖掘中协调器、数据挖掘代理、数据库和用户之间的通信、程序调用和代码迁移等实现方法.     

基于Agent的空间数据挖掘研究

提出一种基于Agent理论的空间数据挖掘体系结构,并分析了其工作原理。进一步根据Agent的特点,设计了空间数据挖掘智能体的模板,并在其基础上,对农业空间数据实现高效的空间数据挖掘。     

基于Agent UML可视化模型的代码自动生成

针对目前开发者多在分析和设计阶段采用Agent UML为多智能体（MAS）建立模型,但无法实施对模型的验证。文中实施了能够将Agent UML可视化模型转换为基于Agent的应用程序——JADE代码,并且使将多Agent协商的分析、设计和实施集成在一起,形成一套完整的开发方法学,并提供完整易用的工具插件支持。     

基于JADE的和差四通道抗多主瓣干扰算法

强压制干扰出现在雷达主瓣内时,雷达的探测效能会受到严重影响。对此,提出了基于矩阵联合对角化（Joint Approximation Diagonalization, JADE）的和差四通道抗多主瓣压制干扰算法。新方法利用JADE算法通过对和差四通道接收到的混合信号进行盲分离,然后对分离后的4个通道进行脉压处理,最后进行峰值检测以提取目标回波信息,从而有效抑制多主瓣压制干扰。仿真结果表明,该方法在主瓣干扰位于1/10个波束宽度时依然有效,性能比空域自适应处理方法有明显改善。     

基于Agent和数据挖掘的个性化远程教育系统的研究与实现

分析了目前远程教育系统存在的几个主要问题,提出并设计了一种基于Agent和数据挖掘技术的个性化远程教育系统。该系统由于在Web服务器的基础上增加了应用服务器,从而使系统的负载能力得到提高,能适应更多的在线学习的需求。由于充分运用了Agent技术和数据挖掘技术,从而使系统的灵活性和适应性得到提高,完全能满足个性化现代远程教育的需求。     

基于JADE算法的鲁棒性数字水印

 鲁棒性是数字水印的一个关键问题,本文提出一种新颖的基于JADE(联合对角化)算法的鲁棒性水印算法,该算法利用迭代混合的方法嵌入水印,保证了水印具有良好的不可视性和鲁棒性,然后以混合图像作为一路观测信号,将水印信息作为另一路观测信号,再利用盲源分离JADE算法检测水印,无需知道嵌入水印的确切位置.理论分析和仿真结果表明该算法具有较强的鲁棒性.     

基于粗集和多Agent技术的分布式数据挖掘

在分布式数据库基础上,对各个站点的数据库使用粗集的方法进行挖掘,产生各个站点的规则,将这些规则库组合起来,产生一个全局的规则库,从而可以为管理者提供决策的依据.但是,产生的全局库中往往会有不一致的规则出现,一方面,是由于数据库本身的不一致等原因,导致了规则的不一致;而另一方面,则由于各个站点都追求规则的简洁性,使得直接从全局数据提取的规则不矛盾,在分布式环境下却得到矛盾的规则.对于第一种情况,可以通过现有的增加规则的可信度等方法加以避免;而对于第二种情况,本文提出了三种算法来解决了这个问题,并对这三种算法的效率、得到的一致规则的长度等问题进行详细的分析,说明了算法3是一种高效实用的算法.另外,本文对局部站点的核和全局站点的核的关系进行了研究,并证明了一个定理.     

一种网络化数据挖掘方法研究

传统数据挖掘方法一般挖掘和发现其中的广义知识、关联知识、分类知识和预测知识等。随着对WS小世界网络和BA无尺度网络等复杂网络性能研究的不断深入．复杂网络结构中本身蕴含的知识是一类新型的重要知识，文章研究了一种网络化数据挖掘（Networked Data Mining），将网络拓扑作为一种知识表示方式，将大规模实际数据对象及其关系抽象为网络拓扑的形式，采用复杂网络的理论和方法进行分析和挖掘，发现蕴涵在其中的、反映事物间联系规律的知识和信息。实验表明，该方法能够有效挖掘复杂网络拓扑中的骨干节点和社区结构。     

A Distributed Framework for Parallel Data Mining Using HPJava

Java has become a language of choice for applications executing in heterogeneous environments utilising distributed objects and multithreading. To handle large data sets, scalable and efficient implementations of data mining approaches are required, generally employing computationally intensive algorithms. Conventional Java implementations do not directly provide support for the data structures often encountered in such algorithms, and they also lack repeatability in numerical precision across platforms. This paper describes a distributed framework employing task and data parallelism, and implemented in high performance Java (HPJava). Issues of interest for data mining algorithms are identified, and possible solutions discussed for overcoming limitations in the Java Virtual Machine. The framework supports parallelism across workstation clusters, using the message-passing interface as middleware, and can support different analysis algorithms, wrapped as Java objects, and linked to various databases using the Java database connectivity interface. Guidelines are provided for implementing parallel and distributed data mining on large data sets, and a proof-of-concept data mining application is analysed using a neural network.