一種基于MACA的數據挖掘分類方法研究與應用.pdf

1、分類挖掘是數據挖掘技術中一個非常重要的方法。常用的典型分類挖掘方法有決策樹、神經網絡、遺傳算法、貝葉斯方法和k—最臨近分類法等，這些方法對各自適用的數據集都表現(xiàn)出較好的分類性能，但也表現(xiàn)出許多共有的不足。首先都屬于內存駐留算法，須以數據量小為前提，對于海量數據，其有效構造分類模型的能力必顯不足；其次，對在Internet上建立數據挖掘服務器所需的并行和分布式數據處理能力缺乏考慮；此外，分類精度和內存利用率等也有待提高。 論文針對

2、分類挖掘技術的研究現(xiàn)狀，設計了一種基于多吸引子元胞自動機、可有效地應用于數據挖掘系統(tǒng)中的兩階段分類器。該分類器在數據量處理能力、分布式數據處理、分類精度和內存利用等方面都有所改善。論文的具體研究內容和研究成果包括： (1)對基于多吸引子元胞自動機的分類器進行了重新描述，縮小了分類算法的查找空間。具體方法是以兩個線性算子依賴向量DV和依賴字符串DS代替依賴矩陣來描述分類器； (2)設計了基于新描述方法的兩階段分類器，并利用

3、遺傳算法對分類器進行了優(yōu)化處理，有效提高了分類器的分類速度。 (3)設計了基于兩階段分類器的數據挖掘分類算法，并在通用的實驗平臺WEKA上進行了分類性能測試。測試結果表明，相比較原基于多吸引子元胞自動機的分類器和C4.5、貝葉斯分類法等其他常用分類挖掘方法，所提出的兩階段分類器綜合分類性能有明顯提高。 (4)將所提出的兩階段分類器具體應用到公安情報挖掘系統(tǒng)中，提出了 Web公安情報挖掘系統(tǒng)中的分類模型，設計了在分布式數據