智能融合數(shù)據(jù)挖掘方法及其應(yīng)用.pdf

1、隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛應(yīng)用，使得人們積累的數(shù)據(jù)遠(yuǎn)遠(yuǎn)超過人們分析和理解數(shù)據(jù)的能力。激增的數(shù)據(jù)背后隱藏著許多重要的信息，人們希望能夠?qū)ζ溥M(jìn)行更深層次的分析，以便更好地應(yīng)用數(shù)據(jù)和提供決策支持。數(shù)據(jù)挖掘技術(shù)為了解決“數(shù)據(jù)爆炸但知識(shí)貧乏”的問題便應(yīng)運(yùn)而生。成為目前具有挑戰(zhàn)意義的研究熱點(diǎn)之一。數(shù)據(jù)挖掘是從數(shù)據(jù)集中識(shí)別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程，其中聚類、主元分析和趨勢分析是三個(gè)重要的環(huán)節(jié)

2、。 聚類分析是數(shù)據(jù)挖掘的重要方法之一。本文深入分析了聚類分析中的一些傳統(tǒng)方法，提出了三種聚類分析算法：復(fù)合聚類分析算法;基于動(dòng)態(tài)數(shù)據(jù)窗口的自組織競爭神經(jīng)網(wǎng)絡(luò)聚類分析方法：基于動(dòng)態(tài)數(shù)據(jù)窗口的融合聚類分析算法。將這三種方法進(jìn)行分析比較，應(yīng)用在故障檢測當(dāng)中。仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性。 主元分析方法是統(tǒng)計(jì)學(xué)中的重要方法之一，在處理數(shù)據(jù)挖掘中高維數(shù)據(jù)問題上有很大的突破。本文針對(duì)主元分析方法對(duì)于不同量綱和分布“均勻”的數(shù)據(jù)很難選取

3、主元，或者選取的主元沒有代表性的問題，提出一種相對(duì)主元分析方法，該方法可以克服數(shù)據(jù)的量綱問題和分布“均勻”問題，選出的相對(duì)主元具有代表性，可以很好的解決數(shù)據(jù)挖掘中的高維數(shù)據(jù)壓縮問題以及復(fù)雜系統(tǒng)的故障檢測問題。而且基于相對(duì)主元的故障檢測模型不受模型采樣數(shù)目的限制。仿真結(jié)果驗(yàn)證了方法的有效性。 由于預(yù)測神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)任意逼近非線性映射，被用于構(gòu)建非線性系統(tǒng)模型。但現(xiàn)在神經(jīng)網(wǎng)絡(luò)時(shí)序預(yù)測模型只能進(jìn)行一維預(yù)測，對(duì)于多屬性事物的預(yù)測還

4、未探究。本文提出一種基于并行遞歸神經(jīng)網(wǎng)絡(luò)的多維預(yù)測模型，這種模型能夠記憶歷史信息，實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)建模、在線參數(shù)修正和多維并行預(yù)測，并用多維空間中的線性函數(shù)和非線性函數(shù)驗(yàn)證了該預(yù)測模型的有效性。 針對(duì)復(fù)雜系統(tǒng)的數(shù)據(jù)，單一的數(shù)據(jù)挖掘算法很難實(shí)現(xiàn)數(shù)據(jù)挖掘，或者是得出的“知識(shí)”有局限性。本文結(jié)合前面所介紹的基于動(dòng)態(tài)數(shù)據(jù)窗口的聚類分析方法，相對(duì)主元方法和并行遞歸神經(jīng)網(wǎng)絡(luò)的多維預(yù)測模型，提出一種基于智能融合的數(shù)據(jù)挖掘方法監(jiān)控系統(tǒng)。該方法可以實(shí)