数据挖掘技术论文范文

前言：我们精心挑选了数篇优质数据挖掘技术论文文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

[关键词]数据挖掘数据挖掘方法

随着信息技术迅速发展，数据库的规模不断扩大，产生了大量的数据。但大量的数据往往无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。

一、数据挖掘的定义

数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。

二、数据挖掘的方法

1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。

2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。

3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。

4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。

5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。

6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。

7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。

8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。

事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。

三、结束语

目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。

第2篇

数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。

二、数据挖掘的方法

1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。

2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。

3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。

4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。

5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。

6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。

7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。

8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。

事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。

三、结束语

目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。

参考文献:

苏新宁杨建林邓三鸿等:数据挖掘理论与技术[M].北京:科学技术文献出版社,2003

第3篇

[关键词]数据挖掘数据挖掘方法

随着信息技术迅速发展，数据库的规模不断扩大，产生了大量的数据。但大量的数据往往无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。

一、数据挖掘的定义

数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。

二、数据挖掘的方法

1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。

2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。

3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。

4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。

5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。

6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。

7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。

8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。

事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。

三、结束语

目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。

第4篇

（1）确定业务对象：做好业务对象的明确是数据域挖掘的首要步骤，挖掘的最后结构是不可预测的，但是探索的问题必须是有预见的，明确业务对象可以避免数据挖掘的盲目性，从而大大提高成功率。

（2）数据准备：首先，对于业务目标相关的内部和外部数据信息进行查找，从中找出可以用于数据挖掘的信息；其次，要对数据信息的内容进行全面细致分析，确定需要进行挖掘操作的类型；然后，结合相应的挖掘算法，将数据转化称为相应的分析模型，以保证数据挖掘的顺利进行。

（3）数据挖掘：在对数据进行转化后，就可以结合相应的挖掘算法，自动完成相应的数据分析工作。

（4）结果分析：对得到的数据分析结果进行评价，结合数据挖掘操作明确分析方法，一般情况下，会用到可视化技术。

（5）知识同化：对分析得到的数据信息进行整理，统一到业务信息系统的组成结构中。这个步骤不一定能够一次完成，而且其中部分步骤可能需要重复进行。

二、数据挖掘技术在水利工程管理中的实施要点

水利工程在经济和社会发展中是非常重要的基础设施，做好水利工程管理工作，确保其功能的有效发挥，是相关管理人员需要重点考虑的问题。最近几年，随着社会经济的飞速发展，水利工程项目的数量和规模不断扩大，产生的水利科学数据也在不断增加，这些数据虽然繁琐，但是在许多科研生产活动和日常生活中都是不可或缺的。例如，在对洪涝、干旱的预防以及对生态环境问题的处理方面，获取完整的水利科学数据是首要任务。那么，针对日益繁杂的海量水利科学数据，如何对有用的信息知识进行提取呢？数据挖掘技术的应用有效的解决了这个问题，可以从海量的数据信息中，挖掘出潜在的、有利用价值的知识，为相关决策提供必要的支持。

1.强化数据库建设

要想对各类数据进行科学有效的收集和整理，就必须建立合理完善的数据库。对于水利工程而言，应该建立分类数据库，如水文、河道河情、水量调度、防洪、汛情等，确保数据的合理性、全面性和准确性，选择合适的方法，对有用数据进行挖掘。

2.合理选择数据挖掘算法

（1）关联规则挖掘算法：关联规则挖掘问题最早提出于1993年，在当前数据挖掘领域，从事务数据库中发现关联规则，已经成为一个极其重要的研究课题。关联规则挖掘的主要目的，是寻找和挖掘隐藏在各种数据之间的相互关系，通过量化的数据，来描述事务A的出现对于事务B出现可能产生的影响，关联规则挖掘就是给定一组Item以及相应的记录组合，通过对记录组合的分析，推导出Item间存在的相关性。当前对于关联规则的描述，一般是利用支持度和置信度，支出度是指产品集A、B同时出现的概率，置信度则是在事务集A出现的前提下，B出现的概率。通过相应的关联分析，可以得出事务A、B同时出现的简单规则，以及每一条规则的支持度和置信度，支持度高则表明规则被经常使用，置信度高则表明规则相对可靠，通过关联分析，可以明确事务A、B的关联程度，决定两种事务同时出现的情况。

（2）自顶而下频繁项挖掘算法：对于长频繁项，如果采用关联规则挖掘算法，需要进行大量的计算分析，不仅耗时耗力，而且影响计算的精准度，这时，就可以采用自顶而下频繁项挖掘算法，这种算法是一种相对优秀的长频繁项挖掘算法，利用了事务项目关联信息表、项目约简、关键项目以及投影数据库等新概念与投影、约简等新方法，在对候选集进行生成的过程中，应该对重复分支进行及时修剪，提升算法的实际效率，从而有效解决了长频繁项的挖掘问题。结合计算机实验以及算法分析，可以看出，这种方法是相对完善的，同时也是十分有效的。不过需要注意的是，当支持度较大、频繁项相对较短时，利用关联规则挖掘中典型的Apriori方法，可以起到更好的效果。

（3）频繁项双向挖掘算法：这种算法是一种融合了自顶向下以及自底向上的双向挖掘算法，可以较好的解决长频繁项以及段频繁项的挖掘问题，主挖掘方向是利用自顶向下挖掘策略，但是结合自底向上方法生成的非频繁项集，可以对候选集进行及时修剪，提升算法的实际效率。

三、结语

第5篇

关键字：数据挖掘金融数据

金融部门每天的业务都会产生大量数据，利用目前的数据库系统可以有效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了数据爆炸但知识贫乏”的现象。与此同时，金融机构的运作必然存在金融风险，风险管理是每一个金融机构的重要工作。利用数据挖掘技术不但可以从这海量的数据中发现隐藏在其后的规律，而且可以很好地降低金融机构存在的风险。学习和应用数扼挖掘技术对我国的金融机构有重要意义。

一、数据挖掘概述

1.数据挖掘的定义对于数据挖掘，一种比较公认的定义是W.J.Frawley，G.PiatetskShapiro等人提出的。数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识、这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识表示为概念(Concepts)，规则(Rules)、规律(Regularities)、模式(Patterns)等形式。这个定义把数据挖掘的对象定义为数据库。

随着数据挖掘技术的不断发展，其应用领域也不断拓广。数据挖掘的对象已不再仅是数据库，也可以是文件系统，或组织在一起的数据集合，还可以是数据仓库。与此同时，数据挖掘也有了越来越多不同的定义，但这些定义尽管表达方式不同，其本质都是近似的，概括起来主要是从技术角度和商业角度给出数据挖掘的定义。

从技术角度看，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在的和有用的信息和知识的过程。它是一门广义的交叉学科，涉及数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高性能计算和数据可视化等多学科领域且本身还在不断发展。目前有许多富有挑战的领域如文本数据挖掘、Web信息挖掘、空间数据挖掘等。

从商业角度看，数据挖掘是一种深层次的商业信息分析技术。它按照企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性并进一步将其模型化，从而自动地提取出用以辅助商业决策的相关商业模式。

2.数据挖掘方法

数据挖掘技术是数据库技术、统计技术和人工智能技术发展的产物。从使用的技术角度，主要的数据挖掘方法包括：

2.1决策树方法：利用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。国际上最有影响和最早的决策树方法是ID3方法，后来又发展了其它的决策树方法。

2.2规则归纳方法：通过统计方法归纳，提取有价值的if-then规则。规则归纳技术在数据挖掘中被广泛使用，其中以关联规则挖掘的研究开展得较为积极和深入。

2.3神经网络方法：从结构上模拟生物神经网络，以模型和学习规则为基础，建立3种神经网络模型：前馈式网络、反馈式网络和自组织网络。这种方法通过训练来学习的非线性预测模型，可以完成分类、聚类和特征挖掘等多种数据挖掘任务。

2.4遗传算法：模拟生物进化过程的算法，由繁殖(选择)、交叉(重组)、变异(突变)三个基本算子组成。为了应用遗传算法，需要将数据挖掘任务表达为一种搜索问题，从而发挥遗传算法的优化搜索能力。

2.5粗糙集(RoughSet)方法：Rough集理论是由波兰数学家Pawlak在八十年代初提出的一种处理模糊和不精确性问题的新型数学工具。它特别适合于数据简化，数据相关性的发现，发现数据意义，发现数据的相似或差别，发现数据模式和数据的近似分类等，近年来已被成功地应用在数据挖掘和知识发现研究领域中。

2.6K2最邻近技术：这种技术通过K个最相近的历史记录的组合来辨别新的记录。这种技术可以作为聚类和偏差分析等挖掘任务。

2.7可视化技术：将信息模式、数据的关联或趋势等以直观的图形方式表示，决策者可以通过可视化技术交互地分析数据关系。可视化数据分析技术拓宽了传统的图表功能，使用户对数据的剖析更清楚。

二、数据挖掘在金融行业中的应用数据挖掘已经被广泛应用于银行和商业中，有以下的典型应用：

1.对目标市场(targetedmarketing)客户的分类与聚类。例如，可以将具有相同储蓄和货款偿还行为的客户分为一组。有效的聚类和协同过滤(collaborativefiltering)方法有助于识别客户组，以及推动目标市场。

2..客户价值分析。

在客户价值分析之前一般先使用客户分类，在实施分类之后根据“二八原则”，找出重点客户，即对给银行创造了80%价值的20%客户实施最优质的服务。重点客户的发现通常采用一系列数据处理、转换过程、AI人工智能等数据挖掘技术来实现。通过分析客户对金融产品的应用频率、持续性等指标来判别客户的忠诚度；通过对交易数据的详细分析来鉴别哪些是银行希望保持的客户；通过挖掘找到流失的客户的共同特征，就可以在那些具有相似特征的客户还未流失之前进行针对性的弥补。

3.客户行为分析。

找到重点客户之后，可对其进行客户行为分析，发现客户的行为偏好，为客户贴身定制特色服务。客户行为分析又分为整体行为分析和群体行为分析。整体行为分析用来发现企业现有客户的行为规律。同时，通过对不同客户群组之间的交叉挖掘分析，可以发现客户群体间的变化规律，并可通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动输人到数据仓库中。通过对客户的理解和客户行为规律的发现，企业可以制定相应的市场策略。

4.为多维数据分析和数据挖掘设计和构造数据仓库。例如，人们可能希望按月、按地区、按部门、以及按其他因素查看负债和收入的变化情况，同时希望能提供诸如最大、最小、总和、平均和其他等统计信息。数据仓库、数据立方体、多特征和发现驱动数据立方体，特征和比较分析，以及孤立点分析等，都会在金融数据分析和挖掘中发挥重要作用。

5.货款偿还预测和客户信用政策分析。有很多因素会对货款偿还效能和客户信用等级计算产生不同程度的影响。数据挖掘的方法，如特征选择和属性相关性计算，有助于识别重要的因素，别除非相关因素。例如，与货款偿还风险相关的因素包括货款率、资款期限、负债率、偿还与收入(payment——to——income)比率、客户收入水平、受教育程度、居住地区、信用历史，等等。而其中偿还与收入比率是主导因素，受教育水平和负债率则不是。银行可以据此调整货款发放政策，以便将货款发放给那些以前曾被拒绝，但根据关键因素分析，其基本信息显示是相对低风险的申请。

6.业务关联分析。通过关联分析可找出数据库中隐藏的关联网，银行存储了大量的客户交易信息，可对客户的收人水平、消费习惯、购买物种等指标进行挖掘分析，找出客户的潜在需求;通过挖掘对公客户信息，银行可以作为厂商和消费者之间的中介，与厂商联手，在掌握消费者需求的基础上，发展中间业务，更好地为客户服务。

7.洗黑钱和其他金融犯罪的侦破。要侦破洗黑钱和其他金融犯罪，重要的一点是要把多个数据库的信息集成起来，然后采用多种数据分析工具找出异常模式，如在某段时间内，通过某一组人发生大量现金流量等，再运用数据可视化工具、分类工具、联接工具、孤立点分析工具、序列模式分析工具等，发现可疑线索，做出进一步的处理。

数据挖掘技术可以用来发现数据库中对象演变特征或对象变化趋势，这些信息对于决策或规划是有用的，金融

行业数据的挖掘有助于根据顾客的流量安排工作人员。可以挖掘股票交易数据，发现可能帮助你制定投资策略的趋势数据。挖掘给企业带来的潜在的投资回报几乎是无止境的。当然，数据挖掘中得到的模式必须要在现实生活中进行验证。

参考文献：

丁秋林，力士奇.客户关系管理.第1版.北京：清华人学出版社，2002

张玉春.数据挖掘在金融分析中的应用.华南金融电脑.2004

第6篇

1.1安全技术资金不足

煤炭的持续开采会受到地质条件的直接影响，过去国家投入众多的设施，使用至今均已出现老化，并且维修量非常大。随着矿井的不断延深，矿压极度强化，巷道的维修任务更是不断的增加，矿井的供电以及通风、提升与排水等都不能适应生产的需要。

1.2安全管理模式传统

与西方发达产煤国家相比较，我国的煤矿使用技术研究起步很晚。并且人力、财力非常缺乏，某些重大的安全技术问题，比如冲击地压以及煤和瓦斯的突出、地热以及突水等灾害不能进行有效的预测和控制。且受到以往传统运营思想的直接作用与影响以及各个企业的经济实力的约束，我国的煤矿生产装备和安全监控设施相对落后。井巷的断面设计以及支护强度的确定、支护材料的型号选择较小。生产设施功率以及矿井的供风量等富余参数非常低，极易出现事故。绝大多数的煤炭企业还是利用以往传统的安全管理模式，各种报表计算仍是靠人工劳动并且精确度很低。信息传送的时间较长，且速度较慢，管理者的工作重复性很大，资料查询十分困难，并且工作效率很低。安全检查以及等级鉴定等总是凭借主观意念以及相关的经验。

1.3安全信息管理体制不健全

安全信息可以说是安全管理工作的重要依据，它主要包括事故和职业伤害的有效记录与分析统计，职业的安全卫生设施的相关研究与设计、生产以及检验技术，法律法规以及相应技术标准和其变化的动态，教育培训以及宣传和社会活动，国内的新型技术动态以及隐患评估与技术经济类分析和咨询、决策的体系。信息体制的健全是安全体制工程以及计算机技术的有效结合，可促使安全工作转型为定性和定量的超前预测，不过大多数矿井还是处于起步与摸索阶段，并未呈现出健全的体制，真正的使用还有待进一步的发展。

2空间数据挖掘技术

数据挖掘研究行业的持续进展，开始由起初的关系数据以及事务数据挖掘，发展至对空间数据库的不断挖掘。空间的信息还在逐渐地呈现各类信息体制的主体与基础。空间数据挖掘技术是一项非常关键的数据，具有比普通关系数据库和事务数据库更丰富、复杂的相关语义信息，且蕴含了更丰富的知识。所以，虽说数据的挖掘最初是出现在关系数据挖掘以及事务的数据库，不过因为空间数据库中的发掘知识，这就很快引起了各个研究者的关注与重视。很多的数据挖掘类研究工作都是从关系型以及事务型数据库拓展至空间数据库的。在地学领域中，随着卫星以及遥感技术的不断使用，逐渐丰富的空间以及非空间的数据采集与储存在较大空间数据库中，大量的地理数据已经算是超过了人们的处理能力，并且传统的地学分析很难在这些数据中萃取并发现地学知识，这也就给现阶段的GIS带来了很大的挑战，急切的需要强化GIS相应的分析功能，提升GIS处理地学实际状况的能力。数据挖掘以及知识发现的产生能满足地球空间的数据处理要求，并推进了传统地学空间分析的不断发展。依据地学空间数据挖掘技术的特性，把数据挖掘的方式融进GIS技术中，呈现地学空间数据挖掘技术和知识发展的新地学数据分析理念与依据。

3煤矿安全管理水平的提升

3.1建设评价指标体制库

评价指标体制库是矿井的自然灾害危害存在的具体参数式的知识库。模型的组建务必要根据矿井的瓦斯以及水害等自然灾害危害呈现的不同指标体制和其临界值构建一定的指标体制库，危害的警报识别参数关键是采掘工程的平面图动态开采面以及相应的巷道。各种瓦斯的危害以及水害隐患和通风隐患均呈现一定的评价指标库。

3.2构建专业的分析模型库

依据瓦斯以及水害等诸多不同的矿井自然灾害类别构建相关的专业性模型库，比如瓦斯的灾害预测，应根据矿井的地质条件以及煤层所赋存的状况构建瓦斯的地质区分图，再根据采掘工程的平面图动态呈现的采掘信息以及相应的瓦斯分区构建关联并实行相应的比较分析，确定可以采集区域未来的可采区域是不是高瓦斯区域。

3．3构建以GIS空间分析为基础的方法库

GIS空间分析可以说是矿井自然灾害的隐患高度识别的关键性方式，并且还是安全故障警报的主要路径。比如断层的防水层的有效划分，关键是根据断层的保安煤柱来实行可靠的确定。断层的保安煤柱确定可以利用GIS缓冲区域的分析得到。空间的统计分析以及多源信息有效拟合和数据挖掘亦是瓦斯和水害等安全隐患监测经常使用GIS空间分析方式，如物探水文的异常区域确定以及瓦斯突出相应的危险区域确定。

3．4决策支持体制与煤矿管理水平评价指标

体制库以及模型库、方式库与图形库均是矿井的自然灾害隐患识别和决策的最基础。利用矿井的自然灾害隐患识别决策来支持体系具体的功能呈现矿井的自然灾害隐患识别以及决策分析，在根源处提高煤矿的安全管理水平。分类构建矿井的自然灾害实时监控体系，进行动态跟踪相应的灾害实时数据，并事实呈现矿井的自然灾害数据或是信息和自然灾害的指标体系库以及模型库与知识库、空间数据库的合理化比较，并运用图形库的数据再通过GIS空间分析方式来确定安全隐患的，矿井自然灾害的隐患实时警报并进行决策分析，以提交空间数据的自然灾害隐患识别以及分析处理的决策性报告。

4结语

第7篇

近年来，我国的部队管理体系已经逐渐向着自动化方向发展，部队中各个部门都建立了一定的管理体系，也逐渐脱离了人工管理模式，实现信息现代化模式，很大程度提高了部队工作的效率，但是由于外界因素与经济发展的多样化以及人们的思维模式也在不断改变，从而出现了一些新问题，使得部队管理体系存在着一定问题：第一、关联性小、系统比较独立。现阶段，部队采购食品系统的作用以及目的比较简单，思维面也比较窄，也就是说按照清单进行食品采购时，不能充分考虑到采购人员的健康、效率等问题，不能达到最优化采购方式，因此就变得比较独立；第二，数据功能简单，可靠性不高。现阶段，部队食品采购数据只是对采购的种类与过程进行简单记录，时间一久，就会被损坏或者丢失；第三，数据分散不集中。现阶段与部队人员健康、起居饮食、训练相关的数据分散在不同系统中，使得数据变得不一致、不完整，仅仅只能进行简单查询、汇总、统计等工作，不能对数据进行多角度分析、关联等，不能为采购食品提供很好的政策支持。针对部队采购存在的问题，可以利用数据仓库以及数据挖掘技术建立多为数据库，利用数据挖掘进技术对食品采购数据进行挖掘。依据现阶段部队的实际发展情况，建立一套新数据库的成本代价比较高，因此，选用了目前社会上通用方法，对已经存在的数据进行一定改革与拓展，合理优化系统数据，成为新的数据库。并且选取对数据挖掘影响比较大的系统性分析，包括训练系统，食品采购系统、人员管理系统以及医疗卫生系统。针对食品采购采购系统建立数据模型。

二、在部队食品采购系统中的应用以及其价值评价

在部队食品采购系统实际应用工程中，其实可以运用MicrosoftSQLServerAnalysisServices来对数据进行分析，并且在数据挖掘过程中对多维数据进行描述与查找起到一定作用。因为多维数据比较复杂，增长的也比较快，因此，进行手动查找是很困难的，数据挖掘技术提供的计算模式可以很好的对数据进行分析与查找。在建设部队食品采购仓库数据的时候，数据内容主要包括了人员的健康、兵员的饮食以及训练等，进行数据挖掘主要包括以下内容：第一，把每个主题信息数据进行收集、汇总、分析等，对人员情况、健康、饮食、训练等进行合理分析；第二，多维分析数据信息。根据部队的实际情况，利用数据挖掘技术对部队人员健康、饮食、训练等数据信息进行多维分析，其中包含上钻、切片、下钻等；第三，挖掘健康与饮食之间的内在关系。根据数据库中许多面向主题的历史数据，采用数据挖掘技术进行分析与演算得到部队人员的训练和健康情况与部队饮食之间内在关系，以便于为部队食品采购提供合理的、有效的保障，从而提高部队整体人员的健康水平、身体素质以及训练质量，对提高我国部队战斗力有着深远的意义。

三、结束语

第8篇

（1）计算机网络病毒种类的多样性。计算机网络病毒的设计和开发没有太大难度，简单的几个程序编写指令就可以开发设计出各种各样的网络病毒，尤其是对于一些技术水平比较高的程序编写员来讲，很容易就可以完成计算机网络病毒程序的编写和修改，而且网络病毒的种类增长和繁殖速度特别快。

（2）计算机网络病毒传播形式的多样性。计算机网络和网络病毒相互之间存在着很紧密的联系，网络电子邮件、网络系统漏洞以及不良网页都是网络病毒进行传播的重要途径，进而对计算机网络系统造成蓄意破坏。计算机网络系统的传播形式有很多种，网络病毒在网络系统漏洞中的传播就是常见的一种病毒传播方式，计算机网络病毒程序通过对Internet远程主机系统的搜索和扫描，利用系统漏洞到达控制对方计算机的控制。同时也有一种病毒通过对文件夹的搜索扫描，进行病毒复制，以到达入侵网络系统的目的。

（3）计算机网络病毒的针对性。在计算机网络技术发展初期，计算机网络病毒主要目标就是干扰网络技术人员的程序编写，随着计算机技术的快速发展，计算机网络病毒的开发技术和功能作用也发生了很多变化，如今，计算机网络病毒的设计和开发已经开始商业化，针对性地对计算机网络系统实施破坏，如通过盗用网银账号和密码等方式以达到非法获取利益的目的。

2数据挖掘技术简析

数据挖掘技术是通过对所处一定范围之内的所有数据进行数据收集、数据分类以及数据归类，进而来判断是否存在某种潜在的关系和数据规律，主要环节有3个，准备数据；寻找数据存在的规律；表现数据规律。数据挖掘模式设置好之后，技术系统中的挖掘引擎就会以数据库中的要求为依据，对准备好的数据进行数据分析和数据归类，找出各个数据之间存在的关系和相应的数据规律，以便成为之后数据分析的有利依据，数据挖掘技术是比较全面的挖掘技术和数据应用技术，工作过程比较繁杂，工作操作步骤较多，其中存在很大部分的准备环节和规划工作，数据挖掘技术的重点工作是对数据的预处理阶段，对数据的预处理阶段是数据挖掘技术的基础，是后期进行数据分析的必要条件。

3以数据挖掘技术为基础的计算机网络病毒防御分析

3.1数据挖掘技术的构成分析

数据挖掘技术在计算机网络病毒防御中的应用过程比较复杂，步骤繁多，为了便于日常操作应用，掌握每个环节的基本特征，可以对预处理模块、决策模块、数据收集模块、数据挖掘模块以及规则库模块进行分模块分析研究。

（1）数据预处理模块分析。简化数据挖掘技术中数据挖掘和数据分析之间的处理操作可以通过数据预处理模块来实现，利用数据预处理模块可以整体上提高数据挖掘效果，提高数据辨识度和准确度。在完成数据收集后需要把数据导入到预处理模块，实现数据的分析归类和数据变换，通过这样额方式把数据转换成可以被系统识别和处理的数据内容。以目标IP地址、源IP地址、端口信息等这些据数据包当中所包括的信息内容为依据，实施数据集合、数据归纳、数据处理等流程。

（2）决策模块分析。在数据挖掘技术中的决策功能模块中，通过对数据的挖掘从而对数据库进行构建，然后对数据进行匹配，同时数据库还要和规则库密切联系起来。如果数据库有与规则库存在高度联系的信息出现，证明在决策模块里有病毒特征存在，很可能会感染到计算机病毒。如果是结果数据库的数据信息和规则库的数据不能相互匹配，那也就是说该数据包中存在有带有新型特征病的毒带，也就是出现了新型的规则类，这样的情况下就需要把该带有新型特征的病毒导入到系统的规则库当中，规则库的一种较新型的规则类别也就形成了。

（3）数据收集模块分析。实现数据挖掘的基本要求是提供充分的数据信息，只有通过数据收集才能实现数据收集模块的功能。数据收集模块通过对计算机网络中数据包的抓取和收集来实现数据信息，数据信息被收集后就会具有一定的数据结构和比较重要的功能信息。

（4）数据挖掘模块分析。数据挖掘技术的一个最关键部分就是数据挖掘模块。数据挖掘模块中的事件库和数据挖掘算法是数据挖掘模块的关键部分。数据挖掘对相关数据的收集构成了事件库，通过对事件库中数据的分类和数据整理，进而可以获取较为准确的数据结构。

（5）规则库模块分析。规则库模块是数据挖掘技术的一个重要组成部分，可以帮助优化数据挖掘信息库，给系统提供需要的病毒分析数据。如果有网络病毒在计算机系统中出现，规则库模块就可以进行数据分析和数据识别，以及实现数据挖掘。在数据挖掘的过程中，网络病毒属性会被挖掘过程中获取的规则集调整和改变，并且把这个记录继续使用在数据挖掘中，这项记录可以帮助计算机系统对一些潜在的网络病毒进行分析，进而起到防御病毒的作用。

3.2以数据挖掘技术为基础的网络病毒防御系统

（1）数据挖掘技术中的关联规则分析。数据挖掘技术的关联规则就是指在同一类别的数据中有可以被发现的知识存在，通过对两个或者超过两个的变量进行取值，如果发现数据具有一定规律的话说明这些数据和数据之间存在着某种关联性。因果关联、及时序关联以及简单关联是存在数据挖掘技术中的几种主要关联关系。要找到数据库中的关联网，就需要进行关联分析，然后结合数据和数据之间的关联性进行数据挖掘，进而得到数据和数据存在的关联规则。

（2）数据挖掘技术中的聚类分析。根据数据的不同特点和类别，对所获取的数据进行分解，把它们分成多个不同的组别，各组数据之间在特征上都存在不同程度的相似之处，而且每组数据同时又存在着各种不同特征。系统对所有数据进行聚类之后，就可以发现并识别出整个系统数据分布的疏密情况，这样不仅可以呈现出组与组之间数据存在的联系，同时也可以对全局的分布模式有所体现。

第9篇

目前计算机网络教学的模式可以分为如下几种：

1）网络教学：包含异步学习模式与同步学习模式，泛指教师与学生都不用到传统的教室去上课，只要上网到网络教室中就可以进行许多教与学的活动。

2）远程教室：在各大专院校设立有许多远程教学同步视频教室。在该教室中建置了许多视频影音的设备，用来进行课程的实时转播工作。

3）网络同步教室：网络教学活动可以区分为异步与同步的教学活动，其区别在于是否实时。教师和同学在约定的同一时间，通过Inter-net网络进行在线实时的课程教授的教学环境，就可称之为网络同步教室。在网络同步教室中提供许多教学相关的辅助工具及互动相关的功能，以协助课程的进行。研究者希望通过数据挖掘的方法，来分析教师对于网络教学环境的观念，并提供教师在网络同步教室中类似传统教学环境的教学模式，以增加教师采用网络教学的意愿。本研究将先就“传统教学”、“远程教学”及“网络同步教学”的环境因素、教学方式、师生互动、学习成效等构面进行分析比较，来区分出这三种教学环境的优缺点及差异，并将依据目前教师在传统教学中的教学模式，实际应用在网络同步教室中来施行，让参与网络教学的教师可以了解如何运用网络同步教室来经营一门高质量的课程。首先将推行计算机网络教学遇到的问题，大致上区分成以下几个主要因素：

1）数字教材的制作或取得不易：学校对于数字教材的取得感到忧心，大多要求学校教师自行制作，对教师而言会增加额外的负担，导致教师对网络教学产生抗拒的心理。

2）教师对网络教学的成效产生质疑：教师普遍认为网络教学环境的教学效果没有办法像传统教学环境一样，可以和学生有高度的互动，不认为网络学习会比较有教学成效。

3）教师对参与网络教学的意愿低落：教师必须花费许多时间和学生互动，比往常还需要花费更多的时间去回答学生的问题、关心学生的学习状况，教师普遍认为网络学习对教师来说不会比较轻松。将此主要因素做成调查问卷，对数据进行聚类分析，则可以找到主要的影响因素，获得教师对于网络教学环境的态度，进而选择更加有效的授课形式，以此提供类似传统教学环境的教学模式，以提高教师采用网络教学的意愿。

二、总结

第10篇

统计学论文2000字(一)：影响民族院校统计学专业回归分析成绩因素的研究论文

摘要：学习成绩是评价学生素质的重要方面，也是教师检验教学能力、反思教学成果的重要标准。利用大连民族大学统计学专业本科生有关数据（专业基础课成绩、平时成绩和回归分析期末成绩），建立多元線性回归模型，对影响回归分析期末成绩的因素进行深入研究，其结果对今后的教学方法改进和教学质量提高具有十分重要的指导意义。

关键词：多元线性回归；专业基础课成绩；平时成绩；期末成绩

为了实现教学目标，提高教学质量，有效提高学生学习成绩是很有必要的。我们知道专业基础课成绩必定影响专业课成绩，而且平时成绩也会影响专业课成绩，这两类成绩与专业课成绩基本上是呈正相关的，但它们之间的关系密切程度有多大？它们之间又存在怎样的内在联系呢？就这些问题，本文主要选取了2016级统计专业50名学生的四门专业基础课成绩以及回归分析的平时成绩和期末成绩，运用SPSS统计软件进行分析研究，寻求回归分析期末成绩影响因素的变化规律，拟合出关系式，从而为强化学生的后续学习和提高老师的教学质量提供了有利依据。

一、数据选取

回归分析是统计专业必修课，也是统计学中的一个非常重要的分支，它在自然科学、管理科学和社会、经济等领域应用十分广泛。因此研究影响统计学专业回归分析成绩的相关性是十分重要的。

选取了统计专业50名学生的专业基础课成绩（包括数学分析、高等代数、解析几何和概率论）、回归分析的平时成绩和期末成绩，结合多元线性回归的基础理论知识[1-2]，建立多元回归方程，进行深入研究，可以直观、高效、科学地分析各种因素对回归分析期末成绩造成的影响。

二、建立多元线性回归模型1及数据分析

运用SPSS统计软件对回归分析期末成绩的影响因素进行研究，可以得到准确、科学合理的数据结果，全面分析评价学生考试成绩，对教师以后的教学工作和学生的学习会有较大帮助。自变量x1表示数学分析成绩，x2表示高等代数成绩，x3表示解析几何成绩，x4表示概率论成绩，x5表示平时成绩；因变量y1表示回归分析期末成绩，根据经验可知因变量y1和自变量xi，i=1，2，3，4，5之间大致成线性关系，可建立线性回归模型：

（1）

线性回归模型通常满足以下几个基本假设，

1.随机误差项具有零均值和等方差，即

（2）

这个假定通常称为高斯-马尔柯夫条件。

2.正态分布假定条件

由多元正态分布的性质和上述假定可知，随机变量y1服从n维正态分布。

从表1描述性统计表中可看到各变量的平均值1=79.68，2=74.66，3=77.22，4=78.10，5=81.04，1=75.48；xi的标准差分别为10.847，11.531，8.929，9.018，9.221，y1的标准差为8.141；有效样本量n=50。

回归分析期末成绩y1的多元回归模型1为：

y1=-5.254+0.221x1-0.4x2+0.154x3

+0.334x4+0.347x5

从表2中可以看到各变量的|t|值，在给定显著水平？琢=0.05的情况下，通过t分布表可以查出，自由度为44的临界值t？琢/2（44）=2.015，由于高等代数x2的|t|值为0.651小于t？琢/2（44），因此x2对y1的影响不显著，其他自变量对y1都是线性显著的。下面利用后退法[3]剔除自变量x2。

三、后退法建立多元线性回归模型2及数据分析

从模型1中剔除了x2变量，多元回归模型2为：

y1=-5.459+0.204x1+0.149x3+0.377x4+0.293x5（5）

在表4中，F统计量为90.326，在给定显著水平？琢=0.05的情况下，查F分布表可得，自由度為p=4和n-p-1=45的临界值F0.05（4，45）=2.579，所以F>F0.05（4，45），在表5中，所有自变量的|t|值都大于t？琢/2（45）=2.014，因此，多元回归模型2的线性关系是显著的。

四、结束语

通过对上述模型进行分析，即各个自变量对因变量的边际影响，可以得到以下结论：在保持其他条件不变的情况下，当数学分析成绩提高一分，则回归分析成绩可提高0.242分[4-5]；同理，当解析几何成绩、概率论成绩和平时成绩每提高一分，则回归分析成绩分别提高0.149分、0.377分和0.293分。

通过对学生专业基础课成绩、平时成绩与回归分析期末成绩之间相关关系的研究，一方面有利于教师把控回归分析教学课堂，提高教师意识，注重专业基础课教学的重要性，同时，当学生平时成绩不好时，随时调整教学进度提高学生平时学习能力；另一方面使学生认识到，为了更好地掌握回归分析知识，应加强专业基础课的学习，提高平时学习的积极性。因此，通过对回归分析期末成绩影响因素的研究能有效的解决教师教学和学生学习中的许多问题。

统计学毕业论文范文模板(二)：大数据背景下统计学专业“数据挖掘”课程的教学探讨论文

摘要：互联网技术、物联网技术、云计算技术的蓬勃发展，造就了一个崭新的大数据时代，这些变化对统计学专业人才培养模式的变革起到了助推器的作用，而数据挖掘作为拓展和提升大数据分析方法与思路的应用型课程，被广泛纳入统计学本科专业人才培养方案。本文基于数据挖掘课程的特点，结合实际教学经验，对统计学本科专业开设数据挖掘课程进行教学探讨，以期达到更好的教学效果。

关键词：统计学专业；数据挖掘；大数据；教学

一、引言

通常人们总结大数据有“4V”的特點：Volume（体量大），Variety（多样性），Velocity（速度快）和Value（价值密度低）。从这样大量、多样化的数据中挖掘和发现内在的价值，是这个时代带给我们的机遇与挑战，同时对数据分析技术的要求也相应提高。传统教学模式并不能适应和满足学生了解数据处理和分析最新技术与方法的迫切需要。对于常常和数据打交道的统计学专业的学生来说，更是如此。

二、课程教学探讨

针对统计学本科专业的学生而言，“数据挖掘”课程一般在他们三年级或者四年级所开设，他们在前期已经学习完统计学、应用回归分析、多元统计分析、时间序列分析等课程，所以在“数据挖掘”课程的教学内容选择上要有所取舍，同时把握好难度。不能把“数据挖掘”课程涵盖了的所有内容不加选择地要求学生全部掌握，对学生来说是不太现实的，需要为统计学专业本科生“个性化定制”教学内容。

（1）“数据挖掘”课程的教学应该偏重于应用，更注重培养学生解决问题的能力。因此，教学目标应该是：使学生树立数据挖掘的思维体系，掌握数据挖掘的基本方法，提高学生的实际动手能力，为在大数据时代，进一步学习各种数据处理和定量分析工具打下必要的基础。按照这个目标，教学内容应以数据挖掘技术的基本原理讲解为主，让学生了解和掌握各种技术和方法的来龙去脉、功能及优缺点；以算法讲解为辅，由于有R语言、python等软件，学生了解典型的算法，能用软件把算法实现，对软件的计算结果熟练解读，对各种算法的改进和深入研究则不作要求，有兴趣的同学可以自行课下探讨。

（2）对于已经学过的内容不再详细讲解，而是侧重介绍它们在数据挖掘中的功能及综合应用。在新知识的讲解过程中，注意和已学过知识的融汇贯通，既复习巩固了原来学过的知识，同时也无形中降低了新知识的难度。比如，在数据挖掘模型评估中，把混淆矩阵、ROC曲线、误差平方和等知识点就能和之前学过的内容有机联系起来。

（3）结合现实数据，让学生由“被动接收”式的学习变为“主动探究”型的学习。在讲解每种方法和技术之后，增加一个或几个案例，以加强学生对知识的理解。除了充分利用已有的国内外数据资源，还可以鼓励学生去搜集自己感兴趣的或者国家及社会大众关注的问题进行研究，提升学生学习的成就感。

（4）充分考虑前述提到的三点，课程内容计划安排见表1。

（5）课程的考核方式既要一定的理论性，又不能失掉实践应用性，所以需要结合平时课堂表现、平时实验项目完成情况和期末考试来综合评定成绩。采取期末闭卷理论考试占50%，平时实验项目完成占40%，课堂表现占10%，这样可以全方位的评价学生的表现。

三、教学效果评估

经过几轮的教学实践后，取得了如下的教学效果：

（1）学生对课程的兴趣度在提升，课下也会不停地去思考数据挖掘有关的方法和技巧，发现问题后会一起交流与讨论。

（2）在大学生创新创业项目或者数据分析的有关竞赛中，选用数据挖掘方法的人数也越来越多，部分同学的成果还能在期刊上正式发表，有的同学还能在竞赛中取得优秀的成绩。

（3）统计学专业本科生毕业论文的选题中利用数据挖掘有关方法来完成的论文越来越多，论文的完成质量也在不断提高。

（4）本科毕业生的就业岗位中从事数据挖掘工作的人数有所提高，说明满足企业需求技能的人数在增加。继续深造的毕业生选择数据挖掘研究方向的人数也在逐渐增多，表明学生的学习兴趣得以激发。

教学实践结果表明，通过数据挖掘课程的学习，可以让学生在掌握理论知识的基础上，进一步提升分析问题和解决实际问题的能力。

第11篇

关键词：医学院校；目标驱动；课程设计；毕业论文

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2012）12-0218-02

一、背景

“数据仓库与数据挖掘”是国内外高等院校一门重要的课程，是国家基础教育较为重视的一门学科，受到不同专业学生的喜爱。其教学目标是提高学生的数据分析水平和能力，除了教授学生数据分析的常见方法之外，还将引导学生如何对实际的问题进行建模，如何对模型进行简化和求解。利用实例教学等方法，可以很好地将数据挖掘中的抽象概念、模型、公式等阐述清楚，让学生易于理解和接受。近年来，数据挖掘技术在医学领域中的应用越来越广泛。在疾病诊断、治疗、器官移植、基因研究、图像分析、康复、药物开发、科学研究等方面都获得了可喜的成果。运用各种数据挖掘技术了解各种疾病之间的相互关系、各种疾病的发展规律，总结各种治疗方案的治疗效果，以及对疾病的诊断、治疗和医学研究都是非常有价值的。因此，我们学院也把这门课程作为计算机专业及信息管理与信息系统专业的必修课。把计算机与医学结合，使得学生的培养方案全面包括了计算机与医学的知识点。由于该课程原本属于研究生阶段开设的专业课程，教材也大多侧重于介绍体系结构、算法原理、效率分析与改进等理论知识，其中所涉及的内容大多比较深，许多知识都超出了本科生的接受范围，此外，教材对相关理论在实际应用方面的说明也比较少，不利于安排实验教学。因此要实现“数据仓库与数据挖掘”课程的教学目标，必须在理论教学和实验教学环节综合考虑学时多少、教学条件以及学生的接受情况等因素，灵活地加以选择安排。

二、存在的问题

主要包括以下几方面：①课堂上以教师讲、学生听的教学形式为主，学生学习处于被动状态，他们的创造性因此被严重扼杀；②教师对专业课程体系和学生的知识体系不够重视，对课程体系的讲解不到位，造成学生在学习时课程之间联系不上，知识衔接不好，对知识的运用和融会贯通比较差；③实验与理论脱节。“数据仓库与数据挖掘”课程理论讲授的算法与实验软件中的算法有很大差距，使得学生难以理解。比如对于理论上讲授的关联规则算法，实验中使用SQL SERVER 2005中的商务智能工具做实验，学生发现有很多参数与理论上讲授的有很大不同；④医学院校的学生对纯粹计算机理论知识接受困难。由于该门课程是交叉学科，涉及计算机、数学、统计学等知识，如果学生的其他学科学得不好，就会对该课程的学习产生障碍；⑤教师讲授没有把理论课程结合到实际应用中。有很多学生不知道学习这门课的意义，老师没有很好引导学生，激活他们的学习热情。

三、目标驱动的教学框架

对于以上问题，本文提出了一个新的教学体系，设计了一套基于目标驱动的教学框架，把教师与学生紧密联系起来，从教学大纲的设置，教材的选择，理论教学，实验教学，课程设计及毕业论文，全面引导学生从初步了解到深入学习的过程。对于我们学校的实际情况，有两个专业的学生要学习这门课程。一个是计算机科学与技术专业，一个是信息管理与信息系统专业。对于两个不同的专业，我们设置不同的教学大纲。比如对于计算机专业的学生，数据仓库和数据挖掘教学总时数为72学时，其中理论为54学时，实验为36学时。

1.理论教学。对于信息管理与信息系统专业的学生，我们可以设置如下的教学计划，可分为三个主要部分。我们教材选择韩家炜的《数据挖掘概念与技术》，第一部分：第一至四章为数据挖掘的基础知识，包括数据仓库和数据挖掘的基本概念和相关知识介绍；第二部分：第五、六章介绍了数据挖掘的算法和工具；第三部分：第七章是数据挖掘的聚类分析的实际应用。本课程是信息管理与信息系统专业本科生专业必修课。通过该课程的学习，要求学生掌握数据仓库和数据挖掘的基本概念，了解基本方法和应用背景。掌握数据仓库的设计和建立，掌握数据挖掘的主要步骤和实现方法，数据挖掘的常用算法，实现数据挖掘的具体操作。理论学时的安排，第一章绪论（6学时）；第二章数据仓库（4学时）；第三章数据预处理（8学时）；第四章数据挖掘发现知识的类型（8学时）；第五章数据挖掘中常用算法（12学时）；第六章数据挖掘的工具及其应用（8学时）；第七章数据挖掘应用实例（8学时）。

2.实验教学。本课程配合理论教学，通过系统的实践教学锻炼，着重培养学生的独立分析问题和解决问题的能力，熟练掌握数据仓库的设计和建立以及各类数据挖掘方法，使学生具有一定的数据分析和挖掘能力，能在认识基础上，提出有效的数据挖掘方法，依据实际例子，写出解决方案。学生应在实验课前明确实验的目的和要求，然后针对相关问题写出解决方案。实验时对实际方案的运行结果应能进行分析并提出改进方法，最终写出实验报告。通过实验教学应达到以下基本要求：①理解数据仓库的工作机理及其构建过程；②掌握典型的数据仓库系统及其开发工具的使用；③理解数据挖掘技术的工作原理与流程；④掌握典型数据挖掘工具的使用；⑤掌握几种典型的数据挖掘算法；⑥掌握使用SQL SERVER 2000和SPSS工具解决实际问题。实验成绩包括：实验教学过程成绩、实验报告成绩，各占50%。实验过程表现成绩包括：学习态度是否认真、实验操作是否正确规范、基本技能掌握程度是否具有创新意识等方面。实验报告成绩包括：实验报告格式是否正确、原理是否论述清楚、实验结果分析讨论是否符合逻辑，报告字迹是否清楚等方面。

3.课程设计。理论课和实验课接近结束时，我们把最后三周作为本门课程的课程设计。课程设计的目的是让学生进一步深刻理解所学知识。由于本门课程很多算法不容易理解，如何让学生把所学知识结合到医学应用中是课程设计的关键。比如我们对信息管理与信息系统专业的学生课程设计，要求学生每人选择一个老师给定的题目，课程设计有详细的要求，比如题目“数据挖掘在医学诊断中的应用”要求学生能把本门课程相关的算法结合使用，最后给出详细的分析。通过课程设计，我们发现，学生对本门课程更有兴趣。

4.毕业论文。我们把课程一般开设在大三的下学期，也就是说学生学完这门课程后，就做了该门课的课程设计，使得学生对数据挖掘相关知识有了比较深刻的认识。这样，我们可以引导学生毕业论文的选择。毕业论文毕竟是反映学生大学四年所学知识，也对他们将来就业起到提前培训的作用。把理论结合实践，老师对学生的引导也十分重要。

我们根据医学院校的特征，提出了一套目标驱动的教学理念，从学生认识这门课程到学生理论课的学习，实验课的学习，课程设计及毕业论文的完成，在老师的指导下，使用我们的考核体系，可提高学生对所学课程的兴趣。

参考文献：

第12篇

关键词：文本 时态 关联规则 垂直数据 有效时间

引言

现代化的企业搜集了大量时态文本数据，但信息超载和无结构化，使得企业决策部门无法有效利用现存的信息，时态数据挖掘技术便应运而生。目前有关时态关联规则算法已较多，但是如果运用到时态文本关联规则的挖掘中则时间复杂度都太高。所以本文将对时态文本关联规则挖掘进行研究。

1.时态文本预处理

1.1时态文本处理

在挖掘时态文本关联规则之前，需要先对文本进行预处理，对英文而言需进行Stemming处理[5]，中文的情况则不同，因为中文词和词之间没有固定的间隔，需进行分词处理。

对于本文研究的是医学病毒论文数据库，是一个英文数据库，文本预处理的具体内容如下：

①英文大写换小写（都以小写字母表示，方便文本识别）；②删除空白记录；③将论文信息中的标题和摘要进行（可以提高关键词的比重，增加提取文本向量的精度）；④处理时间DP列，只保留年份数字，方便提取有效时间；⑤对于记录太多的库，适当拆分表格（否则在程序处理时会内存溢出）；⑥根据文本内容提取合适的停用词表，对文本内容进行去停用词处理。

1.2 时态文本表示

在对时态文本进行清理后，需将其进行表示。在文本处理时我们已提取论文的发表时间，所以将时间和文本分列处理，然后将文本单独表示。本文采用向量空间模型（VSM，Vector Space Model）进行表示[6]。

2.时态关联规则算法概述

以前的算法不能有效应用到时态文本数据库中，主要原因有：1）这些算法计算时时间复杂度仍太高。2）没有考虑每个独立文本项各自存在的有效时间；3）每个项目缺少一个合理的可以浮动的支持度数。所以本文根据时态事件模型及Apriori原则，本文在快速更新算法思想上产生新的算法：SPFM（Segment-Progressive-Filter-Miner）

该算法主要包括三步：1.数据库不断更新；2.对数据库按不同时间段进行划分；3.对每个时间段的事务集挖掘频繁项集。拆分后的数据库，每个阶段部分有不同的支持度阈值，我们按不同的支持度阈值进行计算来产生候选项集。

SPFM算法主要有三个特点：1）算法预处理时将文本数据转换成垂直数据格式，可大大提高程序效率；2）在挖掘时态数据库的频繁项集时，通过更新不同时间粒度的支持度数来确定频繁项集，并判断频繁项集在时间粒度上的连续性；3）如2）所述，时态数据库是和时间粒度有关的，那么从时态数据库挖掘出的关联规则也应该是和时间粒度有关的，即存在“有效时间”，本算法引入一种判断机制，使得发现的有效时间是由频繁项集本身决定的，最终我们获得的是一组浮动的“有效时间”。

3.实验测试

为了测试SPFM的算法性能，用Visual C++进行编程。对象为医学病毒论文数据库中1970～2010年间约50万条的记录，每条记录的属性包括fileno（论文标号）、TI（标题）、AB（摘要）、DP（发表时间）等。以“年”作为时间粒度，将数据库划分为40个阶段部分。minsup为0.5‰，minconf为35%，然后进行频繁项集的挖掘，并确定每个频繁项集的有效时间，依次循环直至2010年为止。

比如rous（含铁血黄素）和sarcoma（1979年、1981年、1983年），都是强关联规则，且COS判断值为0.8165>0.5，说明该规则有意义，这两者在1979～1983年是一个共同研究热点，它们之间有可能存在一些密切的联系，在医学上也可以深入研究。

通过对医学文本数据库的挖掘，我们挖掘出上百条时态文本关联规则，从这些规则当中我们能得到近40年学者们对病毒研究的规律以及病毒的发展规律，这些规律会是对以往病毒研究的较好总结，也会有助于更有效地治疗已产生的病毒。

在文本数据挖掘技术已经日渐成熟的背景下，把时态数据与文本挖掘联合起来，可将时态文本数据挖掘应用于医学、经营、管理等各个方面，通过对海量的时态文本数据进行关联分析，为管理者做决策提供参考数据；还能为新的经营模式提供目标和思路，减少盲目性，以获得更大利益。

4.结束语

本文提出了对医学病毒论文数据库中的时态文本如何进行预处理，需先将时间和文本分为不同的列，将文本表示为向量空间模型。然后确实频繁项集的有效时间，将文本数据转换成垂直数据格式，再通过新的算法挖掘频繁项集，最后对时态文进行强关联规则的挖掘。该实验是对时态文本进行预处理后再进行关联规则挖掘的，最后验证了该算法的有效性。

参考文献：

[1] 潘定.持续时态数据挖掘及其实现机制[M].北京：经济科学出版社，2008：36

作者简介：

张春燕（1987- ），女，硕士生，主要研究方向为数据挖掘；

第13篇

>> 基于本体的网络舆情观点挖掘方法研究 基于热点文件下载的网络舆情信息挖掘方法研究 基于网页文本获取的高校网络舆情监控 基于OAG循环的网络舆情管理模型研究 基于大规模文本数据情感挖掘的企业舆情研究 基于文本挖掘的网络媒体报道研究 基于模糊神经网络的Web文本挖掘系统 基于PDCA循环的预算管理 基于PDCA循环的绩效考评 基于 PDCA 循环方法的沥青路面质量动态管理的研究 基于数据挖掘的网络舆情预警决策支持系统 基于数据挖掘技术的网络舆情智能监测与引导平台设计研究 基于Web挖掘的突发事件网络舆情预警研究 基于Web数据挖掘的网络舆情分析技术研究 基于Web挖掘的突发事件网络舆情预警策略探讨 基于数据挖掘技术在网络舆情预测中的应用 基于数据挖掘的高校网络舆情分析系统设计与实现 基于数据挖掘的舆情观点挖掘研究 基于蛙鸣博弈的网络舆情与政府监管的模型浅析 基于PDCA循环的绩效管理体系的构建 常见问题解答 当前所在位置：.

[2]张玉亮.突发事件网络舆情的生成原因与导控策略――基于网络舆情主体心理的分析视阈[J].情报杂志，2012，31（4）：54-57.

[3]许鑫，章成志，李雯静.国内网络舆情研究的回顾与展望[J].情报理论与实践，2009，32（3）：115-120.

[4]Hua Zhao，Qingtian Zeng.Micro-blog Hot Event Detection Based on Dynamic Event Model.Lecture Notes in Artificial Intelligence 8041，2013：161-172.

[5]郑军.网络舆情监控的热点发现算法研究[D].哈尔滨哈尔滨工程大学，2007.

[6]陈耘可，李博，郑天翔.PDCA循环在煤炭企业质量标准化建设中的研究与应用[J].煤炭经济研究，2013，33（2）：77-79.

[7]辛敏.PDCA理论在护理质量管理中的应用研究[D].硕士学位论文：山西医科大学，2010.

第14篇

关键词：中医证侯；研究概况；进展

【中图分类号】R255.2 【文献标识码】A 【文章编号】1672-3783(2012)05-0093-01

1 引言

辨证是中医学的特点与优势之一，也是中医药取得疗效的前提。中医是以传承性为主的实践医学，受生产技术水平的影响，前人在辨证的时候主要靠个人的临诊经验，掺杂了许多主观因素与模糊概念，加上众多的医学流派推崇不同的思辨方式，使证侯的外延与内涵愈加复杂而不可确定。随着计算机、生物技术的进步以及交叉学科的发展，中医证侯的研究开始了新局面，能否从病、证、症、生物学基础等不同层次中挖掘出其固有的规律性的联系，以确定不同证侯的概念范畴、使辨证更具重复性和临床可操作性，这成为大家所探求的方向。众多学者为此开展了不少研究工作，笔者就中医证侯近十年的研究概况进行论述并分析如下。

2 中医证侯近十年的研究概况

2.1 证侯研究成果检索结果与分析:利用“中医”、“证或证侯”、“文献”、“临床” 及“动物（实验）”等主题词检索CNKI数据库从2000-2008年所收录的论文，其中文献研究相关论文272篇，临床研究相关论文5323篇，动物实验相关论文238篇。统计结果如图1所示。从图中可以看出以下特点：1）临床研究是证侯研究的主要方式，这是由中医的临证性所决定的。2）中医古籍资源有限、研究成果转换周期较长，是导致文献研究数量低的主要原因。

2.2 证侯研究主要切入方向的研究成果检索结果与分析:在检索“证”或“证侯”研究论文的基础上，以“四诊规范”、“生物学”、“数据挖掘”等关键词结合手工进一步检索，获得近十年发表的论文中，与四诊规范研究相关的论文227篇，与生物学研究相关论文436篇，与数据挖掘相关论文220篇。其研究态势如图2所示。从图2中可以看出，相关研究论文均有逐年上升的趋势。就近十年而言，证侯生物学研究相关论文最多，数据挖掘类论文数量增长迅速。

2.3 证侯的具体研究概况

2.3.1 四诊的定性与定量研究:通过四诊收集到的症状（主要由患者自己叙述出来）、体征（由患者表现出来，通过望、闻、切可知的，包括舌象、脉象、面色、神志状况）等信息是证侯的构成基础。舌、脉和面色虽客观存在，但易受周围环境、自然光线及医者主观判断的影响，因此利用物理仪器、高分辨率的数码相机结合色彩、图谱分析软件力求量化已成为趋势。就舌象客观化而言，不少学者对舌色、苔色、舌苔的厚度与湿度、齿痕、纹理特征，甚至对舌体的胖瘦、歪斜，舌下络脉的长度、宽度、颜色进行了量化分析[2-5]，具有一定的临床符合率。

此外，通过问诊所获取的信息在中医证候分类中起着重要的作用。如何控制和把握这些“软指标”，近年来不少学者也做了很多工作。有学者把社会学中的定性研究引入中医问诊领域[12]，建议与患者进行深入交谈，对患者的语气、语言表达方式、神态、言语内容等进行综合分析，以期获取尽可能多的与病症相关的信息，这些信息可能容易被医生所忽视，但对证侯的判别起重要作用，能弥补定量研究的缺憾。

2.3.2 证侯生物学基础的研究:中医证侯的确立是依据表现型组资料得来的，对于现代生命科学而言，一个证候表现型的产生必然有从基因组层次到器官组层次的不同范围的功能异常[13]。从文献检索的结果来看，涉及细胞、基因层面的研究论文较多，技术相对成熟；蛋白、代谢组学层面的论文较少，研究技术有待完善。

就细胞层面而言，研究较多的是细胞因子、细胞外基质及细胞表面标志物在不同证侯下的特异表达。细胞因子的相关性研究趋于热化主要是因为：其介导细胞间相互影响、作用而形成复杂的人体调节网络，这可能是证的实质所在[14]；其种类众多，功能各异，如白细胞介素、肿瘤坏死因子、趋化性细胞因子及其细胞膜受体和可溶性受体等，这些指标常见于诸多论文中；检测方法较为便利，且敏感性强。

2.3.3 利用数据挖掘方法的证侯研究:中医辨证的过程是医者凭借个人经验从患者的一系列症状、体征或生物学指征、外界环境等复杂的非线性现象[15]中提取出相互关联的、有内在规律的、特异的组合信息。数据挖掘[16]则是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。可以说两者在获取信息的方式与过程上有契合之处。

研究者常依据不同的研究目的及数据的特点选择不同的多元统计方式。如探讨饮食习惯、居住环境、体质因素等不同的致病因素或生物学检测指标或某一疾病下各证型的症状、体征与该证型之间的关联性多采用回归法，如进一步分析哪些症状、体征和生物学指标对区分不同的证侯有较高的贡献度，多通过逐步判别分析。

3 结语

就近年主要的研究成果来看，将宏观与微观、定性与定量的研究方式相结合是证侯研究的可行路径和发展趋势。然而如何将有一定组合规则和重叠涵盖关系的证侯要素进行合理的分解，四诊宏观信息如何定量，生物学微观指标如何定性，二者怎样结合，采用什么样的方式结合才能真正提示或反应、甚而揭示证侯的内涵，这是目前研究的困惑与癥结所在，借鉴现代计算机信息处理技术、生物学技术和多学科交叉的优势互补，可能会有所突破。

参考文献

[1] 郭蕾，王永炎，张志斌.关于证候概念的诠释.北京中医药大学学报,2002; 26(2): 5-7

[2] 卫保国，沈兰荪.舌体胖瘦的自动分析.计算机工程,2004; 30(11):25-58

[3] 卫保国，沈兰荪，蔡轶珩.舌体歪斜的自动分析.计算机工程与应用,2003; 25(10): 22-26

[4] 沙洪，赵舒，王妍，任超世. 中医脉象多信息采集系统的研制.中华中医药杂志,2007; 22(1): 21-24

第15篇

>> 基于Web结构挖掘的HITS算法研究 基于C程序冒泡排序算法的研究与改进 排序算法综述 基于数据结构的选择排序算法剖析与改进 快速排序算法的分析与研究 探究基于云计算的Web结构挖掘算法 基于Web结构挖掘算法的网站构建 排序算法研究 基于遗传算法与神经网络混合算法的数据挖掘技术综述 数据挖掘算法研究与综述 基于超链接分析技术的排序算法的研究高国顺 基于模糊聚类算法及推荐技术的搜索引擎结果排序研究 基于综合排序的高维多目标进化算法研究 数据结构排序算法可视化的设计 一种基于排序奖惩的蚁群算法 基于Hadoop的海量网分数据MapReduce排序算法 基于快速排序算法的文献检索技术 基于FPGA的并行全比较排序算法 基于C语言排序的算法改进与应用 基于排序的增强球形空时码译码算法 常见问题解答 当前所在位置：.

[2] http：///f？kz=691510974.

[3] J.M.Kleinberg. Authoritativesources in ahyperlinked environment. Proc.9th ACM-SIAM Symposium on Discrete Algorithms. 1998：668-677.

[4] 李晓明，刘建国.搜索引擎技术及趋势.大学图书馆学报，2000，（16）.

[5] 陈新中，李岩，谢永红，杨炳儒. Web挖掘研究.计算机工程与应用，2002_13.

[6] 刘军.基于Web结构挖掘的HITS算法研究.硕士学位论文.中南大学，2008.

[7] 刘悦.WWW上链接分析算法的若干研究：（博士学位论文）.北京：中国科学院，2003.

[8] A. Blum and T. Mitchell. Combining labeled and unlabeled data with Containing. In COLT：Proceedings of the Workshop on Computational Learning Theory.Morgan Kaufmann Publishers. 1998.

[9] Chakrabarti S， Gerg M， Dom B. Focused Crawling：A New Approach to Topic-Specific Web Resource Discovery. Computer Networks. 1999，31（11）：1623-1640.

[10] S. Brin and L. Page. The anatomy of a large-scale hypertextual Web search Engine. In seventh International World Wide Web Conference. Brisbane. Australia， 1998.

[11] Haveliwala T H. Topic-sensitive PageRank[C]. Proceedings of the Eleventh International Word Wide Web Conference. Hoho Lulu Hawaii，2002.

[12] 江裕明.基于超链接的Web结构挖掘算法的研究.硕士学位论文.西安电子科技大学，2006.1.

[13] Jiawei Han， Micheline Kamber. Data Mining： Concepts and Techniques. Morgan Kaufmann 2000.

[14] 刘芳芳.Web链接分析中HITS算法的研究.硕士学位论文.大连理工大学，2006.

[15] 李秋锐.基于蜜罐网络的邮件捕获系统分析与部署[J].信息网络安全，2012，（01）：64-67.

[16] 郎为民， 杨德鹏， 李虎生.智能电网WCSN安全体系架构研究[J].信息网络安全，2012，（04）：19-22.

基金项目：

阿坝师专2011年校级科研基金（编号：ASC10-19）。