智能融合數(shù)據(jù)挖掘方法及其應用.pdf

1、隨著計算機技術的迅速發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛應用，使得人們積累的數(shù)據(jù)遠遠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行更深層次的分析，以便更好地應用數(shù)據(jù)和提供決策支持。數(shù)據(jù)挖掘技術為了解決“數(shù)據(jù)爆炸但知識貧乏”的問題便應運而生。成為目前具有挑戰(zhàn)意義的研究熱點之一。數(shù)據(jù)挖掘是從數(shù)據(jù)集中識別出有效的、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：復合聚類分析算法;基于動態(tài)數(shù)據(jù)窗口的自組織競爭神經(jīng)網(wǎng)絡聚類分析方法：基于動態(tài)數(shù)據(jù)窗口的融合聚類分析算法。將這三種方法進行分析比較，應用在故障檢測當中。仿真實驗驗證了算法的有效性。 主元分析方法是統(tǒng)計學中的重要方法之一，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。本文針對主元分析方法對于不同量綱和分布“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)壓縮問題以及復雜系統(tǒng)的故障檢測問題。而且基于相對主元的故障檢測模型不受模型采樣數(shù)目的限制。仿真結果驗證了方法的有效性。 由于預測神經(jīng)網(wǎng)絡可以通過學習任意逼近非線性映射，被用于構建非線性系統(tǒng)模型。但現(xiàn)在神經(jīng)網(wǎng)絡時序預測模型只能進行一維預測，對于多屬性事物的預測還

4、未探究。本文提出一種基于并行遞歸神經(jīng)網(wǎng)絡的多維預測模型，這種模型能夠記憶歷史信息，實現(xiàn)實時動態(tài)建模、在線參數(shù)修正和多維并行預測，并用多維空間中的線性函數(shù)和非線性函數(shù)驗證了該預測模型的有效性。 針對復雜系統(tǒng)的數(shù)據(jù)，單一的數(shù)據(jù)挖掘算法很難實現(xiàn)數(shù)據(jù)挖掘，或者是得出的“知識”有局限性。本文結合前面所介紹的基于動態(tài)數(shù)據(jù)窗口的聚類分析方法，相對主元方法和并行遞歸神經(jīng)網(wǎng)絡的多維預測模型，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