持续时态数据挖掘及其实现机制

出版时间：2008-3  出版社：经济科学出版社  作者：潘定  页数：215  

内容概要

在数据资源中存在着许多随时间变化且不同时间状态相互关联的数据，郰时态数据，如股市交易指数、超市销售、Web访问流、气象观测、临床数据等。近几年，急剧增加的时态数据已经远远超出了人类的直接理解能力，大量的处理需求使TDM成为数据挖掘领域的重要分支。但是，从实际应用情况来看却与学术研究极不相称，特别是应用中难以实现自治、持续的时态数据挖掘支持机制，而这种机制是归纳分析数据和规则变化趋势所必需的。本书试图在数据仓库环境中，以高阶数据挖掘和领域知识融合为研究线索，为实现持续的时态数据挖掘过程提供理论和应用方法，形成及时发现事物动态演化规律的有效机制。

作者简介

潘定，副教授／高级工程师，博士研究生导师，现任暨南大学商务智能研究中心副主任。华中科技大学计算机软件专业毕业，工学学士；厦门大学管理学(会计)硕士；西安交通大学计算机科学与技术专业毕业，工学博士；曾在日本AOTS、NTT中央学园等留学研修，1995年获国家计算机专业技术系统分析员水平证书。     
　　1983年起从事计算机信息系统的研究与开发工作，曾就职于福建省经济信息中心，现在暨南大学管理学院任教。主要研究领域：商务智能、数据挖掘和信息管理等。    
　　近年主持和完成国家自然科学基金项目、科技部创新基金项目等国家级、省部级项目10多项。研究成果获中国图书奖、国家科技进步奖、国家科技攻关重大成果奖4项，省部级科技进步奖、社科优秀成果奖和科技成果奖6项。近两年在《软件学报》、《模式识别与人工智能》和《控制与决策》等国内外权威、核心刊物和国际会议发表学术论文50余篇，其中独撰或第一作者论文被SCI／EI般录15篇。

书籍目录

第1章  绪论　1.1  研究背景　1.2  研究内容及其目标　1.3  本书的基本框架　参考文献第2章  持续数据挖掘及其支持技术　2.1  经典数据挖掘过程　2.2  数据和规则的动态演化问题　2.3  持续数据挖掘的模型和架构　2.4  规则变化监测与增量挖掘方法　2.5  已有知识与挖掘过程的融合　2.6  小结　参考文献第3章  时态数据挖掘技术　3.1  时态数据挖掘任务　3.2  序列距离度量　3.3  序列表示和搜索　3.4  挖掘任务　3.5  增量挖掘与高阶数据挖掘　3.6  未来研究方向　3.7  小结　参考文献第4章  时态数据挖掘的形式化　4.1  引言　4.2  时态数据挖掘问题　4.3  时态数据挖掘的形式化　4.4  分段有限模型　4.5  高阶数据挖掘　4.6  小结　参考文献第5章  基于信息扩散原理的度量值估计　5.1  引言　5.2  模糊信息与信息扩散原理　5.3  度量值的参数估计　5.4  实验与讨论　5.5  小结　参考文献第6章  持续时态数据挖掘的体系结构　6.1  引言　6.2  C-DM过程模型　6.3  C-DM体系结构　6.4  本体服务机制　6.5  原型实验　6.6  规则分类评价　6.7  小结　参考文献第7章  数据仓库中的元数据管理　7.1  研究背景　7.2  数据仓库中的元数据管理　7.3  元数据管理标准　7.4  元数据管理体系结构　7.5  元数据管理特性　7.6  萄用元数据管理系统　7.7  小结　参考文献第8章  轻量级本体存储库系统　8.1  引言　8.2  存取和操纵本体的需求　8.3  本体存储库的体系结构　8.4  本体存储库元模型　8.5  轻量级本体存储库的实现　8.6  小结　参考文献第9章  基于CWM的实时分布元数据管理　9.1  引言　9.2  元数据管理的需求　9.3  公共仓库元模型　9.4  实时分布元数据管理体系结构　9.5  基于模型管理的实现描述　9.6  实验与讨论　9.7  小结　参考文献第10章  总结与展望

章节摘录

　　第1章 绪论　　1.1 研究背景　　数据是人们用各种工具和手段观察外部世界所得到的原始材料，它本身并没有什么直接的价值，有价值的是蕴藏在其中的信息和知识。随着信息技术的快速发展、互联网的广泛普及，人们获取、储存数据的手段和方式已变得非常便捷和廉价。数据的增长积累速度已远远超过数据总结和分析能力的提升速度，致使各行业的数据量以空前的速度急速增长。因而，一方面有大量的“数据过剩”；而另一方面却又严重地“信息匮乏”。如何开发宜于从海量数据中自动、高效地提取所需的有用知识，已成为众学科共同关注的焦点。　　数据库中知识发现是适应这一现实要求而发展起来的一种数据分析技术。KDD是指从数据中识别出有效、新颖、潜在有用的和最终可理解的模式或规则的非平凡过程。KDD是一个多阶段的处理过程，可能需要多次的反复循环和调整。这些典型的处理包括数据存储、目标数据选择、清洗、预处理、交换和缩减、数据挖掘、结果评价和解释等步骤。通常KDD可简要地概括为:数据准备、实施挖掘及结果评价和解释三个主要阶段。　　KDD是一个介于统计学、机器学习、模式识别、数据库技术、数据可视化和并行计算等领域的交叉新兴学科，也因此有了许多不同的术语和名称。除KDD之外，主要有“数据挖掘”、“智能数据分析”、“信息发现”、“探索式数据分析”，等等。　　……

用户评论 (总计1条)

•   没啥感觉,或者感觉一般吧.暂时也不打算继续看它了.