数据挖掘与知识获取
课程名称：数据挖掘与知识获取
课程编码：C307
课程学分：2
适用学科：计算机应用技术
数据挖掘与知识获取
Data Mining and Knowledge Acquisition
教学大纲
一、课程性质
课程性质为专业选修课，32学时，2学分。
二、课程教学目的
数据挖掘是数据库研究、开发和应用最活跃的分支之一，将从数据库角度全面、系统地学习数据挖掘的基本概念、基本方法和基本技术以及数据挖掘的最新进展。
通过本课程的学习，使学生全面而深入地了解数据库技术的发展和数据挖掘应用的重要性，数据仓库和OLAP（联机分析处理）技术，学习并研究数据预处理技术（包括数据清理、数据集成和转换、数据归纳的方法）、数据挖掘技术（包括分类、预测、关联和聚类等基础概念和技术），先进的数据库系统中的数据挖掘方法、数据挖掘的应用和一些具有挑战性的研究问题。
三、教学基本内容及基本要求
第一章绪论﹙2学时﹚
1、数据挖掘的重要性
2、数据挖掘的定义
3、数据
4、数据挖掘功能
5、数据挖掘分类
第二章数据仓库和数据挖掘的OLAP技术﹙2学时﹚
1、什么是数据仓库
2、多维数据模型
3、数据仓库的系统结构
4、数据仓库的实现
5、从数据仓库到数据挖掘
第三章数据预处理﹙4学时﹚
1、为什么要预处理数据
2、数据清理
3、数据集成和变换
4、数据归约
5、离散化和概念分层生成
第四章数据挖掘原语、语言和系统结构﹙2学时﹚
1、数据挖掘原语
2、一种数据挖掘查询语言
3、数据挖掘系统的结构
第五章概念描述：特征化与比较﹙4学时﹚
1、概念描述
2、数据概化和基于汇总的特征化
3、解析特征化：属性相关分析
4、挖掘类比较：区分不同的类
5、在大型数据库中挖掘描述统计度量
6、讨论
第六章挖掘大型数据库中的关联规则﹙4学时﹚
1、关联规则挖掘
2、由事务数据库挖掘单维布尔关联规则
3、由事务数据库挖掘多层关联规则
4、由关系数据库和数据仓库挖掘多维关联规则
5、由关联挖掘到相关分析
6、基于约束的关联挖掘
第七章分类与预测﹙4学时﹚
1、分类与预测定义
2、用判定树归纳分类
3、贝叶斯分类
4、后向传播分类
5、基于源自关联规则挖掘概念的分类
6、其它分类方法
7、预测
8、分类法的准确性
第八章聚类分析﹙4学时﹚
1、聚类分析定义
2、聚类分析中的数据类型
3、主要聚类方法的分类
4、划分方法
5、层次方法
6、基于密度的方法
7、基于网格的方法
8、基于模型的聚类方法
9、孤立点分析
第九章复杂类型数据的挖掘﹙2学时﹚
1、复杂数据对象的多维分析和描述性挖掘
2、空间数据库挖掘
3、多媒体数据库挖掘
4、时序数据和序列数据的挖掘
5、文本数据库挖掘
6、Web挖掘
第十章应用及发展趋势﹙4学时﹚
1、数据挖掘的应用
2、数据挖掘的发展趋势
四、本课程与其他课程的联系与分工
先行课程：人工智能原理，数据仓库技术
后续课程：无
五、实践环节教学内容的安排与要求
《数据挖掘与知识获取》是一门理论性和实践性都很强的课程，实践性教学环节对该课程尤为重要。
1、选择感兴趣的专题，在课外收集资料，进行研究；
2、利用某一种编程语言，课外编写各种数据挖掘算法程序；
3、利用商品化数据挖掘软件，如Clementine，选择某一个领域，采集大量
的数据，如教务系统的选课记录，研究大量数据中隐藏的规律。
六、本课程课外练习的要求
课内外学时比：1:1
课外上机：16学时
七、本课程的教学方法及使用现代化教学手段方面的要求
以讲授为主,全部使用计算机投影进行教学。
八、本课程成绩的考查方法及评定标准
本课程教学考核采用研究论文的考核办法。
要求学生以小组（2-3人为一组）为单位，就数据挖掘的某一专题进行研究、讨论，写出论文，并选择优秀的专题论文由学生在课堂进行讲授。
九、教材及参考书
教材：《数据挖掘—概念与技术》，Jiawei Han，Micheline Kamber，机械工业出版社；
参考书：《数据挖掘与知识发现》，李雄飞，高等教育出版社。
十、课程各章节学时分配
大纲撰写人：李晋宏大纲审阅人：刘文萍责任教授：李也白
系（教研室）主任：李也白
学院负责人：张常年
制（修）定日期：2004年9月1日。
数据信息知识概念
数据信息知识概念一、数据收集数据收集是数据处理的起点，是指从各种来源和环境中获取原始数据的过程。
这些来源可能包括传感器、数据库、调查问卷、社交媒体等。
在收集数据时，我们需要明确数据收集的目的，并选择合适的工具和技术。
同时，还需要考虑到数据的可靠性、完整性、时效性等问题。
二、数据处理数据处理是指对原始数据进行清洗、整理、归纳、转换等操作，以便于后续的数据分析和数据挖掘。
数据处理的主要目的是消除噪声、填补缺失值、纠正错误值等，使得数据更加准确和可靠。
在数据处理过程中，我们还需要关注数据的隐私和安全问题，避免数据泄露和数据滥用。
三、数据存储数据存储是指将处理后的数据存储在计算机或云端，以便于后续的数据检索和分析。
数据存储需要考虑数据的存储格式、存储介质、存储空间等问题，同时还需要保证数据的安全性和可靠性。
在数据存储过程中，我们还需要定期进行数据备份和数据归档，以避免数据丢失和数据损坏。
四、数据检索数据检索是指从数据存储中查询和获取需要的数据的过程。
数据检索需要考虑查询的效率和效果，以便快速地获取需要的数据。
在数据检索过程中，我们还需要关注数据的隐私和安全问题，避免数据泄露和数据滥用。
五、数据可视化数据可视化是指将数据处理后的结果通过图形、表格、地图等方式呈现出来，以便于人们理解和分析数据。
数据可视化可以提高数据的可读性和可理解性，同时还可以帮助人们发现数据的规律和趋势。
在数据可视化过程中，我们需要选择合适的可视化工具和技术，并根据数据的特征和需求进行定制化设计。
六、数据分析数据分析是指通过数学建模和分析方法对数据进行深入挖掘和分析的过程。
数据分析可以帮助人们发现数据的潜在价值和意义，同时还可以为决策提供科学依据。
在数据分析过程中，我们需要掌握各种分析方法和工具，并根据实际需求进行选择和应用。
七、知识表示知识表示是将领域知识和信息以计算机可以理解的方式表示出来的过程。
知识表示的方法和技术多种多样，包括语义网络、概念图、自然语言处理等。
数据挖掘与知识发现
前期基础课程：数据库、人工智能参考书：《知识发现》，清华大学出版社，史忠植编，2004第1章概述随着信息社会和知识经济时代的来临，信息正以前所未有的速度膨胀。
面对浩如烟海的信息资源，人类的自然智能越来越显得难于驾驭。
如何用人造的智能去模仿和扩展人类的自然智能，实现信息的智能化处理，是信息社会和知识经济所面临的一个重大课题。
人工智能作为一门研究机器（计算机）智能的学科，其目的是要用人工的方法和技术，研制智能机器或智能系统，来模仿、延伸和拓展人的智能。
因此，人工智能是人类迈向信息、迎接知识经济挑战所必须具备的一项核心技术。
难怪有人把人工智能同原子能技术、空间技术一起称为20世纪的三大尖端科技成就。
但人工智能系统较率低，不能应用于实际。
随着计算机、Internet的普及，以及数据库（DB）技术的迅速发展和数据库管理系统（DBMS）的广泛应用，导致许多领域积累了海量数据（如，从普通的超市业务数据、信用卡记录数据、电话呼叫清单、政府统计数据到不太普通的天体图像、分子数据库和医疗记录等）。
现有的DB技术大多可高效地实现数据查询、统计和维护等管理功能，但却无法发现数据中存在的关联和规则，无法根据现有的数据预测未来的发展趋势。
数据库中存在着大量数据，却缺乏从这些数据中自动、高效地获取知识的手段，出现了“数据丰富，知识贫乏”的现象。
此外，在数据操纵方面：信息的提取及其相关处理技术却远远落后。
为此，针对庞大的数据库及其中的海量数据信息源，仅依靠传统的数据检索机制和统计分析方法已远不能满足需要。
需求是发展之母，数据管理系统（DBMS）和人工智能中机器学习两种技术的发展和结合，促成了在数据库中发现知识这一新技术的诞生，即基于数据库知识发现（Knowledge Discovery in Database,KDD）及其核心技术---数据挖掘产生并迅速发展起来。
它的出现为自动和智能地把海量数据转化成有用的信息和知识提供了手段。
数据挖掘简介
数据挖掘简介数据挖掘简介2010-04-28 20：47数据挖掘数据挖掘(Data Mining)是采用数学、统计、人工智能和神经网络等领域的科学方法，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，为商业智能系统服务的各业务领域提供预测性决策支持的方法、工具和过程。
数据挖掘前身是知识发现(KDD)，属于机器学习的范畴，所用技术和工具主要有统计分析(或数据分析)和知识发现。
知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物，是从数据中发现有用知识的整个过程。
机器学习(Machine Learning)是用计算机模拟人类学习的一门科学，由于在专家系统开发中存在知识获取的瓶颈现象，所以采用机器学习来完成知识的自动获取。
数据挖掘是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(Patterns)。
1996年，Fayyad、Piatetsky-Shapiror和Smyth将KDD过程定义为：从数据中鉴别出有效模式的非平凡过程，该模式是新的、可能有用的和最终可理解的；KDD是从大量数据中提取出可信的、新颖的、有效的，并能被人理解的模式的处理过程，这种处理过程是一种高级的处理过程。
数据挖掘则是按照既定的业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性，并进一步将其设计为先进的模型和有效的操作。
在日常的数据库操作中，经常使用的是从数据库中抽取数据以生成一定格式的报表。
KDD与数据库报表工具的区别是：数据库报表制作工具是将数据库中的某些数据抽取出来，经过一些数学运算，最终以特定的格式呈现给用户；而KDD则是对数据背后隐藏的特征和趋势进行分析，最终给出关于数据的总体特征和发展趋势。
报表工具能制作出形如"上学期考试未通过及成绩优秀的学生的有关情况"的表格；但它不能回答"考试未通过及成绩优秀的学生在某些方面有些什么不同的特征"的问题，而KDD就可以回答。
简述专家系统的开发过程
专家系统的开发过程简介专家系统是一种模仿人类专家决策过程的人工智能系统，通过收集领域知识和规则，以及运用推理和推断技术，来解决特定领域的问题。
它主要由知识库、推理机和用户界面三个组成部分构成。
专家系统的开发过程可以分为知识获取、知识表示、知识推理以及系统评估和维护等步骤。
知识获取知识获取是专家系统开发的第一步，它是开发中最为困难和复杂的部分。
知识获取可以通过以下方法进行： 1. 领域专家访谈：与领域专家进行面对面的访谈，直接获取专家的知识和经验。
2. 文献调研：查阅相关的书籍、论文和文章，获取领域内的知识和规则。
3. 数据挖掘：通过分析大量的数据，找到其中的规律和知识。
4. 规则抽取：从现有的系统中抽取规则和知识。
知识表示知识表示是将获取到的知识进行组织和表示的过程。
常用的知识表示方法有： 1. 规则表示：基于规则的专家系统将知识表示为一系列的“如果-那么”规则，规则由前件和后件组成，前件是条件，后件是结论。
2. 框架表示：框架表示根据领域知识的特点和结构，将知识以框架的形式进行表示和存储。
3. 语义网络表示：语义网络表示将知识表示为节点和关系的网络结构，每个节点代表一个概念，关系表示概念之间的关联。
知识推理知识推理是专家系统的核心部分，通过对知识的推理和推断，来解决问题和作出决策。
常用的推理方法有： 1. 前向推理：从已知事实出发，通过匹配规则的前件条件，逐步推导出结论。
2. 后向推理：从目标结论出发，根据规则的后件条件，逆向推导出满足条件的前提。
3. 反向推理：根据用户提供的问题或目标，向后推导出满足目标的推理链。
4. 混合推理：结合前向、后向和反向推理的特点和方法，进行综合推理。
知识系统评估和维护系统评估和维护是专家系统开发过程的最后一步，它的目的是验证专家系统的有效性和可靠性，并对系统进行修正和改进。
常用的评估和维护方法有： 1. 测试和验证：对专家系统进行测试和验证，评估系统的正确性和性能。
知识发现与数据挖掘
知识发现与数据挖掘2007-6-12宋利【摘要】本文介绍了知识发现及其数据挖掘的发展历史，数据挖掘常用技术及应用。
【关键词】知识发现，数据挖掘１、引言随着数据库技术的成熟和数据应用的普及，人类积累的数据量正在以指数速度迅速增长。
进入九十年代，伴随着因特网（Internet）的出现和发展，以及随之而来的企业内部网（Intranet）和企业外部网（Extranet）以及虚拟私有网（VPNVirtualPrivatenetwork）的产生和应用，将整个世界联成一个小小的地球村，人们可以跨越时空地在网上交换数据信息和协同工作。
这样，展现在人们面前的已不是局限于本部门，本单位和本行业的庞大数据库，而是浩瀚无垠的信息海洋,数据洪水正向人们滚滚涌来。
当数据量极度增长时,如果没有有效的方法,由计算机及信息技术来提取有用信息和知识，人们也会感到面对信息海洋像大海捞针一样束手无策。
据估计，一个大型企业数据库中数据，只有百分之七得到很好应用。
这样，相对于“数据过剩”和“信息爆炸”,人们又感到“信息贫乏”（Informationpoor）和数据关在牢笼中”(datainjail)，奈斯伯特(JohnNaisbett)惊呼“Wearedrowningininformation，butstarvingforknowledge”（人类正被数据淹没，却饥渴于知识）。
面临浩渺无际的数据，人们呼唤从数据汪洋中来一个去粗存精、去伪存真的技术。
从数据库中发现知识(KDD)及其核心技术——数据采掘(DM)便应运而生了。
２、知识发现过程知识发现（KDD）是从数据中发现有用知识的整个过程；数据开采（DM）是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式（patterns）。
1996年，Fayyad、PiatetskyShapiror和Smyth将KDD过程定义为：从数据中鉴别出有效模式的非平凡过程，该模式是新的、可能有用的和最终可理解的。
水库调度系统中知识获取的数据挖掘方法的分析与研究
水库调度（ｅｅｖｉ Ｏ ｅ ｔ ｎ） Ｒ ｓｒｏｒ ｐ ｒ ｉ 是优化配置水资源和调节天然 ａｏ 来水 的主要途径与措施 。水库调度 对充分利 用和合理配置 水资 源、 调节 洪水 和适度改善水 污染 以及促进 水资源的可持续发展发 挥 了重要作用 。
（） ２多库调度的特点 多 库 是 指 相 互 具 有 水 力 联 系 的 位 于 同 一 河 流 或 流 域 内 的 多
维普资讯
＼． 库 信 毒 ．． 数 及 息 理．． 据 ．．
余茂坦 ’
（ 徽 省 淠 史杭 总 局 工 程 处 ， 徽 六 安 ２ ７０ ） 安 安 ３ ０ １
本责辑翔 栏任 ：军 目编闻
水库调度系统 中知识获取 的数据挖掘方法的分析与研究
摘 要 ： 文探 讨 水 库 调 度 系统 的 知识 获取 问题 ， 水库 调 度 Ｄ 问题 。 据 Ｄ 的作 用 和 特 点 ， 奉 即 Ｍ 根 Ｍ 以及 水 库 调 度领 域 存 在 的 问题 ， 分析 了水库调度对 ＤＭ 的需求． 在水库调度 中得 以实施的数 据基础 ， ＤＭ 井且指 出了若干应用方向。
ｍ ｇｃｏｃ ｒｅ ｏ ｆ ｅｅｖｉ ｏ ｅ ｔ ｎ ｍｏ ｅ ｏ ｅａｏ ｄ１ Ｆ ｒ ｅｍｏｅ ｔｉｐｐ ｒ ｕ ｒ ｒ ｅｐｏｅｓ ｆ ｔ ｕ — ｕ ｅ ｈ ｉ ｃ ｔ ｎｏ ｒｏ ｐ ｒ ｏ ｄｌ ｐ ｒ ｎｍｏ ｅ ， ｕｔ ｒ ｒ， ｈ ａｅ ｐ ｔ ｆ ｗａ ｔ ｒｃｓ ｏ ａ ｌ ｇｉ ｄ ｅｉｒ ｉ ｒ ｓ ｒ ａ ｉ ｓ（ ｉ ｔ ） ｈ ｓ ｓ ｏ ｄｈ ｍｅ ｒ ｅ ｄ
通过人类 的控制作用 ． 可以使 这种改变朝着有利于人类 的方 向发 展。 达到洪水调节 、 用水配置 的 目的。水库的功 能主要包 括防洪 、 发电 、 灌溉 、 养殖 、 航运 、 旅游等方面。水库 的这些功能都是通过水 这一 载体实现的。 １ ． ２水库调度的特点 水库调度是在水库修建完毕 以后韵 运行管理措施 ， 科学 的调 度可 以最 大 限 度 发 挥 工 程 效 益 ．最 大 程 度 实 现 兴利 除 害 的 目 的 。 水库调度关系 到上下游 、 左右 岸 、 库 自身 的安全以及防洪 与兴 水 利的协调等诸 多因素 。 且各 因紊在不断变化 中 ， 具有动态性 和不 确定性。因此 ， 水库调度是一个 复杂 的过程 。 ｆ１ １ 单库调度 的特点 不确 定性（ｎ ｅｔｎｙ）影 响水库调 度的某 些 因素 是不确 定 Ｕ ｃｒ ｉｔ ： ａ 的、 模糊的 、 随机的 ， 如水库预报人流过程与实 际人 流过程存在偏 差 、 游需水量存 在一定 的随机性 、 电厂 的负荷也是实 时变化 下 水
论空间数据挖掘和知识发现_李德仁
论空间数据挖掘和知识发现李德仁1王树良1史文中2王新洲3(1武汉大学测绘遥感信息工程国家重点实验室,武汉市珞喻路129号,430079)(2香港理工大学土地测量与地理资讯学系,香港,九龙红石勘(3武汉大学科技部,武汉市珞珈山,430072)了将数据的最大价值挖掘出来,以取得最多的知识,1989年在美国底特律召开的第一届KDD(knowledge discovery from databases)国际学术会议上,又出现了一门称为从数据库中发现知识(即KDD)的新学科,从数据库中发现先前未知却有用的知识,为决策分析提供技术支持。
GPS、RS和GIS等技术的应用和发展,使空间数据的膨胀速度远远超出了常规的事务型数据,“数据爆炸但知识贫乏”的现象在空间数据中更为严重。
1994年在加拿大渥太华举行的GIS国际会议上,李德仁院士首次提出了从GIS数据库中发现知识———KDG(knowledge discovery from GIS)的概念。
他系统分析了空间知识发现的特点和方法,认为从GIS数据库中可以发现包括几何特征、空间关系和面向对象的多种知识,KDG能够把GIS有限的数据变成无限的知识,可以精练和更新GIS数据,使GIS成为智能化的信息系统,并第一次从GIS空间数据中发现了用于指导GIS空间分析的知识[1]。
1995年,在加拿大召开的第一届知识发现和数据挖掘国际学术会议上,数据库中的数据被形象地喻为矿床,再次出现了崭新的数据挖掘(data mining,DM,又译为数据发掘、数据开采或数据采掘等)学科。
随着研究和应用的深入,人们对KDD和DM的理解越来越全面,相继又出现了知识提取(knowledge extraction)、信息发现(informationdiscovery)、信息收获(information harvesting)、数据考古(data archaeology)等含义相同或相似的名称。
具体名称虽然不同,但其本质是相同的,都是从数据库中提取事先未知却有用的知识。
人工智能在信息资源管理中的运用与影响
人工智能在信息资源管理中的运用与影响引言随着信息技术的快速发展，人工智能已经成为当今社会的热门话题之一。
人工智能的出现不仅在各个领域带来了革命性的变革，而且在信息资源管理中也发挥着重要的作用。
本文将探讨人工智能在信息资源管理中的运用与影响。
一、人工智能在信息资源收集与整理中的应用1. 自动化收集与整理以往，信息资源的收集与整理通常需要大量的人力投入和时间成本。
而随着人工智能的发展，自动化收集与整理信息资源成为可能。
通过机器学习和自然语言处理等技术，人工智能可以帮助用户快速地从海量信息中筛选出有用的内容，并进行自动分类、标签和归档。
这极大地提高了信息资源管理的效率和准确性。
2. 智能搜索与推荐在信息爆炸的时代，用户常常面临着信息过载的问题。
人工智能技术的出现使得智能搜索和个性化推荐成为可能。
通过深度学习和推荐算法，人工智能可以根据用户的个人偏好和兴趣，为其提供精准的搜索结果和个性化推荐。
这大大提高了用户获取信息的效率和准确性，同时也增强了用户对信息资源的满意度。
二、人工智能在信息资源分析与利用中的应用1. 数据挖掘与知识发现在信息资源管理中，数据挖掘和知识发现是非常重要的环节。
人工智能技术可以通过对大数据的分析和挖掘，发现其中的潜在关联和规律。
通过机器学习和模式识别等技术，人工智能可以帮助用户更好地理解和利用信息资源中的知识和价值。
2. 预测与决策支持人工智能在信息资源管理中的另一个重要应用是预测和决策支持。
通过对历史数据的分析和建模，人工智能可以预测未来的趋势和变化。
这为用户做出决策提供了重要的参考和支持，同时也可以减少风险和提高效率。
三、人工智能对信息资源管理的影响1. 提高效率和准确性人工智能的应用使得信息资源管理的效率和准确性得到了极大的提升。
通过自动化的收集、整理和分析，人工智能可以大大减少人力投入和时间成本，并提高处理信息资源的准确性和一致性。
2. 拓宽信息获取渠道人工智能技术的出现使得用户可以通过多种渠道获取信息资源，如语音识别、图像识别和自然语言处理等。
数据挖掘给我们的生活带来的改变
数据挖掘给人们生活带来的改变摘要：随着网络、数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多，其中蕴藏着大量的信息，数据挖掘(Data Mining)就是从大量的实际应用数据中提取隐含信息和知识，它利用了数据库、人工智能和数理统计等多方面的技术，是一类深层次的数据分析方法。
本文简要阐述了大数据的研究现状与重大意义，探讨通过对数据进行挖掘，分析，给人们的生活带来的改变。
关键字：大数据、知识获取、数据挖掘、应用及改变一、引言近年来，随着互联网、物联网、云计算、三网融合等IT与通信技术的迅猛发展，数据的快速增长成了许多行业共同面对的严峻挑战和宝贵机遇，因而信息社会已经进入了大数据时代。
大数据的涌现不仅改变着人们的生活与工作方式、企业的运作模式，甚至还引起科学研究模式的根本性改变。
数据是知识的源泉。
但是,拥有大量的数据与拥有许多有用的知识完全是两回事。
过去几年中,从数据库中发现知识这一领域发展的很快。
广阔的市场和研究利益促使这一领域的飞速发展。
计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。
收集数据是为了得到信息,然而大量的数据本身并不意味信息。
我们只有通过对数据进行挖掘，分析、筛选、比较、综合、才能提取出知识和规则。
二、知识获取与数据挖掘一般说来,知识获取(Knowledge Discovery inDatabases,称称KDD)意为数据库中知识获取,它代表从低层次数据中提取高层次知识的全过程,包括数据信息的收集,数据原型的确定,相关函数的分析,知识的抽取和数据模式分析。
统计学中常指的是无假设证实所进行的数据测量和分析。
而数据挖掘则是指从数据中自动地抽取模型。
数据挖掘包括许多步骤:从大规模数据库中(或从其他来源)取得数据;选择合适的特征属性;挑选合适的样本策略;剔除数据中不正常的数据并补足不够的部分;用恰当的降维、变换使数据挖掘过程与数据模型相适合或相匹配;辨别所得到的是否是知识则需将得到的结果信息化或可视化,然后与现有的知识相结合比较。
一种获取渔场知识的数据挖掘模型及知识表示方法研究
Ｒｅ ｅ ｒ ｈ ｏ ａ ａ ｍｉ ｉ ｇ ｍｏ ｅ ｏ ｂ ａ ｎ ｎ ｎ ｓ ａ ｃ ｎ ｄ ｔ ｎ ｎ ｄ ｌｆ ｒｏ ｔ ｉ ｉ ｇ ａ ｄ
Ａ ｂ ｔ ａｃ ： Ｔ ｓ ｐ ｐ ｒｐ ｏ ｓ ｄ ａＩｅ ｋ ｏ ｅ ｇ ｓ ｏ ｅ ｙａｎ ｅ ｒ ｓ ｎ ａｉｎ ｍｏ ｌ ｏ ｓ ｅ ，ｗｈｉｈ ｔｏ ｈｒ ｅｓｅ ｓ ｓｒ ｔ ｈｉ ａ ｅ ｒ ｐｏ ｅ ｌｗ ｎ ｗｌ ｄ ｅｄｉｃ ｖ ｒ ｄ ｒ ｐ ｅ ｅ ｔｔｏ ｄｅ ｒｆ ｈ ｒ ｆ ｉ ｙ ｃ ｏ ｋ ｔ ｅ ｔ ｐ ．Ｆｉｓ— ｒｔ
ｒｐ ｅ ｅ ｔｎ ｓ ｅ ｙ ｋ ｏ ｅ ｇ ｅ ｒ ｓ ｎ ｉｇ ｆ ｈ ｒ ｎ ｗｌｄ ｅ ｉ
Ｙ Ａ ｎ—ｈ ｎ ， Ａ Ｇ Ｈ ｎ．ｉ，Ｃ Ｅ ｉ－ ｎ Ｕ ＮＨｏｇｃｕ Ｔ Ｎ ｏｇｙ Ｈ Ｎ Ｘｎｊ ｕ
（ ． ｏｌ ｅｆｌｆｒａｉ ｅｈｏｏｙ ． ｏｌ ｅ Ｏ ｅｎＳｉ ｃ ， ｈ ｎ ｈ ｉ ｃａ ｎｖｒｔ，Ｓ ａｇ ａ ０ ３ ６ ｈｎ ａ Ｃ ｌｇ ｎｏｍ ｔ ｎＴｃｎｌ ，ｂ Ｃ ｌｇ ｃａ ｃ ｎｅ Ｓ ａ ｇ ａ Ｏｅｎ Ｕ ｉ ｓｙ ｈ ｎ ｈ ｉ １０ ，Ｃ ｉ ｅ ｏ ｏ ｇ ｅ ｏ ｆ ｅ ｅｉ ２ ａ）
识表 示方 法是石 效可行 的 。
关键 词 ：知 识发 现 ； 可拓 数据挖 掘 ； 体 ； 本 印度 洋大 眼金 枪 鱼 ； 渔情预 测
中图分类号 ：Ｔ １ １ Ｐ ８ 文献标 志码 ：Ａ 文 章编 号 ：１ ０ —６ ５ ２ １ ） ２ ４ ４ —４ ０ １ ３９ （ ０ ０ １ —４ ３ ０