数据挖掘在中国的现状和发展研究.
大数据技术的发展现状与未来趋势分析
大数据技术的发展现状与未来趋势分析随着科技的不断进步和社会的不断发展，大数据技术逐渐成为人们关注的焦点。
从早期的数据存储和处理，到现在的数据分析和应用，大数据技术已经在各个领域展现出了无限的潜力。
本文将从大数据技术的发展现状、主要应用领域和未来趋势三个方面进行探讨。
大数据技术的发展现状是一个快速发展的过程。
随着数字化时代的来临，人类的活动产生了大量的数据，这些数据被广泛应用于商业、社会和科学研究等方面。
为了能够更好地理解和利用这些数据，大数据技术应运而生。
目前，大数据技术主要包括数据的采集、存储、处理和分析。
数据的采集主要通过传感器、摄像头等设备来获取，数据的存储则采用云计算和分布式存储等技术进行管理，而数据的处理和分析则依靠机器学习和人工智能等算法来实现。
大数据技术的应用领域非常广泛。
在商业领域，大数据技术已经被广泛应用于市场营销、风险管理和供应链管理等方面。
通过对大数据的分析和挖掘，企业可以更加准确地把握市场动态，降低经营风险，并提高供应链的效率。
在社会领域，大数据技术被用于城市规划、环境保护和公共安全等方面。
通过对大数据的分析，政府可以更好地制定城市规划和环境保护政策，提高城市的可持续发展水平，并提高公众的安全感。
在科学研究领域，大数据技术被用于天气预报、医学研究和宇宙探索等方面。
通过对大数据的分析，科学家可以更好地研究天气规律，提高医学诊断的准确性，并深入了解宇宙的奥秘。
虽然大数据技术已经取得了很大的进展，但其未来仍然面临着一些挑战和机遇。
首先，数据隐私和安全问题是大数据技术发展中必须要解决的难题。
随着数据的不断增长，数据的安全和隐私问题显得尤为重要。
其次，数据的质量和可信度问题也是需要解决的难题。
数据质量的低下和可信度的不高会直接影响到数据的分析和应用效果。
再次，大数据的处理和分析算法仍然需要不断优化和改进。
随着数据量的增加，现有的处理和分析算法可能无法胜任。
此外，大数据技术的人才短缺问题也亟待解决。
基于数据挖掘技术的电商数据分析研究
基于数据挖掘技术的电商数据分析研究随着电子商务的不断发展和普及，企业在电商平台上的销售数据也日渐丰富。
这些数据在规模化和复杂化的同时，常常难以被企业直接化解和分析。
因此，如何利用数据挖掘技术帮助企业更好地解析电商数据，成为了当前企业智能决策的重要方向之一。
一、电商数据的现状电商数据的数量及其质量是决定数据分析和挖掘结果的关键因素。
如今，大型电商平台的数据往往呈现出数量庞大、更新频繁、交互性强、多维化等特点。
具体来说，这些数据可以包括商品销售数据、用户行为数据、物流配送数据、支付结算数据等多种类型的数据。
在现实中，电商平台数据的采集常常存在诸多挑战。
例如，平台内部可能涉及到多种业务部门与系统，数据格式也不统一而且容易出现错误；平台外部因数据格式和种类的不同，需要渠道合作才能获得更多的数据；同时，质量问题和数据误差也是数据挖掘的重要问题。
二、数据挖掘与电商数据分析数据挖掘是一种从大量数据中发现规律、模式和信息的过程，它在当前的信息时代中得到了广泛的应用和推广。
在电商领域中，数据挖掘技术可以有效地帮助企业更好地理解和处理电商数据。
数据挖掘技术基本上包含数据预处理、数据分析和数据可视化这三个步骤。
数据预处理包括数据清洗、数据集成、数据变换和数据规约等一系列处理操作。
数据分析将数据挖掘工具应用于已准备好的数据集中，通过选择合适的挖掘算法来寻找数据集中的规律、模式和知识等。
数据可视化则是将挖掘出的模式和知识表达出来，让普通人能够直观地理解。
在电商领域中，数据挖掘技术可以应用到诸多方面。
例如，通过对用户行为数据进行分析，可以发现用户喜好、品味和兴趣，从而精准地推荐商品。
通过对产品销售数据和用户评论进行分析，可以优化产品设计、改进服务品质，并持续提高用户满意度。
通过对物流配送数据和支付结算数据进行分析，可以实现更优秀的配送方案和更精细的管理流程，从而更好地控制运营成本。
三、主要的电商数据分析方法1. 关联规则挖掘关联规则挖掘是一种发掘数据集中事务之间频繁关系的方法。
中国大数据产业的发展现状与趋势分析
中国大数据产业的发展现状与趋势分析近年来，大数据产业在中国经济发展中扮演越来越重要的角色。
如何把握大数据的时代机遇，促进中国大数据产业的发展，已经成为了政府、企业和学术界都亟待解决的问题。
一、大数据产业兴起概述大数据产业是以大数据为核心，以技术为支撑，包括数据应用、系统集成、业务开发、数据开发、数据共享等领域的产业。
随着数字化、互联网化、智能化、大数据时代的到来，大数据产业已经成为中国产业发展的重要支撑。
从数据量来看，中国是全球最大的数据生产国之一，大数据产业规模不断增长。
根据中国国家信息中心发布的2019年中国大数据行业发展报告，中国大数据产业发展的行业规模已经超过1.5万亿元，具有较快的增长速度。
在工业、交通、医疗、金融、教育等各个领域，大数据技术和产业都在不断地得到应用和推广。
二、中国大数据产业的现状在大数据产业发展中，中国面临着不少困难和挑战。
现阶段的中国大数据产业还存在以下问题：1、产业生态不完整：整个大数据产业生态还没有建立完整，缺乏产业链的齐全和配套的政策支持。
2、技术能力弱：虽然中国已经涌现出了一些优秀的大数据企业，但是整体技术水平仍然较为落后，有待提高。
3、数据能力有限：目前的数据三废处理、数据整合、数据清洗等环节耗费人力和物力较多，数据质量和数据应用能力都还有待提高。
三、中国大数据产业发展的趋势随着技术创新的不断推进，大数据产业在未来的发展中也将面临着新的机遇和挑战。
1、产业生态将更加完整随着大数据产业的发展逐渐成熟，相关产业也会逐渐完善，从而形成较为完备的产业链。
同时，政府部门也将会出台配套的政策支持，促进大数据产业的发展。
2、技术能力将会更强新技术的不断涌现，将会极大地推动中国大数据产业的快速发展。
例如，人工智能、云计算、5G网络等技术的发展将会给大数据产业带来新的“生命力”。
3、数据应用能力更强未来，大数据的应用场景和深度将会进一步提升。
以物流行业为例，大数据已经能够预测货物的运输时间，提高准时送达率；同时，大数据还可以在电商、医疗保健、人力资源管理等领域的应用中发挥重要作用。
大数据研究现状
大数据研究现状在当今时代，大数据已经渗透到各个领域，成为推动社会进步和经济发展的重要力量。
大数据研究的现状可以从以下几个方面进行概述：1. 数据收集与存储随着物联网、云计算等技术的发展，数据收集变得更加便捷和高效。
各种传感器、移动设备和在线服务不断产生海量数据，这些数据被存储在云服务器或本地数据中心。
数据存储技术也在不断进步，以适应大数据的规模和复杂性。
2. 数据处理与分析大数据的处理和分析是研究的核心。
数据挖掘、机器学习和人工智能等技术被广泛应用于数据的处理和分析中，以发现数据中的模式、趋势和关联。
这些技术帮助研究人员和企业从大量数据中提取有价值的信息，支持决策制定。
3. 数据可视化数据可视化技术使得复杂的数据集能够以图形和图表的形式呈现，便于人们理解和分析。
随着大数据技术的发展，数据可视化工具也在不断创新，提供更加直观和交互式的用户体验。
4. 隐私与安全随着大数据的广泛应用，数据隐私和安全问题日益突出。
研究人员和企业正致力于开发更加安全的数据存储和传输技术，以及更加严格的数据访问和使用政策，以保护个人和企业的数据不被滥用。
5. 跨学科研究大数据研究正逐渐成为跨学科的领域，涉及计算机科学、统计学、经济学、社会学等多个学科。
这种跨学科的研究趋势促进了不同领域知识的融合，推动了大数据技术的发展和应用。
6. 政策与法规随着大数据技术的发展，各国政府也在制定相应的政策和法规，以规范大数据的使用和管理。
这些政策和法规旨在保护数据隐私、促进数据共享和创新，同时确保数据的安全和合规性。
7. 教育与培训为了满足大数据领域对专业人才的需求，许多教育机构和在线平台提供了大数据相关的课程和培训。
这些教育和培训项目旨在培养学生的数据分析能力，以及对大数据技术和工具的理解和应用。
8. 应用领域大数据技术已经被广泛应用于金融、医疗、教育、交通、政府管理等多个领域。
在这些领域中，大数据帮助企业和组织优化运营、提高效率、降低成本，并为创新提供支持。
大数据发展背景与研究现状分析研究论文
大数据发展背景与研究现状分析研究论文随着信息技术的不断发展和普及，大数据技术逐渐成为信息产业的新宠。
大数据发展背景与研究现状的分析，是人们对大数据技术的深入了解和探讨，也是大数据应用领域不断拓展的重要指引。
一、大数据发展背景在信息爆炸的时代，海量的数据如同潮水般涌现，传统的数据库技术逐渐无法满足大规模数据处理的需求。
大数据技术因此应运而生。
首先，在互联网的快速发展下，用户产生的数据呈指数级增长。
用户在社交网络、在线购物、搜索引擎等平台的行为数据，给数据库管理带来了极大挑战。
传统数据库技术对于处理如此庞大的数据量显然力不从心。
其次，移动互联网的普及让数据的来源更加多元化。
手机、平板等移动设备的普及和大数据的设备互联，进一步加速了数据的增长速度。
手机APP、传感器等设备产生的数据，也为大数据技术的应用提供了更广阔的空间。
再次，人工智能技术的飞速发展催生了对于大数据高效处理和分析的需求。
人们希望通过大数据的深度挖掘，实现智能化的应用场景。
这也促进了大数据技术的快速发展。
以上种种因素共同推动了大数据技术的发展，大数据在各行各业中得以广泛应用，为信息社会的进步做出了贡献。
二、大数据研究现状分析1. 数据处理技术大数据技术主要包括数据的采集、存储、处理和分析等环节。
在数据处理技术方面，分布式存储、分布式计算和数据挖掘等技术被广泛应用。
Hadoop、Spark等开源软件成为了大数据处理的主要工具，可以高效处理海量数据。
2. 数据分析方法数据分析是大数据技术的核心之一。
在数据分析方法方面，统计学、机器学习、深度学习等方法被广泛应用。
通过对数据的挖掘和分析，可以为企业的决策提供科学依据，实现精准营销、个性化推荐等应用场景。
3. 数据安全与隐私保护随着数据泄露事件的频发，数据安全与隐私保护成为大数据领域的重要议题。
加密技术、数据脱敏技术等手段被用于保护用户数据的安全和隐私。
数据伦理、法律法规等问题也备受关注。
4. 学术研究与应用案例国内外各大高校和研究机构也积极开展大数据技术的研究工作，推动了学术界对于大数据技术的理论研究和实践探索。
《2024年数据挖掘技术在气象预报研究中的应用》范文
《数据挖掘技术在气象预报研究中的应用》篇一一、引言随着科技的飞速发展，数据挖掘技术已经成为众多领域研究的重要工具。
在气象预报领域，数据挖掘技术的应用也日益广泛。
本文将探讨数据挖掘技术在气象预报研究中的应用，分析其重要性、应用现状及未来发展趋势。
二、数据挖掘技术在气象预报中的重要性1. 提高预报准确性：通过数据挖掘技术，可以分析大量气象数据，发现数据间的潜在关系和规律，从而提高气象预报的准确性。
2. 优化预报模型：数据挖掘技术可以帮助研究人员优化气象预报模型，使其更加符合实际情况，提高预报的可靠性。
3. 预测极端天气：数据挖掘技术可以用于预测极端天气事件，如暴雨、暴风雪、龙卷风等，为防灾减灾提供有力支持。
三、数据挖掘技术在气象预报中的应用现状1. 数据预处理：在气象预报中，数据预处理是数据挖掘的第一步。
通过清洗、去噪、归一化等操作，使数据更加规范、准确，为后续的数据挖掘提供基础。
2. 关联规则挖掘：关联规则挖掘是数据挖掘中的重要技术之一，可以用于发现气象数据间的潜在关系。
例如，通过分析历史气象数据，发现温度与降水量的关系，为短期气候预测提供依据。
3. 聚类分析：聚类分析可以用于将气象数据进行分类，发现不同地区的气候特点。
例如，根据气温、降水等指标，将全国划分为不同的气候区，为区域性气象预报提供支持。
4. 预测模型构建：基于数据挖掘技术，可以构建各种气象预测模型。
例如，利用机器学习算法构建的预测模型，可以根据历史气象数据和当前气象条件，预测未来的天气情况。
四、数据挖掘技术在气象预报中的具体应用案例1. 暴雨预测：通过数据挖掘技术，分析历史暴雨数据和气象条件，发现暴雨发生前的气象特征。
利用这些特征，可以提前预测暴雨事件，为防洪抗灾提供支持。
2. 空气质量预测：利用数据挖掘技术，分析空气质量与气象条件的关系，建立空气质量预测模型。
通过模型预测未来的空气质量情况，为政府和企业提供治理空气污染的依据。
3. 气候变化研究：通过聚类分析和关联规则挖掘等技术，研究历史气候变化数据，揭示气候变化的规律和趋势。
大数据技术的发展现状与未来趋势展望
大数据技术的发展现状与未来趋势展望近年来，随着互联网和移动互联网的高速发展，大数据技术逐渐成为各行各业的重要工具。
大数据技术通过对海量数据的收集、分析和运用，为企业和组织提供了全新的决策依据和商业机会。
本文将探讨大数据技术的发展现状，并展望其未来的趋势。
一、大数据技术的发展现状大数据技术在过去十年内取得了巨大的进展。
首先，数据规模呈爆发式增长，各种传感器、社交媒体平台和智能设备不断产生着庞大的数据流。
其次，云计算技术的普及使得数据的存储和处理更加高效和便捷。
再者，机器学习和人工智能的快速发展为大数据的挖掘和分析提供了新的方法和算法。
这些因素的共同促进，大数据技术得以持续创新和升级。
在商业领域，大数据技术被广泛应用于市场研究、用户分析和精准营销等方面。
以电商巨头阿里巴巴为例，其利用大数据技术实现了用户画像和个性化推荐，提高了用户购物体验和精准营销效果。
此外，大数据技术也被应用于证券交易、风险管理和供应链管理等金融和物流领域，为企业提供了全新的商业模式和增长机会。
在城市管理方面，大数据技术能够实现对城市内各种设施设备和人流、交通流的实时监测和调度。
例如，各大城市的智能交通管理系统能够通过大数据分析实现交通拥堵的预测和疏导；而智能电网系统能够通过大数据技术进行电力需求和供应的优化和调控。
大数据技术的应用使得城市变得更加智能、高效和宜居。
二、大数据技术的未来趋势展望1. 数据安全与隐私保护将成为重要关注点随着大数据规模的不断扩大，数据安全和隐私问题将越来越突出。
未来，大数据技术需要更加注重数据的安全存储和传输，采用更加严格的数据权限管理和加密技术，防止数据泄露和滥用。
同时，隐私保护法律和监管政策也需要随之完善，确保个人隐私权益得到有效保护。
2. 边缘计算和智能设备将推动大数据技术的进一步发展边缘计算是指将计算任务从中心服务器下放到数据源附近的网络边缘。
未来，随着物联网的普及和智能设备的智能化，边缘计算将为大数据技术的应用提供更大的便利。
中国大数据产业发展趋势及政策研究
中国大数据产业发展趋势及政策研究近年来，中国的大数据产业发展迅猛，在政府的积极引导下，人工智能、云计算、物联网等领域不断涌现出各种新兴企业，有力地推动了中国经济的发展。
一、中国大数据产业的现状中国大数据产业正在经历从量到质的转变，虽然说中国在大数据规模上已经占据了主导地位，但是与美国相比，中国大数据产业在技术上的落后和人才锐减等问题还有待解决。
目前，中国大数据产业的主要发展方向主要是面向政府和企业提供数据的开发和应用，以及数据安全保护和运维等方面的发展。
二、中国大数据产业的发展趋势1. 产业规模化发展趋势中国大数据产业与众多国际巨头展开竞争，竞争的本质是技术、数据和人才的竞争，影响产业竞争的因素则是产业规模，中国作为全球人口最多的国家，其大数据产业规模趋于扩大，产业规模的增长带来的是技术和人才的增长，进而影响大数据的应用与发展。
2. 硬件技术创新驱动在技术创新方面，中国大数据产业重视硬件技术的创新与发展。
当前，企业以数据中心的建设和云计算技术为竞争核心，通过高品质的数据存储、处理和安全保障的解决方案，提升大数据的应用价值和数据安全性。
3. 技术变革在推动发展同时，中国大数据产业对人工智能、机器学习、深度学习等新一代技术的渴求也日益增加，这些新技术在数据处理和分析方面具有更大的优势，大数据行业在这些新技术的驱动下，逐渐向更高级的知识管理方向发展。
三、政策支持在引导产业发展方向中国政府对大数据产业的发展非常重视，出台了一系列针对大数据产业的支持政策，如《数字中国建设发展战略》和《国家大数据综合试验区党工委关于加快发展大数据产业支持政策的通知》，旨在引导产业健康发展，超越各种难题，推动产业做大做强。
强化标准化、推动产业转型升级，是中国大数据产业政策支持的关键，国家已经加强对云计算、物联网、大数据等基础性技术的标准规范建设，优先推动标准化的制定和推广，进而促进产业整体技术水平的提升。
四、中国大数据产业的主要风险1. 数据泄露随着数据规模的逐渐增大，数据泄露风险也将不断增加。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
万方数据
万方数据
万方数据
万方数据
万方数据 Ｖｏ． ｌ１ ８．Ｎ ． ｏ３ 管 理 工 程 学 报 ２０ ０４年 第 ３ 期 圈 回 ［ｌ４ｊ 网 ［ｌ６ｊ 皿 ［ｌｓｊ ［ｌ９ｊ 厂 ． Ｌ ｌ 周生炳 ， 张钱 ， 成栋 ． 于规则 面 向属性的数 据库归纳 的无 回 基 溯算法［７ 软件学报， ９， （） ６３ ６８ １． １ ９１ ７： ７ 一 ７． ９ ０ 蒋嵘 ， 李德毅 ， 范建华 ． 数值 型 数据的泛概念树的 自动生成方 法【１计算机学报 ， ０ ， （） ４０ ４６ ｉ． ２ ０２ ５ ： 一 ７ ． ０ ３ ７ 一 」 一 一 尸 十 勺 ， １ ， 刁 ［７软件学报， ０， （） ７５ ７４ Ｊ． ２ ０１ ６： 一 ４． ０ １ ３ 周水庚， 周傲类， 曹晶． 基于数据分区的 Ｄ ＳＡ ＢＣ Ｎ算法【ｌ计 Ｊ． 算机研究与发展， ０， ０ ） １ ３ １ ９ ２ ０３ ０ ： 一 １ ． ０ ７ １ ５ ５ 「 一 － ，， ‘ ， 郭建生 ， ， 赵奕 施鹏 飞 一 种有效 的用于数据挖 掘的动 态概念 毛国君 ， 椿年 ． 于项 目序列集 操作 的关联 规则挖 掘算 法 刘 基 ］ ｉ 计算机学报 ， ０ ， （）４７ ４２ Ｉ ． ２ ２２ ４ ：１ 一 ２ ． ０ ５ Ｉ Ｌ 尸 聚类算法［ｌ软件学报， ０， （） 一 ９． Ｊ． ２ １１ ４ ： ２ ５１ ０ ２ ５ ８ 内、 内ｊ 「 一 一 Ｊ 魏李， 宫学庆， 钱卫宁， 高维空间中的离群点发现〔ｌ软件 等． Ｊ． 学报 ， ０ ，３２ ：８ 一 ９ ． ２ ２ １（）２０ ２０ ０ 门 仁 」 程岩 ， 黄梯云 ． 粗糙集 中定量关联规则的发现及其规则约简的 方法研究【〕管理工程学报， ０ ， （）７ － ７ Ｊ ２ １１ ３ ： ７ ． ０ ５ ３ ｅｓ Ｌ Ｆ 飞 ） ４ 俞蓓 ， 王军 ， 叶施仁 ． 基于近邻方法 的高维数据可视化聚类方 苑森森 ， 程晓青 ， 数量关联 规则发现 中的聚类方法研 究【ｌ计 ｉ． 法〔７ 计算机研究与发展， ０， （） ７４ ７ ． Ｊ． ２ ０３ ６： － ０ ７ １ ２ ０ ｒ ． ． Ｌ 算机学报， ０ ， （）８７ ８１ ２ ０２ ８ ： 一 ７． ０ ３ ６ 倪志伟 ， 蔡庆生 ， 方瑾 ． 用神经 网络来挖掘数据库 中的关联规 内、 〕 ‘ 一 一 Ｊ 「 陈宁 ， 陈安 ， 周龙骥 ． 大规模 交易数据库 的一种 有效聚类 算法 ［７软件学报， ０， （） ４５ ４４ Ｊ． ２ １１ ４ ：７ 一 ８． ０ ２ Ｌ 则【ｌ系统仿真学报， ０， （） ６５ ６７ １． ２ ０ １ ６ ： － ． ０ ２ ８ ８ Ｊ 内几 ６ ｌｅｓ Ｅｔ Ｍ， ｒ Ｓｎｅ ＪＡｇ ｉｍ ａｄ ｌａｏｓ ｓ ｔｌ ｓｒ Ｐｔ Ｋ ａｄｒ ｌ ｒｈ ｓ ａｐｃ ｉ ｆ ｐ ｉ ｅ ｅ Ｈ， ｅ ． ｔ ｏ ｎ ｐ ｉｔｎ ｏ ａａ ｒ 陆建江 ． 数据库 中布尔 型及广义模糊 型加权 关联规则 的挖掘 ｄａ ｉ 仁 ｌＩｉ ｃ ｐｒ Ｇｏａ ｉ Ｄｔ Ｍｎｇ ａ ｍ ｎ Ｚ ． ｖｅ ｈ ｔ ｆ ｅ ｒｈ ａ ｉｎ ａ ｔ ｉｇ ｎ ｎｔ ａｅ ｏ ｇｐｃ ａ ｉ ｎ ｄ ｒ ｄ Ｋｏｌ ｇ Ｄｓ ｖｒ， ｅｒ ｏｏｒ ｈ ｉ ＧＳ Ｔｙ ｒ ｄ ｎｗｅ ｅ ｃ ｅ Ｒｓ ｃ Ｍ ｎｇ ｐｓ Ｉ， ｌ ａ ｄ ｉｏ ｙ ｅ ａ ｈ ａ ｎ ａｏ ｎ Ｆａ ｃｓ２０ ． 一３ ． ｒｎｉ， １ １ ２ ０ ｒ ． ． Ｌ Ａｌ系统工程理论与实践， ０，： 一 ２ ． ２ ２２２ ３． ０ ８ 程继华 ， 施鹏飞 ． 多层次关联规则的有效挖掘算法 仁ｌ软件学 ｉ． 报 ， ９ ，（２ ： ７ ９１ １ ８９ １）９ 一 ４ ９ ３ 内愧 ， ｝ 产 Ｊ ． ， 刘茂福， 曹加恒， 彭敏等． 多媒体文本数据的模式挖掘方法 ２ ０ １ 肖利 ， 金远平 ， 徐宏炳 ， ． 于多维标度 的快 速挖掘关联规 等 基 ［」武汉大学学报（ Ｊ 理学版）２０， （） ３１ ３３ ， １４ ３ ： 一 ２． ０ ７ ２ ｒ ． ． Ｌ 则［ｌ 软件学报， ９， （） ７９ ７３ ｉ． １ ７１ ７ ：４ 一 ５． ９ ０ Ｌ ． ． Ｌ ， 、 钊 目 工 － 曹加恒 ， 张凯 ， 舒风笛等 ． 多媒体数据挖 掘的相 关媒体特 征库 飞 ２ １ ， ｌ ｅｓ ｅｓ Ｊ 陆建江， 宋自林， 钱祖平． 挖掘语言值关联规则【 软件学报， Ｊ． ２０ ， 戈 ） 印， ６１ ０１１ ４ ： 一 １． ２ ． ； Ｌ 尸 飞 』 ｇ 一 Ｊ 方法【ｌ武汉大学学报， ０， （） ５１ ４ Ｊ． ２ ０４ ５： － ７． ０ ６ ７ ５ 减例． 人工神经网络在混沌观测时序数据处理中的应用〔７ Ｊ． 数据采集与处理， ０， （） ４６ ４９ ２ １１ ４ ： 一 ８． ０ ６ ８ Ｆ ｅｓ ｅｓ ｒ ． ． Ｌ ， 勺 ， ． ． Ｊ ｝ ｝ 陆建 江 ， 钱祖 平 ， 自林 ． 态 云关 联 规 则 在 预测 中的应用 宋 正 Ｆ ｅｓ ｅｓ ｌ 工 Ｊ ， 内 ‘ 」 ［． Ｊ 计算机研究与发展， ０， ０１： ７ １ ０ ］ ２ ０３ ） １１一 ３ ． ０ ７ ３ ２ 肖利， 王能斌， 徐宏炳， 挖掘转移规则： 等． 一种新的数据挖掘 ｅｓ Ｌ ｒ ４ ｝ ｎ ｌ 郑斌祥 ， 杜秀华 ， 席裕庚 一 种时序数据 的离群数据挖掘新算 「 一 ｒ ． ． Ｌ ， ￣ ４ 「 一 一 Ｊ 技术〔１ 计算机研究与发展， ９， （ ）９２ ９６ ｉ． １ ８３ １ ： 一 ０ ９ ５０ ０ 程继华， 施鹏飞． 概念指导的关联规则的挖掘［］计算机研究 ．． １ ‘ 尸 ４ １ １ 一 Ｊ 法［〕控制与决策， ０， （） ３４ ３７ Ｊ ２ ２１ ３ ： 一 ２． ０ ７ ２ 欧阳为民， 蔡庆生． 在数据库中自动发现广义序贯模式【７软 Ｊ． 件学报， ９，００： ４ ８０ １ ７８ ９ ８ 一 ７． ６ ， ． ． Ｊ 与发展 ， ９ ， （）１ ２ １９ ． １ ９３ ９ ： ９ 一 ０６ ９ ６ ０ ． ． Ｌ Ｌ ． ． Ｌ 尸 ４ ２ 欧 阳为民， 蔡庆生 ． 发现广义序贯模式 的增量式更新技术〔７ Ｊ． ２ ｝ ｌｔ ｌ ｅｓ 飞 」 谢志鹏 ， 刘宗 田． 概念格与关联规则发现 【ｌ计算机研究与发 ７， 展 ， ０ ， （２ ： １ 一 ４１ ２ ０３ １）１ ５ １２ ． ０ ７ ４ ４３ ４ ４５ ４６ 「 一 一 Ｊ 软件学报， ９，（０ ： ７ ７０ １ ８ ９１）７ 一 ８． ９ ７ 陈玉泉， 朱锡钧， 陆汝占． 文本数据的数据挖掘算法〔ｌ上海 １． 交通大学学报， ０， （） ９６ ９８ ２ ０３ ７ ： 一 ３ ． ０ ４ ３ ｒ ． ． Ｌ ２ Ｕ ‘ 慕春棣 ， 戴剑彬 ， 叶俊 ． 用于数据挖掘 的贝叶斯 网络【〕软件 Ｊ 学报 ， ０ ，１５ ： ０ ６６ ２ ０１（）６ 一 ６ ． ０ ６ ， ． ｒ ｒｅ Ｌ ， １ 夕 ， 宫秀军 ， 刘少辉 ， 史忠植 一 种增量 贝叶斯分类模 型 ［］计算 Ｊ． 机学报 ， ０ ， （）６５ “０ ２ ２２ ６ ：４ 一 ． ０ ５ 季文裤 ， 周傲英 ， 张亮 ， ． 等 一种基 于遗传算法 的优化分 类器 尸 ． 一 Ｌ ２ ０ ０ 『 一 一 Ｊ Ｋｓａ ｌｋ ｌ Ｗ ｂ ｉ ｒｅｃ： ｖ ［Ｉ Ｓ Ｋ Ｄ ｏｌＲＢ ｃ ｅＨ ｅ ｍ ｎ ｅａｈａ ｅ Ｊ．Ｉ Ｄ ａ ， ｏ ｅ ． ｉ ｇ ｒ ｓ ｙ Ｇ ｎ ｓ ｕ ｒ Ｅｐｒｉｓ２０， ：一 ５ ｘｌａｏ ， ２ １ １． ｏｔｎ ００ （） １ 范众， 郑诚， 王清毅， 用 Ｎｉ Ｂｙ 方法协调分类 Ｗ ｂ 等 ａｅ ｅ ｖ ａ， ｅ 网页 ［． Ｊ 软件学报， ０， （） １８一１ ２ ］ ２ １１ ９ ：３６ ３ ． ０ ２ ９ 唐常杰， 于中华， 游志胜， 基于时态数据库的Ｗｅ 数据周期 等． ｂ 的方法【〕软件学报， ０， （） ２５ ２９ Ｊ ２ ２１ ２； 一 ４． ０ ３ ４ ｒ ． ． Ｌ 」 ２ ９ 刁 时施仁， 史忠植． 基于 Ｃ Ｒ的中心渔场预报〔ｌ高技术通讯， Ｂ Ｊ． ２ ０ ， ：４一６ ． ０ １５ ６ ８ 规律的采掘［］计算机学报， ０， ０） ５ － ９ Ｊ． ２ ０２ ： ５． ０ ３ ２ 仁７ ４１ 苏中， 少平， 马 杨强， 基于Ｗ ｂｏ Ｍｎｇ 等． ｅ ｌ ｉｎ 的Ｎ －ｇ ｉ 元预测模型 Ｌ］软件学报， ０ ， （） １ 一１１ Ｊ ２ ２１ １： ３ ４ ． ０ ３ ６ ［０ 周水庚， ３１ 周傲英， 金文， Ｆ ＢＣ Ｎ 一种快谏 Ｄ ＳＡ 等． Ｄ Ｓ人 ： ＢＣ Ｎ算法 Ｔ ｅ ｓ ｒｈ ｏｔ ｒｅｔ ｕｔ ｎ ｄ ｖｌ ｍ ｎ ｏ Ｄ ｔ Ｍｉｉ ｉ Ｃ ｉ ｈ Ｒ ｅ ｃ ａ ｕ Ｃ ｒｎ Ｓ ａ ｏ ａ Ｄ ｅ ｐ ｅｔ ａａ ｎ ｇ ｈ ａ ｅａ ｂ ｕ ｉ ｉ ｎ ｅ ｏ ｔ ｆ ｎ ｎ ｎ Ｙｉｘａ Ｌ Ｊ ｇｉ ， Ａ Ｐｉｉ ＨＵＡＮＧ －ｉｏ Ｉ －ｎ Ｓ Ｏ － ｉ ｊｇ Ｈ ｎ ｅｊ （ｃ ｏｏＭｎｇ ｅ ， ｖｓｙ ｌｔｎ Ｓｉ ｃ ａ Ｔｃｎｌ ｙ Ｃｉ ， ｅｇｕ ０４ Ｃｉ Ｓ ｏ ｆ ａ ｍｎ ＵｉｒｔｏＥ ｃ ｉ ｃ ｎ ｎ ｅｈｏ ｇ ｏ ｈ ａ Ｃ ｎｄ ６０５ ， ｎ ｈ ｌ ａ ｅ ｔ ｎ ｅｉ ｆ ｒ ｃ ｅ ｅｏ ｅ ｄ ｏ ｆ ｎ ｈ １ ｈａ Ａｂ ｔ ａ ｔ Ｄｔｍｎ ｇ ｎｌ ｙ ｎ ｏｔ ｍ ｓａ ｉ ａｄ ｉ ｇ ａ ｈ ａ ｉＡ ｉ ｉ Ｉｅｉ ｎｅ ｄｔ ａ ｓ