概念格在数据挖掘中的应用研究

论文摘要

随着信息时代的发展,各种商业和科学数据库的数据量急剧增长,远远超过了人类目前已有的分析和理解能力。数据挖掘正是在这样的背景下产生的新的研究领域,主要目的是从数据集合中发现隐含的、事先未知的、对决策有潜在价值的用户感兴趣的知识。形式概念分析是由德国的Wille教授于20世纪80年代初提出的,其核心数据结构概念格,也称Galois格,准确而简洁地描述了概念之间的层次关系,已成为一种重要的知识表示方法。作为一种优良的数学工具,概念格己经广泛应用于知识表示、数据挖掘、信息检索等众多领域。本文主要的研究内容如下:1.在医学影像诊断过程中,随着智能数据分析方法在医学领域中的应用地位不断提升,高效数据分析方法的介入是人们所期待的。本文将概念格理论应用到X线诊断的专家经验知识库中,通过X线征象间相似度的计算,达到对持有X光片的病人进行病症的智能分析目的。2.基于概念格理论,本文研究了对时间序列的波动情况进行周期关联规则的挖掘。首先对时间序列进行了反季节化预处理,然后提出了生成周期关联规则的新并行算法,在算法内部对生成的概念进行了剪枝处理,有效的提高了挖掘速度。并用所给出的高精度模型对不满足移动平均法反季节化预处理条件的时间序列进行了反季节化计算。实验证明了该方法的有效性。文章的最后对概念格的应用前景和发展方向进行了展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 数据挖掘的研究现状
• 1.2 数掘挖掘的主要技术
• 1.3 数据挖掘研究的任务与进展
• 1.4 概念格理论的研究现状
• 1.5 本文的主要研究内容和组织结构
• 第二章 概念格基本理论
• 2.1 概念格的理论基础
• 2.2 概念格的构造
• 2.2.1 批处理算法
• 2.2.2 渐进式算法
• 2.3 概念格的应用
• 第三章 关联规则的挖掘
• 3.1 关联规则的定义
• 3.2 典型的关联规则挖掘算法和进展
• 3.2.1 关联规则发现算法
• 3.2.2 关联规则挖掘的进一步研究内容
• 3.3 基于概念格的关联规则发现
• 3.4 时间序列关联规则
• 3.4.1 时间序列
• 3.4.2 动态关联规则
• 第四章 概念相似性度量在智能病症挖掘中的应用研究
• 4.1 医学领域内病症智能分析
• 4.2 概念格的相似性度量
• 4.3 基于概念格的病症分析
• 4.4 小结
• 第五章 基于概念格的时序波动周期关联规则挖掘
• 5.1 时间序列的研究现状
• 5.2 时序波动周期关联规则挖掘的预处理
• 5.2.1 时间序列的预处理
• 5.2.2 时间序列的预测
• 5.3 时序波动周期关联规则的概念格并行挖掘
• 5.3.1 格间关联规则的定义
• 5.3.2 规则的并行挖掘算法
• 5.3.3 方法的实现
• 5.4 小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 攻读硕士学位期间撰写和发表的学术论文