基于计算智能的信息挖掘模型和工具研究

论文摘要

数据挖掘是从大量数据中识别出有效的、新颖的、潜在有用的以及最终可理解的知识和模式的高级操作过程,因此,数据挖掘也是一个模式识别和发现的过程。计算智能是目前人工智能研究领域十分活跃和比较成功的一个分支。计算智能是用计算的手段或方法来获取和表达知识,并模拟实现智能行为的一个学科。计算智能方法中集中了许多领域知识的最新成果,运用它们可对数据集中的模式进行分类、聚类、分析、预测、建模等数据挖掘任务。基于计算智能的数据挖掘的最大特点是可以模拟人类的思维方式灵活的进行数据处理,且计算智能方法本身具有自适应和自组织的学习机制,不需要建立问题本身的精确模型,也不依赖于知识表示,而是直接对输入数据进行处理并得出结果。论文对数据挖掘、计算智能的研究现状、发展趋势及应用领域进行了分析,介绍了数据挖掘、计算智能的基本概念、基本模型和实现方法。针对信息挖掘所要解决的问题,归纳构建了适合于信息挖掘问题特点的神经网络、支持向量机、遗传算法、粗糙集等计算智能模型,实现对分类、聚类、分析、预测、关联等数据挖掘任务的处理,并对各计算智能挖掘模型特点和适用的信息挖掘任务进行了分析。基于构建的用于信息挖掘的计算智能模型,设计并开发了基于计算智能的数据挖掘系统“基于计算智能的信息挖掘工具包”。信息挖掘工具包CI-InfoMiner以关系数据库为底层数据支持,包括数据清洗、数据转换、数据抽取、信息挖掘、结果评估和知识表示等信息挖掘各阶段的信息处理,同时定义了信息挖掘工具（算法模块）的标准输入输出格式和二次开发接口。结合油田勘探生产实际,基于构建的计算智能信息挖掘模型,以油田勘探开发数据库为实验数据,使用信息挖掘工具包应用于水淹层识别、沉积微相识别、复杂岩性模式聚类、地层对比等实际油田研究问题,并取得了较好的应用效果。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 第一章 绪论
• 1.1 数据挖掘问题的提出与发展
• 1.2 国内外研究现状与发展趋势
• 1.3 计算智能
• 1.3.1 模糊计算
• 1.3.2 神经计算
• 1.3.3 进化计算
• 1.3.4 三个分支的结合
• 1.4 基于计算智能的数据挖掘方法
• 1.5 论文主要研究内容
• 第二章 信息挖掘基本内容和原理
• 2.1 信息挖掘的主要内容
• 2.1.1 关联知识挖掘
• 2.1.2 广义知识挖掘
• 2.1.3 分类知识挖掘
• 2.1.4 聚类知识挖掘
• 2.1.5 预测型知识挖掘
• 2.1.6 时序模式挖掘
• 2.1.7 特异型知识挖掘
• 2.2 信息挖掘数据准备
• 2.2.1 数据清洗与选择
• 2.2.2 数据预处理
• 2.2.3 数据集管理
• 2.3 信息挖掘
• 2.4 本章小结
• 第三章 用于信息挖掘的计算智能模型研究
• 3.1 神经网络
• 3.1.1 人工神经元的数学模型
• 3.1.2 前馈神经元网络
• 3.1.3 自组织神经网络
• 3.1.4 支持向量机
• 3.2 模糊逻辑与模糊计算
• 3.2.1 模糊逻辑
• 3.2.2 加权模糊逻辑
• 3.2.3 模糊计算
• 3.2.4 模糊神经网络
• 3.2.5 模糊神经网络学习算法
• 3.3 遗传算法
• 3.4 粗糙集理论
• 3.5 过程神经元网络
• 3.5.1 时变输入/输出过程神经元模型
• 3.5.2 过程神经元网络模型
• 3.5.3 学习算法
• 3.6 本章小结
• 第四章 基于计算智能的数据挖掘系统与工具设计开发
• 4.1 信息挖掘系统功能
• 4.2 信息挖掘系统开发环境
• 4.3 基于关系数据库的信息挖掘系统体系结构
• 4.4 信息挖掘工具设计
• 4.4.1 信息挖掘工具包功能模块
• 4.4.2 信息挖掘工具
• 4.5 本章小结
• 第五章 计算智能信息挖掘方法在油田勘探生产中的应用
• 5.1 基于过程神经网络的水淹层识别
• 5.2 基于正则模糊神经网络的沉积微相识别
• 5.3 基于遗传算法的模式聚类在复杂岩性识别中的应用
• 5.4 遗传算法在测井曲线地层对比中的应用
• 5.5 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要