导读:本文包含了动态挖掘论文开题报告文献综述及选题提纲参考文献，主要关键词:可信动态度量,学习行为数据,分布式挖掘,模糊聚类
动态挖掘论文文献综述
彭伟[1]（2019）在《可信动态度量下学习行为数据分布式挖掘算法》一文中研究指出在远程在线学习过程中,需要进行学习行为数据的优化挖掘,指导学习行为优化,提出基于可信动态度量的学习行为数据分布式挖掘算法。建立远程在线学习行为数据的大数据演化特征分布模型,采用大数据信息融合方法进行学习行为数据的可信动态度量,提取学习行为数据分布式关联特征量,采用模糊相关性融合调度方法进行学习行为数据分布式挖掘过程中的自适应调度和寻优控制,结合模糊K均值聚类分析方法进行学习行为数据分布式挖掘的动态特征量聚类分析,在聚类中心中实现对远程在线学习行为数据的自适应融合和分布式挖掘。仿真结果表明,采用该方法进行可信动态度量下学习行为数据分布式挖掘的准确性较高,收敛性较好,挖掘过程的自适应学习性能较好。(本文来源于《黑龙江工业学院学报(综合版)》期刊2019年11期）
王志华,刘绍廷,罗齐[2]（2019）在《基于邻接多重表的动态频繁项集挖掘算法》一文中研究指出为解决传统的Apriori算法多次扫描数据库和多次连接带来的时间开销及加入新事务时未能实时动态更新频繁项集的不足,对传统Apriori挖掘算法和基于矩阵频繁项集动态挖掘算法的执行效率和空间利用情况的问题进行深入分析,提出基于邻接多重表的动态频繁项集挖掘优化算法。将所有事务项映射到带有权值的邻接多重表结构上,通过遍历邻接多重表结构来挖掘频繁项集,在加入新事务时可以动态更新频繁项集。实验结果表明,该算法在执行性能上有一定提升,减少了内存开销,弥补了加入新事务时未能实时动态更新频繁项集的不足。(本文来源于《计算机工程与设计》期刊2019年11期）
郑和明,尚志强,俞林[3]（2019）在《体育锻炼与体育消费动态关系分析的实证研究：模型构建、主因挖掘与成因阐释》一文中研究指出研究目的:体育消费是体育产业赖以发展的逻辑起点,但体育锻炼是体育消费的必要条件和基础。本研究以发展体育产业,实现持续体育消费为目标,从体育锻炼和体育消费动态关系演绎体育消费成长过程、细分锻炼层次市场,挖掘在不同锻炼层次细分市场环境内影响体育消费的主因与成因,供政府和企业促更多不锻炼的群体成为锻炼者、促锻炼者成为消费者、促不消费者和不再消费者成为持续消费者、促持续消费者继续保持体育消费的行为提供理论支撑。研究方法:运用文献法、系统分析法对参与型体育消费需求结构作为一个完整的系统进行分析,通过问卷调查法和数理统计分析法,经过因子分析等探索和检验问卷信度、效度;利用结构方程来探究和阐释各细分市场体育消费需求主因与成因。研究结果:本研究依据消费阶段建构出不消费、不再消费和持续消费叁个消费状态,依据体育锻炼频度特征进一步细分出锻炼支持者、锻炼爱好者、锻炼达人叁个锻炼层次的消费市场,最终共同构成锻炼层次和消费状态的系统结构模型。基于问卷收集样本数据,通过结构方程的路径分析证明:锻炼支持者"不消费"是因为"消费偏好与经济能力"和"体育(消费)偏好低"是制约该群体居民参与体育消费的主要因素;"不再消费"是因为"供给环境与消费评价"和"服务质量差"是导致该群体不再消费参与型体育服务产品的主要因素;"持续消费"是因为"消费内因与消费目的"和"身体健康"是促进该群体持续消费参与型体育服务产品的主要因素。锻炼爱好者"不消费"是因为"消费偏好与经济能力"和"体育(消费)偏好低"是制约该群体居民参与体育消费的主要因素;"不再消费"是因为"消费预期与经济能力"和"消费价格高"是制约该群体中止参与体育消费的主要因素;"持续消费"是因为"供给环境与消费评价"和"软件满意"是促进该群体持续参与体育消费的主要因素。锻炼达人"不消费"是因为"消费偏好与经济能力"和"体育(消费)偏好低"是制约该群体参与体育消费的主要因素;"不再消费"是因为"消费预期与经济能力"和"经济能力弱"是制约该群体中止参与体育消费的主要因素;"持续消费"是因为"消费外因与经济能力"和"预期效果"成为促进该群体持续参与体育消费的主要因素。研究结论:对体育支持者而言,"不消费"群体的主要影响路径是"消费制约"到"消费偏好与经济能力"再到"消费偏好低",消费偏好是消费习惯的表现之一,具有一定的稳定性,"体育消费不受重视"的大环境影响了部分群体的体育消费选择。进一步,"不再消费"群体的主要影响路径是"消费中止"到"供给环境与消费评价"再到"服务质量差",这说明以服务质量为核心的供给环境和消费评价是消费者是否再消费的主要因素,叁者是一脉相承的,服务质量是供给环境的表现之一,消费评价是服务质量的过程感受,同时又是供给环境的信息反馈。最后,"持续消费"群体的主要影响路径是"消费促进"到"消费内因与消费目的"再到"身体健康",对于持续消费群体来讲,对体育消费的目的非常明确是其能持续消费体育的重要前提,同时也证明了内因对行为的决定性作用。对体育爱好者而言,"不消费"群体的主要影响路径是"消费制约"到"消费偏好与经济能力"再到"消费偏好低",这一点与体育爱好者是一致的。而"不再消费"群体的主要影响路径是"消费中止"到"消费预期与经济能力"再到"消费价格高","消费价格高"是相对的,既有与同行、同类的比较,又有与消费者经济能力的变化的比较,其对消费行为的影响是直接性的。最后,"持续消费"群体的主要影响路径是"消费促进"到"供给环境与消费评价"再到"软件满意",对于体育爱好者而言,已经具有较好的体育锻炼频度和体育意识,那么提供满意的软件环境是供给的重要体现,也是促使消费者保持持续消费的重要因素。对体育达人而言,"不消费"群体的主要影响路径是"消费制约"到"消费偏好与经济能力"再到"消费偏好低",这一点叁个运动层次的影响因素是一致的,这说明个人消费习惯对消费者的行为影响是巨大的。而"不再消费"群体的主要影响路径是"消费中止"到"消费预期与经济能力"再到"经济能力弱",这是经济基础决定上层建筑在个人身上最直接的表现,经济能力决定了一个人的生活方式、消费方式,这其中就包含了志趣爱好、消费习惯等,且与衣食住行相比体育消费作为生活消费中最薄弱的环节最容易被中止。最后,"持续消费"群体的主要影响路径是"消费促进"到"消费外因与经济能力"再到"预期效果",这是行为结果反映行为目的的最好证明,当行为的预期效果与行为目的两者一致时,行为将会持续。同时也是外因通过内因起作用的最好诠释,预期效果是外因,而消费目的是内因,持续消费就是最恰当的表现。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
张凯斐[4]（2019）在《分布式网络动态数据异常区域时序挖掘仿真》一文中研究指出为改善当前分布式网络异常区域动态时序数据挖掘过程中受冗余、干扰数据影响,造成挖掘准确率不高、误检率和漏检率居高不下的问题,提出了基于小波发分析的分布式网络异常区域动态时序数据挖掘方法,该方法通过采用小波分析的方法对分布式网络中产生的动态时序数据进行多尺度分解和平滑滤波处理,消除了冗余和干扰数据影响;在此基础上,引入网格作为索引计算将分布式网络中的动态时序数据活动空间进行网格划分,同时结合二元正态密度核函数和二进制序列法挖掘分布式网络异常区域以及异常区域动态数据的活动周期规律,实现了分布式网络异常区域动态时序数据挖掘。在MATLAB软件环境下模拟分布式网络场景,选取检测率、误检率、漏检率作为评价指标,测试了注入不同异常类型后所提方法的挖掘性能,并对比了注入不同比例异常动态时序数据时所提方法与其它方法的挖掘准确性,充分证明了所提方法的有效性与优越性。(本文来源于《计算机仿真》期刊2019年09期）
杨芳,李福英,戴恩勇[5]（2019）在《数据挖掘技术在企业动态竞争情报中的应用研究》一文中研究指出动态竞争环境对企业竞争情报处理工作提出新的要求,在分析企业竞争情报收集对象的动态性、分析方法的交互性、信息源的变换性以及系统结构的柔性化等方面特点的基础上,探讨数据挖掘技术在企业动态竞争情报系统中的应用方法及步骤。(本文来源于《冶金管理》期刊2019年17期）
陈岚英[6]（2019）在《从语言现象挖掘语文课堂教学动态生成点》一文中研究指出语文是富有生命的,语文课堂教学要关注生命成长,让语文的生命活力融入不断生成的语境资源中。文章结合教学实例,谈了从语言现象挖掘语文课堂教学动态生成点的几点尝试。(本文来源于《教师》期刊2019年24期）
杨秋翔,王婷[7]（2019）在《基于动态数据的加权频繁项集挖掘算法》一文中研究指出为解决在挖掘频繁项集过程中,因忽略不同项目间的重要程度而导致的挖掘有效性低以及忽略数据的动态更新而造成的挖掘效率低的问题,通过引入新的加权规则,从权值与频数两方面去体现项目间的重要性差异,并通过引入树形结构与关系矩阵提高数据动态变化时频繁项集的挖掘效率。创新性地提出基于动态数据的加权频繁项集挖掘算法weighted dynamic date mining (WDDM)。实验结果表明,WDDM算法较以往算法挖掘效率与有效性显着提高,有利于发现更多有研究价值的信息。(本文来源于《科学技术与工程》期刊2019年20期）
秦琳琳[8]（2019）在《基于时间序列的动态关联规则挖掘研究》一文中研究指出动态关联规则是数据挖掘领域中非常重要的研究方法之一,是一种能描述自身特性随时间变化的关联规则。关于动态关联规则挖掘,本文做了以下工作:本文在相关理论研究的基础上,首先,结合时间序列分析中自回归求和滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA),对动态关联规则的元规则支持度计数建立模型,实验结果显示,构建的ARIMA(2,2,1)模型对支持度计数序列拟合效果较为精确,并且能够将序列相对误差控制在6%以内。其次,在此基础上结合灰色GM(1,1)模型,提出ARIMA-GM组合模型,并对元规则支持度计数建立ARIMA-GM模型,实验结果显示,该模型的拟合曲线不仅能反映序列的整体趋势,还能充分考虑序列的细节变化,且ARIMA-GM模型因综合单项模型的优点而表现出更高的拟合精度,能将序列的相对误差控制在4%以内。最后,文章针对SQL Server数据库中某大型超市在线销售数据,借助动态关联规则算法挖掘出数据之间隐藏的关联规则,根据给定的支持度、置信度的阈值,找出频繁项集,挖掘出有价值的规则,并用文章提出的ARIMA-GM对元规则的支持度计数进行建模分析。综上,本文重点对动态关联规则的元规则进行建模研究。利用ARIMA模型、GM(1,1)模型以及构建的ARIMA-GM组合模型依次对元规则的支持度计数进行建模,并验证模型的合理性以及最优性,结果显示提出的ARIMA-GM模型能够更好地反映元规则支持度计数序列的变化趋势,进而帮助商家制定合理有效的销售策略。(本文来源于《华北水利水电大学》期刊2019-06-30）
卞恭喜[9]（2019）在《基于动态优化的分级多粒度Fuzzing测试漏洞挖掘系统研究与实现》一文中研究指出伴随互联网的发展,日趋严重的信息安全事件不断影响着社会的安全稳定。软件漏洞作为引发黑客攻击的根本原因之一,给信息安全带来了巨大的威胁。由于它的强危害性、广覆盖性和类别多样性,在当前全球信息安全的博弈中,作为一种资源被各方密切关注。本文在深入分析现有漏洞挖掘方法的基础上,针对当前覆盖跟踪Fuzzing测试漏洞挖掘方法因为测试用例覆盖跟踪消耗过大、目标程序块无测试区分和遗传算法优化不足而导致漏洞挖掘效率和准确率不高的问题,提出了一种动态优化的分级多粒度Fuzzing测试漏洞挖掘方法。该方法通过动态递减式插桩策略构建满足不同粒度需求的两级测试用例集,动态地选择测试用例输入到目标程序,然后依据测试执行的反馈信息,使用动态化的适应度函数遗传算法优化测试用例。在此基础上,设计并实现了Fuzzing测试原型系统。本文的主要工作如下:(1)分析典型的漏洞挖掘方法,对基于二进制程序的Fuzzing测试漏洞挖掘方法进行深入分析。(2)为了不断减小覆盖跟踪的消耗,基于二进制插桩技术,提出一种动态递减式插桩策略。然后通过建立满足不同测试粒度需求的两级测试用例集,根据不同的测试阶段和安全需求,动态地选择测试粒度,协同递减式插桩策略,设计了一种分级多粒度Fuzzing测试漏洞挖掘方法。同时,通过完全覆盖跟踪获取测试用例的执行路径信息并加以分析,综合覆盖率、用例新度、执行时间和用例大小等多种因素,动态权重赋值,以引导遗传算法的迭代而进化产生更具针对性的测试用例。与分级多粒度Fuzzing测试方法结合,最终形成一种动态优化的分级多粒度Fuzzing测试漏洞挖掘方法。(3)利用Python、C++等工具,设计并实现Windows平台下本动态优化的分级多粒度Fuzzing测试漏洞挖掘原型系统。并从功能和性能两个方面对本系统进行对比实验分析,实验结果表明,本Fuzzing测试系统在漏洞挖掘的效率和准确率方面表现优良,验证了本文方法的可行性和有效性。(本文来源于《江苏大学》期刊2019-06-05）
张新淼[10]（2019）在《动态增量式数据流分类挖掘仿真研究》一文中研究指出针对当前方法对动态增量式数据流进行分类时,不能有效的去除动态增量式数据流中存在的噪声和概念漂移,且分类存在去噪性能差和分类效率低的问题,提出一种动态增量式数据流分类挖掘方法,通过设置阈值在Hoeffding Bounds不等式的基础上去除动态增量式数据流中存在的概念漂移和噪声。采用网格划分方法将动态增量式数据空间划分为多个网格,通过动态增量式数据流密度与网格密度之间的相似度,将动态增量式数据划分到对应密度的网格中,完成动态增量式数据流的分类。仿真结果表明,所提方法的去噪性能好、分类效率高。(本文来源于《计算机仿真》期刊2019年05期）
动态挖掘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决传统的Apriori算法多次扫描数据库和多次连接带来的时间开销及加入新事务时未能实时动态更新频繁项集的不足,对传统Apriori挖掘算法和基于矩阵频繁项集动态挖掘算法的执行效率和空间利用情况的问题进行深入分析,提出基于邻接多重表的动态频繁项集挖掘优化算法。将所有事务项映射到带有权值的邻接多重表结构上,通过遍历邻接多重表结构来挖掘频繁项集,在加入新事务时可以动态更新频繁项集。实验结果表明,该算法在执行性能上有一定提升,减少了内存开销,弥补了加入新事务时未能实时动态更新频繁项集的不足。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
动态挖掘论文参考文献
[1].彭伟.可信动态度量下学习行为数据分布式挖掘算法[J].黑龙江工业学院学报(综合版).2019
[2].王志华,刘绍廷,罗齐.基于邻接多重表的动态频繁项集挖掘算法[J].计算机工程与设计.2019
[3].郑和明,尚志强,俞林.体育锻炼与体育消费动态关系分析的实证研究：模型构建、主因挖掘与成因阐释[C].第十一届全国体育科学大会论文摘要汇编.2019
[4].张凯斐.分布式网络动态数据异常区域时序挖掘仿真[J].计算机仿真.2019
[5].杨芳,李福英,戴恩勇.数据挖掘技术在企业动态竞争情报中的应用研究[J].冶金管理.2019
[6].陈岚英.从语言现象挖掘语文课堂教学动态生成点[J].教师.2019
[7].杨秋翔,王婷.基于动态数据的加权频繁项集挖掘算法[J].科学技术与工程.2019
[8].秦琳琳.基于时间序列的动态关联规则挖掘研究[D].华北水利水电大学.2019
[9].卞恭喜.基于动态优化的分级多粒度Fuzzing测试漏洞挖掘系统研究与实现[D].江苏大学.2019
[10].张新淼.动态增量式数据流分类挖掘仿真研究[J].计算机仿真.2019