返回

【66页】毕业论文_基于遗传算法的k-means聚类挖掘算法的研究文档极速下载 【66页】毕业论文_基于遗传算法的k-means聚类挖掘算法的研究文档极速下载

格式:word 上传:2026-11-16 06:33:18
温馨提示:手指轻点页面,可唤醒全屏阅读模式,左右滑动可以翻页。
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(1)
第 1 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(2)
第 2 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(3)
第 3 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(4)
第 4 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(5)
第 5 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(6)
第 6 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(7)
第 7 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(8)
第 8 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(9)
第 9 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(10)
第 10 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(11)
第 11 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(12)
第 12 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(13)
第 13 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(14)
第 14 页 / 共 66 页
毕业论文_基于遗传算法的k-means聚类挖掘算法的研究.doc预览图(15)
第 15 页 / 共 66 页
预览结束,还剩 51 页未读
阅读全文需用电脑访问
温馨提示 电脑下载 投诉举报

1、手机端页面文档仅支持阅读 15 页,超过 15 页的文档需使用电脑才能全文阅读。

结果与比较分析青岛科技大学研究生学位论文实验平台实验结果和分析实验实验二实验三结果分析本章小结总结与展望参考文献致谢攻读学位期间发表的学术论文基于遗传算法的聚类挖掘方法研究青岛科技大学研究生学位论文第章绪论课题研究背景与意义数据挖掘概述近年来,随着数据库技术的迅速发展以及数据库管理系统的广泛应用,加上使用先进的数据采集工具,人们积累的数据知识越来越多。


人们希望将这些数据转换成有用的信息和知识,以便更好地利用这些数据,用于决策。


目前的数据库系统已经可以高效地实现海量数据的录入查询统计等功能,可以忠实地完成作为记录者的任务,但是却无法发现隐藏在这些数据背后的有用信息和知识,如关系和规则,更不能根据现有数据预测未来的发展趋势。


由于缺乏挖掘数据背后隐藏的知识的有力手段,从而导致数据爆炸但知识缺乏的现象。


面对被数据淹没,却饥饿于知识的挑战,数据挖掘应运而生,并得以蓬勃发展,越来越显示出其强大的生命力。


数据挖掘是种能够智能地自动地把数据转换成有用信息和知识的技术,它不但可以帮助人们从数据库,特别是数据仓库的相关数据中提取出感兴趣的知识规律或更高层次的信息,而且也可以帮助人们从不同角度上去分析它们,从而更有效地利用数据。


它不仅可以用于描述过去数据的发展过程,而且还能进步预测未来的发展趋势。


因此,数据挖掘正在成为个崭新的日益受到重视的热点研究领域。


数据挖掘的概念数据挖掘,指从大量的不完全的有噪声的模糊的随机的数据中,提取隐含在其中的人们事先不知道的但又是潜在有用信息和知识的过程。


这个定义包括以下四个层次的含义数据源必须是真实的大量的含噪声的发现的是用户感兴趣的知识发现的知识要可接受可理解可运用,最好能够用自然语言来表达发现结果并不是要求发现放之四海皆准的知识,是有特定前提和约束条件面向特定领域的。


基于遗传算法的聚类挖掘方法研究数据挖掘的过程数据挖掘是指个指根据对数据分析建立对数据的特性以及数据之间关系描述的模式的过程。


从工程角度来讲,数据挖掘过程并不是线性的,为了得到好的结果需要经过多次反复地重复挖掘步骤。


目前人们对整个数据挖掘过程并没有给出非常清楚的划分,般来说主要有以下几个步骤,见图。


数据准备数据挖掘解释和评估选取转化确定业务对象原数据目标数据预处理后数据转换后的数据知识模式确定业务对象预处理数据挖掘模式识别图数据挖掘的过程确定业务对象。


明确应用领域,清晰地定义出业务问题,认清数据挖掘的目的是数据挖掘的重要步。


在这个步骤中,数据挖掘人员必须和领域专家以及最终用户紧密协作,明确实际工作对数据挖掘的要求。


后续的数据准备和挖掘算法选择都是在此基础上进行的。


数据准备。


数据准备又可分为三个子步骤数据选取数据预处理和数据变换。


数据选取的目的是确定发现任务的操作对象,即目标数据,它是根据用户的需要从原始数据库中抽取的组数据。


数据预处理般包括消除噪声推导计算缺值数据消除重复记录完成数据类型转换等。


当数据挖掘的对象是数据仓库时,般来说,数据预处理已经在生成数据仓库时完成了。


数据变换的主要目的是减少数据量或降低数据的复杂性,即从初始特征中找出真正有用的特征,以减少数据挖掘时要考虑的特征或变量个数。


数据挖掘。


该阶段首先根据第步中对业务问题的定义明确挖掘的任务或目的,如分类聚类关联规则发现或序列模式发现等,选取合适的数据挖掘算法。


选择实现算法有两个考虑因素是不同的数据有不同的特点,因此需要用与之相关的算法来挖掘二是用户或实际运行系统的要求。


然后运用选定的挖掘算法,对所得到的经过转换的数据进行挖掘,从数据库中发现有用的知识或模式。


在这个阶段除了选择合适的挖掘算法外,其余切工作都能自动地完成。


知识的解释和评估。


数据挖掘阶段挖掘出来的模式,经过评估,可能存在冗余或无关的模式,这时需要将其剔出,也有可能模式不满足用户要求,这时则需要整个挖掘过程回退到前阶段,如重新选取数据采用新的数据变换方法青岛科技大学研究生学位论文设定新的参数值,甚至换种算法等。


另外,由于数据挖掘最终要面向用户,因此可能要对发现的模式进行可视化,或者把结果转换为用户易懂的另种表示。


数据挖掘的任务数据挖掘可以解决大量的商业问题。


基于这些商业问题的性质,把这些问题分成下面几种数据挖掘任务。


分类分类是指基于个可预测性属性把事例分成多个类别。


每个实例包含组属性,其中有个可预测性属性类别属性。


分类任务要求找到个模型,该模型将类别属性定义为输入属性的函数。


分类数据挖掘中应用的最多的任务。


聚类聚类也称细分,它基于组属性对事例进行分组。


在同个聚类中的事例或多或少有相同的属性值。


聚类是种无监督的数据挖掘任务,没有个属性用于指导模型的构建过程,所有的属性平等对待。


后面本文将专门讨论数据挖掘中的聚类分析技术。


关联分析关联分析又叫购物篮分析,它是当两个或多个数据项的取值之间重复出现且概率很高时,就表示这些数据项之间存在关联,可以建立起这些数据项的关联规则。


般用支持度和置信度两个阈值来淘汰那些没有用的关联规则。


时序模式通过时间序列搜索出而正项级数收敛因此,级数条件收敛,而级数绝对收敛虽然莱布尼茨判别法可以判别交错级数的敛散性,但是在具体应用过程中也存在些问题判别法中的两个条件难于验证在级数收敛时,不能直接判别级数是绝对收敛还是条件收敛该判别法只给出了级数什么时候收敛,没有给出级数发散的条件因此我们需要学习其他的判别法,以下介绍了其他的判别法极限判别法定理若交错级数满足,则当时,原交错级数收敛,特别地,当时,原交错级数绝对收敛,当时,原交错级数条件收敛当时,原交错级数发散注由于该定理无法给出和的情况,所以要具体情况具体讨论,不过该定理明确了交错级数何时绝对收敛,何时条件收敛,具有十分重要的意义般我们遇到以下情况时用该定理非常方便通项含有连乘积通项含有阶乘项或次方的乘积等添加括号法定理设交错级数的通项趋于,若将级数不改变次序地任意添加些括号,且诸括号里所含最大项数有限,则构成的新级数与原级数同敛散利用以上定理,我们在判别交错级数的敛散性时,首先只需看般项是否趋于,然后再随意添加括号,看看由此得到的新级数是否收敛,即知原级数是否收敛了例求的敛散性分析所给级数的通项趋于,将原级数加括号后成为如下级数由于,又级数发散,从而加括号后的级数发散,故所给级数发散例求级数的敛散性分析将原级数加括号后成为如下级数由于,又级数收敛,从而加括号的级数收敛,故所给级数收敛注其实添加括号法就是将有相同规律的项用括号括起来组成个新项,进而组成个新的级数,再用其它的判别法判别其敛散性通项变形法将级数的通项用适当的方法变形,使之分解为几个级数,讨论各级数的敛散性,再利用收敛级数的运算性质来判别交错级数的敛散性,这是种较常用的行之有效的方法例判别级数的敛散性分析将通项因为收敛,发散,故原级数发散例判别级数的敛散性分析利用泰勒公式对级数的通项进行展开,由得到故上式右边各个级数均收敛,故原级数收敛注通项变形法就是将级数的通项化简下,然后再判别其敛散性微分形式判别法定理对于交错级数设当时,为正的连续可导函数,令,若当包括时,级数收敛,其中在时,级数条件收敛,而当包括时,级数绝对收敛当包括时,级数发散例判别级数的敛散性解令,,则,由定理可知当时,级数收敛当时,级数条件收敛,当时,级数绝对收敛当时,级数发散,所以原级数条件收敛例判别级数的敛散性解令,,则,所以所给级数收敛且绝对收敛注微分形式判别法是通过对通项求导的方法来判别交错级数的敛散性它应用起来方便有效,且作为交错级数的个判别法所起的作用是莱布尼兹判别法所不能替代的比值判别法或根值判别法定理比值判别法时,发散,当故由比值判别法可知交错级数,发散例判别级数的敛散性分析又,从而,,故由根值判别法知原级数收敛注交错级数敛散性的判别方法有很多,但是每种方法都有它的优点和劣点,没有种万能的判别方法所以我们在运用时要灵活变通,使用最恰当的方法,这样会让我们做起题来得心应手四任意项级数敛散性判别法设任意项级数其中令定理任意项级数收敛交错级数收敛比值审敛法解决的是正项级数的敛散问题对任意项级数比值法也无能为力但是任意项级数的敛散性,依赖于,即正项级数的敛散性对此,有两种情况第,若收敛,则绝对收敛第二,若发散则可能收敛,也可能发散,即对后者的敛散性没有定论通过研究,我们发现,若的发散性是由比值法判断而得,则定也发散,故可以得出以下定理定理若比值审敛法判断发散,则也发散总结级数敛散性的判别方法有多种,本文主要讨论了正项级数与交错级数的判别方法,判别方法有很多种,但是每种判别方法都有其优点与缺点,没有种万能的判别方法,这需要我们在做题过程中自己寻找合适的方法来做题,只有这样才能使得我们能够迅速解决问题有些通项特殊的级数我们可以用些特殊的方法判别,这样

下一篇
  • Hi,我是你的文档小助手!
    你可以按格式查找相似内容哟
DOC PPT RAR 精品 全部
小贴士:
  • 🔯 当前文档为word文档,建议你点击DOC查看当前文档的相似文档。
  • ⭐ 查询的内容是以当前文档的标题进行精准匹配找到的结果,如果你对结果不满意,可以在顶部的搜索输入框输入关健词进行。
帮帮文库-精品文档 帮帮文库-免费阅读 帮帮文库-海量资源
换一批

搜索

客服

足迹

下载文档