【导语】“xiaojun520600”通过精心收集，向本站投稿了10篇飞机实时监控数据挖掘方法研究，下面就是小编给大家整理后的飞机实时监控数据挖掘方法研究，希望您能喜欢！
- 目录
篇1：飞机实时监控数据挖掘方法研究
飞机实时监控数据挖掘方法研究
通过数据挖掘技术分析与飞机运行和维护相关的.数据资源来研究一套能及时察觉、分类并预报故障的飞机实时监控系统(Aircraft Real-Time Monitoring & Troubleshooting System,AMTS),使其能够在优化飞机关键部件寿命的同时减少飞机运行和维护的费用.分析着手于历史维护经验库,结合飞机维护技术文档和相关数据挖掘算法,介绍了构建该系统的原理和方法,并初步实现利用飞机实时故障报文对飞行状态进行实时监控及故障诊断.
作 者：朱睿 郭隐彪 ZHU Rui GUO Yin-biao 作者单位：厦门大学机电工程系,福建,厦门,361005 刊 名：厦门大学学报（自然科学版） ISTIC PKU英文刊名：JOURNAL OF XIAMEN UNIVERSITY(NATURAL SCIENCE) 年，卷(期)：2007 46(5) 分类号：V267 V247.5 关键词：数据挖掘 实时监控 技术文档 历史经验篇2：应用于飞机健康管理的数据挖掘方法研究
应用于飞机健康管理的数据挖掘方法研究
旨在通过数据挖掘技术分析与飞机运行和维护相关的'数据资源,研究一套能及时察觉、分类并预报故障的飞机健康管理系统,使其能够在优化飞机关键部件寿命的同时减少飞机运行和维护的费用.
作 者：朱睿 作者单位：厦门大学 刊 名：航空维修与工程 PKU英文刊名：AVIATION MAINTENANCE & ENGINEERING 年，卷(期)：2007 “”(4) 分类号：V2 关键词：篇3：飞机实时数据的远程管理
飞机实时数据的远程管理
由波音与航空公司用户共同设计飞机健康管理(AHM)是航空系统重要的组成部分,使数据、信息和知识在业内快速共享.AHM具备的`飞机数据的远程采集、监控和分析功能,可以实时了解飞机的状态和性能趋势.通过实时自动监控飞机数据,AHM可实现主动的维修管理.通过对飞行数据进行智能化分析,AHM可为航空公司带来很好的经济效益.
作 者：孙立 作者单位： 刊 名：航空维修与工程 PKU英文刊名：AVIATION MAINTENANCE & ENGINEERING 年，卷(期)：2008 “”(1) 分类号：V2 关键词：篇4：一种基于数理统计的数据挖掘方法研究
一种基于数理统计的数据挖掘方法研究
吴良刚 周海涛
湖南长沙中南大学
摘要：本文分析了数理统计方法在数据挖掘中的作用，提出了一种基于数理统计的数据挖掘模型，并用实例证明该数据挖掘模型有效性。
关键词：数据挖掘、乔里斯基法、雅可比法
a kind of data mining mothod about
Zhou haitao Wu lianggang
Abstract:The paper analyses the function of Mathematical Statisties moehod in the field of data mine，provides a kind of model of data mine about Mathematical Statisties ,proves the effectiveness of the data mine model with a example
Key words:data mining , Cholesky method, Jacobi method
一、
前言
随着数据库技术的广泛应用，各行各业都积累了大量的数据，这些数据的内在联系可能就是有价值的知识，运用
数据仓库技术，发现并提取这些知识，成了当务之急。
数据挖掘就是从大量的数据中提取隐含的、未知的、对决策有潜在价值的知识和规则的`过程，它的主要技术包括聚类，粗糙集，关联规则、统计分析、神经网络、模糊数学等。
数理统计学是一门关于数据资料的收集、整理、分析和推理的科学，在时下的数据挖掘热潮中，数理统计方法仍是一种不可或缺的方法，下面就介绍一种用数理统计学方法挖掘数据数据仓库中数据规律性的方法。
篇5：数据挖掘教学方法研究论文
数据挖掘教学方法研究论文
摘要：在本科高年级学生中开设符合学术研究和工业应用热点的进阶课程是十分必要的。以数据挖掘课程为例，本科高年级学生了解并掌握数据挖掘的相关技术，对于其今后的工作、学习不无裨益。着重阐述数据挖掘等进阶课程在本科高年级学生中的教学方法，基于本科高年级学生的实际情况，以及进阶课程的知识体系特点，提出有针对性的教学方法参考，从而提高进阶课程的教学效果。
关键词：数据挖掘；进阶课程；教学方法研究；本科高年级
学生在本科高年级学生中开设数据挖掘等进阶课程是十分必要的，以大数据、数据挖掘为例，其相关技术不仅是当前学术界的研究热点，也是各家企事业单位招聘中重要岗位的要求之一。对于即将攻读硕士或博士学位的学生，对于即将走上工作岗位的学生，了解并掌握一些大数据相关技术，尤其是数据挖掘技术，都是不无裨益的。在目前本科教学中，对于数据挖掘等课程的教学，由于前序课程的要求，往往是放在本科四年级进行。如何激发本科四年级学生在考研，找工作等繁杂事务中的学习兴趣，从而更好地掌握数据挖掘的相关技术是本课程面临的主要挑战，也是所有本科进阶课程所面临的难题之一。
1数据挖掘等进阶课程所面临的问题
1.1进阶课程知识体系的综合性
进阶课程由于其理论与技术的先进性，往往是学术研究的前沿，工业应用的热点，是综合多方面知识的课程。以数据挖掘课程为例，其中包括数据库、机器学习、模式识别、统计、可视化、高性能技术，算法等多方面的知识内容。虽然学生在前期的本科学习中已经掌握了部分相关内容，如数据库、统计、算法等，但对于其他内容如机器学习、人工智能、模式识别、可视化等，有的是与数据挖掘课程同时开设的进阶课程，有的已经是研究生的教学内容。对于进阶课程繁杂的知识体系，应该如何把握广度和深度的关系尤为重要。
1.2进阶课程的教学的目的要求
进阶课程的知识体系的综合性体现在知识点过多、技术特征复杂。从教学效益的角度出发，进阶课程的教学目的是在有限的课时内最大化学生的知识收获。从教学结果的可测度出发，进阶课程的教学需要能够有效验证学生掌握重点知识的.学习成果。1.3本科高年级学生的实际情况本科高年级学生需要处理考研复习，找工作等繁杂事务，往往对于剩余本科阶段的学习不重视，存在得过且过的心态。进阶课程往往是专业选修课程，部分学分已经修满的学生往往放弃这部分课程的学习，一来没有时间，二来怕拖累学分。
2数据挖掘等进阶课程的具体教学方法
进阶课程的教学理念是在有限的课时内，尽可能地提高课程的广度，增加介绍性内容，在授课中着重讲解1~2个关键技术，如在数据挖掘课程中，着重讲解分类中的决策树算法，聚类中的K-Means算法等复杂度一般，应用广泛的重要知识点，并利用实践来检验学习成果。
2.1进阶课程的课堂教学
数据挖掘等进阶课程所涉及的知识点众多，在课堂上则采用演示和讲授相结合的方法，对大部分知识点做广度介绍，而对需要重点掌握知识点具体讲授，结合实践案例及板书。在介绍工业实践案例的过程中，对于具体数据挖掘任务的来龙去脉解释清楚，尤其是对于问题的归纳，数据的处理，算法的选择等步骤，并在不同的知识点的教学中重复介绍和总结数据挖掘的一般性流程，可以加深学生对于数据挖掘的深入理解。对于一些需要记忆的知识点，在课堂上采用随机问答的方式，必要的时候可以在每堂课的开始重复提问，提高学习的效果。
2.2进阶课程的课后教学
对于由于时间限制无法在课上深入讨论的知识点，只能依靠学生在课后自学掌握。本科高年级学生的课后自学的动力不像低年级学生那么充足，可以布置需要动手实践并涵盖相关知识点的课后实践，但尽量降低作业的工程量。鼓励学生利用开源软件和框架，基于提供的数据集，实际解决一些简单的数据挖掘任务，让学生掌握相关算法技术的使用，并对算法有一定的了解。利用学院与大数据相关企业建立的合作关系，在课后通过参观，了解大数据技术在当前企业实践中是如何应用的，激发学生的学习兴趣。
2.3进阶课程的教学效果考察进阶课程的考察不宜采取考试的形式，可以采用大作业的形式。从具体的数据挖掘实践中检验教学的成果，力求是学生在上完本课程后可以解决一些简单的数据挖掘任务，将较复杂的数据挖掘技术的学习留给学生自己。
3结语
数据挖掘是来源于实践的科学，学习完本课程的学生需要真正理解，掌握相关的数据挖掘技术，并能够在实际数据挖掘任务中应用相关算法解决问题。这也对教师的教学水平提出了挑战，并直接与教师的科研水平相关。在具体的教学过程中，发现往往是在讲授实际科研中遇到的问题时，学生的兴趣较大，对于书本上的例子则反映一般。进阶课程在注重教学方法的基础上，对于教师的科研水平提出了新的要求，这也是对于教师科研的反哺，使教学过程变成了教学相长的过程。
参考文献：
[1]孙宇，梁俊斌，钟淑瑛．面向工程的《数据挖掘》课程教学方法探讨[J]．现代计算机，2014（13）.
[2]蒋盛益，李霞，郑琪．研究性学习和研究性教学的实证研究———以数据挖掘课程为例[J]．计算机教育，2014（24）.
[3]张晓芳，王芬，黄晓．国内外大数据课程体系与专业建设调查研究[C]．2ndInternationalConferenceonEducation,ManagementandSocialScience（ICEMSS2014），2014.
[4]郝洁．《无线传感器网络》课程特点、挑战和解决方案[J]．现代计算机，2016（35）.
[5]王永红．计算机类专业剖析中课程分析探讨[J]．现代计算机，2011（04）.
篇6：基于仿真与数据挖掘的故障诊断方法研究
基于仿真与数据挖掘的故障诊断方法研究
针对导弹武器系统故障信息的特点,提出了系统仿真与数据挖掘相结合的综合故障诊断方法.文中将导弹武器系统故障检测信息分为3类,即:离散交互特征信息、连续动态特征信息和离散事件特征信息.通过实例阐述了数据挖掘在导弹武器系统故障诊断中的`应用.分析了基于仿真的故障诊断方法,在此基础上,结合仿真与数据挖掘各自在故障诊断方面的优势,进一步提出了基于仿真与数据挖掘的综合诊断方法,给出了方法的步骤和诊断流程.
作 者：张素兰 胡骏 ZHANG Su-lan HU Jun 作者单位：中国航天科工集团二院706所,北京,100854 刊 名：计算机仿真 ISTIC PKU英文刊名：COMPUTER SIMULATION 年，卷(期)：2007 24(1) 分类号：V2 TP3 关键词：导弹武器系统 故障诊断 系统仿真 数据挖掘篇7：基于ACARS的飞机航迹实时安全监控技术
基于ACARS的飞机航迹实时安全监控技术
首先简述TACARS系统的定义和特点,然后通过试验找到一种合适的航迹数据预测方法,接着用该方法预测航迹数据,最后提出一种符合实时安全监控要求的.航迹数据预测算法.试验结果表明基于三次样条的航迹预测方法具有很高的精度和较强的工程实用价值.
作 者：陆华兴 邓雪云 LU Hua-xing DENG Xue-yun 作者单位：陆华兴,LU Hua-xing(南京航空航天大学,民航学院,江苏,南京,210016)邓雪云,DENG Xue-yun(上海飞机设计研究所,上海,200232)
刊 名：飞机设计 英文刊名：AIRCRAFT DESIGN 年，卷(期)：2009 29(6) 分类号：V328.3 关键词：飞机通信寻址及报告系统 航迹预测 实时监控 三次样条篇8：物联网数据挖掘研究论文
物联网数据挖掘研究论文
摘要：当前信息社会环境下，信息产业成为国民经济发展的基础条件，其中物联网是全新信息技术的重要构成部分，是实现智能化的核心技术。物联网中的数据挖掘是物联网技术中较为重要的一个环节，其价值体现在为物联网应用数据大量增长下提供强力补充。当前基于海量数据的增加，物联网数据挖掘正面临着一定的挑战，而云计算的出现为其提供了一个全新的发展方向。该文以云计算、物联网、数据挖掘技术特征与相互联系为基础，分析基于云计算平台的物联网数据挖掘。
关键词：云计算平台；物联网；数据挖掘
物联网是当前智能化社会发展的一个重要显示，近几年随着科研事业的快速进展下，物联网以及从一个概念存在逐渐融入到现实生活中。物联网的出现实现了人们生活与工作的智能化，极大的改变的了生活与工作方式，提升了办事效率。而物联网的实现依靠中的技术的支持，其中数据挖掘技术便是其中一个重要支撑条件，数据挖掘实现了海量信息的获取与挖掘，而这种信息能够支撑物联网在实际操作中的智能化实现。文中在云计算平台的基础上分析物联网数据挖掘的相关研究，其中包括物联网数据挖掘所面临的挑战、在云计算平台中物联网数据挖掘的相关技术以及实际应用。
1、云计算与物联网理论基础
1）云计算理论云计算是一种依赖于互联网技术，经由互联网服务为用户提供依据需求而明确服务的计算方式。而云计算命名的由来是由于整个服务资源的选自源互联网内的数据，且互联网多会应用云状图案对资源进行显示，因此被称之为与计算。云计算基于其应用技术的先进性具备了以下几大特征：
第一，规模大。云计算中的云所显示的便是差大的规模，当前就谷歌云计算来看已经拥有了100多万台服务器，而其他较大型的搜索引擎也具备了数十万台服务器。
第二，虚拟化。云计算能够支持用户在任意位置或任意终端进行服务器的登录，所有操作在云空间进行运行，由此也便形成了虚拟性特征。
第三，可靠性。云计算应用数据多副本绒促以及计算节点同构可互换等措施来确保服务的可靠性。
第四，通用性。云计算不会针对特定的应用，在云支持下能够创造出海量的应用。
第五，可延伸性。云计算的超大规模能够支持其进行动态的伸缩，由此满足各类应用与用户规模的增长需求［1］。
2）物联网理论物联网属于全新信息技术的主要构成部分，同时也是信息化时代发展的重要阶段。物联网实际上所指的是经由多种技术的应用实现物与物之间的连接，而这种连接形成了一个局域网络，实现远程与集中操控。物联网雏形的出现可追溯到1990年，后期随着各项理论与技术的不断研发下，在近几年已经能够实现在现实生活中，且被广泛的应用。其实际意义在于，经由各项技术将多种物品与互联网进行连接，实现信息交换与通信，由此实现了物品的智能化，用户可经由远程终端进行操控，便捷了人们的生活，同时也提升了各物品应用的安全性。与互联网对比物联网具备了以下几大特征：一方面表现在物联网应用到多种感知技术；第二方面表现在物联网属于建立在互联网基础上的泛在网络；第三方面表现在物联网的核心价值是提供不限定任何场合与时间的应用场景与用户的自由互换［2］。
3）物联网的建设物联网在应用过程中需要多个行业的参与，且需要政府方面所提供的支持，物联网具备多种优势，可广泛地应用在社会各个领域中，但是在实际应用过程中技术建设始终是一大难题。就常规上来讲，物联网的建设需要经由以下几个步骤：第一，对需要建设物联网的物体属性进行识别，包括静态与动态的属性，其中静态属性可直接进行存储，而动态属性则需要应用传感器进行探测；第二，对识别完成后的物体属性进行读取，将读取信息转换为网络识别数据；第三，将物体的信息经由网络传输至信息处理中心，由处理中心实现物体与互联网之间的通信［3］。
2、数据挖掘技术界定与特征分析
2．1数据挖掘技术概念
数据挖掘技术出现在二十世纪后期，虽然其出现时间不长，但是对社会中各领域的发展形成了巨大的影响，也引起自有优势得到了广泛的'应用。数据挖掘从广泛意义上来讲所指的是从大量数据中经由可靠的算法搜索隐藏其中信息的整个过程。数据挖掘与计算机科学存在着紧密的联系，利用计算机技术经由统计、分析、情报检索、机器学习等多种手段实现其实际价值。当前数据挖掘在应用到不同领域后，也被赋予了不同的概念。但就其应用价值可从三个方面进行概述，第一个方面为提供海量可靠信息；第二个方面为经由数据挖掘所获取的信息对人们具有较高的应用价值；第三个方面为所获取的信息能够被人们理解与分析，并以此为根据做出决策［4］。
2．2数据挖掘技术特征
数据挖掘技术具备了分布广、规模大、节点资源有限、安全性复杂等特征。其中分布广主要是数据挖掘是物联网技术中的一个构成部分，而物联网本身就具备的分布广泛的特点，由此数据挖掘基于需要将数据存储在不同的地方，也便具备了分布广的特点；规模大方面主要是物联网中具有海量数据的传输与应用，而数据挖掘作为数据分析与处理环节自然具备了规模大特点；节点资源有限方面是给予物联网较为庞大的数据链，需要设置多个传感器节点，因此需要有能够快速解决处理数据的中央节点，而节点资源并非无限，中央节点通常不需要所有的数据，但需要数据参数，由此对需求数据进行输出［5］。
3、物联网数据挖掘面临的挑战
基于物联网技术自身所具备的特征，在数据挖掘中也具备了一定的优势，但是新技术在数据挖掘中应用较多，物联网技术在数据挖掘中也面临着一定的挑战，具体表现为以下几个方面。第一，物联网数据具有一定的规则，但是由于其规则过多也相对较为繁杂，经由中央模式对分布式数据进行挖掘的方式效果并不理想。第二，物联网数据规模较大，需要及时给予可靠的处理，而当前处理模式对硬件要求较高，若硬件不能够符合要求则可能无法实现。第三，数据需求的节点不断增加，需求与供给之间存在着一定的矛盾。第四，给予物联网数据存在着诸多外在影响因素，包括数据传输安全性、数据传输的隐私性、法律约束等因素。将所有数据集中存储在相同的数据仓库中这一渠道显然不具备可靠性。基于上述几点问题充分显示出，对物联网进行数据挖掘过程中，当前所具备的以及应用的多种技术与手段存在着一定的弊端，针对此需要不断地进行更为深入的研究，以寻找到更为有效的解决方案。
4、基于云计算平台的物联网数据挖掘技术分析
4．1物联网感知层
物联网感知层也就是实现感知作用，具体是依赖于目标区域范围内设置大量数据采集点予以实现。也就是说节点是经由传感器与摄像头以及其他相关设备实现数据的采集，所采集到的数据需要依赖于物联网感知层所具备的网络通信设备进行集中处理，将所需要的数据传递至各节点，再经由集中储存后再次通过传输层传递至云计算平台的数据处理中心，实现整个感知层的职能。
4．2物联网传输层
物联网传输层是所有数据传递的中间环节，其中涵盖着传感器、无限网络等设备与技术，经由多种网络设备的连接，形成高效率无缝数据的传输系统，能够更为有效地将物联网感知层所收集到的数据经由网络传输到数据处理中心，由此实现全方位的互通互联目标。就其实际工作内容来分析，所指向的是将多种属性的监测处理设备进行联网，实现传输功效，对各设备与节点之间的数据信息进行传播。
4．3数据层
数据层是物联网云计算平台中数据挖掘技术的核心环节，物联网自身具有一定的异构性与海量性特点，由此在数据层内将物联网设备所收集到的所有数据信息进项储存处理与分析的能力是基于云计算的物联网数据挖掘平台的重点。数据层内部涵盖了数据源转化与存储两个主要部分，其中数据源转化所指的是对物联网异构性的数据化进行转化，存储方面所指向的是应用Hadoop所构建的平台中HDFS系统进行分布式存储，由此将物联网中大量的数据能够可靠的存储在各个数据节点中。在物联网平台内部，针对不同的目标需要收集不同的数据类型对其进行显示，在特定环境下，同一种目标同样会选择不同的数据类型进行表现，基于此数据源转化的作用主要为表现保持数据的完整性，同时避免异构性的物联网数据在转化中基于其他不确定因素有所损坏，由此实现确保数据挖掘可靠性的目的。数据源转化在整个系统中的价值主要是作为数据层与感知层之间的连接线角色存在，经由数据包的解码与转换将不同属性的数据转换为所需要的数据类型，同时将其以分布式手段存储在数据处理中心。
4．4数据挖掘服务层
数据挖掘服务层内部涵盖数据准备模块、数据挖掘引擎模块、用户模块几个部分。其中数据准备模块中涵盖着对数据的情况、转变、数据规等环节；数据挖掘引擎模块中涵盖着数据挖掘算法集、模式评估等环节；用户模块中涵盖着数据挖掘知识的可视化展现技术。基于知识挖掘类型的差异性，数据挖掘引擎模块具备了区分、关联、聚类、趋势分析、偏差分析、类似性分析等特征。而提供以上所述的功能核心环节为数据挖掘模块中的算法集所具备的多种功能算法，在Hadoop平台中数据挖掘算法需要对传统所应用的数据挖掘算法进行一定程度的调整，也就是实现算法并行化的处理。用户模块是应用物联网数据挖掘平台用户的直接接触端，基于其担负着将系统显示转化为用户可识别显示的重要责任，需要具备一定的友好性，也就是一定的人性化，使用户能够便捷的应用用户界面进行操作，实现数据挖掘的目的，同时也能够获取到能够理解的知识。为提升数据挖掘平台的可移植性，在用户服务底层模块加入了一个开放接口模块，由此能够使得第三方调用物联网数据挖掘平台的功能，使物联网具备更为丰富的应用，同时提升其实际应用价值。
5、结论
云计算与物联网均属于信息化社会的先进产物，是社会发展的一大表现，物联网引起自身的多种优势被广泛地应用在社会各个领域中。但是，当前物联网在我国发展进程较为缓慢，主要是由于物联网的建设需要应用到多种技术，而技术建设始终是一个难题，为此，在本文中对基于云计算平台的物联网数据挖掘技术应用与实现效果进行了全面分析，为进一步推动基于云计算基础物联网的建设提供理论参考。
参考文献：
［1］张虎．基于云计算的物联网数据挖掘模式的构建［J］．无线互联科技，2016，2（20）：50－51．
［2］陈达峰．基于云计算的物联网数据挖掘关键技术研究［J］．中国新技术新产品，2014，5（23）：20．
［3］李立，张玉州，江克勤．一种改进的基于云平台的物联网数据挖掘算法［J］．安庆师范学院学报：自然科学版，2014，7（2）：37－40．
［4］李哲青，周毅．基于云计算的物联网数据挖掘模式的构建［J］．信息与电脑，2013，1（6）：122－123．
［5］秦永波，陈杨林．基于云平台的物联网数据挖掘算法的能量分析［J］．成都信息工程学院学报，2010，9（6）：569－572．
篇9：数据挖掘技术的研究论文
摘要“:互联网+”战略的实施促进了我国信息技术的快速发展,数据挖掘技术能够实现对海量信息的统计、分析以及利用等,因此数据挖掘技术在生活实践中得到了广泛的应用。因此本文希望通过对数据挖掘技术的分析,分析数据挖掘技术在实践中具体应用的策略,以此更好的促进数据挖掘技术在实践中的应用。
关键词:数据挖掘;应用;发展
篇10：数据挖掘技术的研究论文
数据挖掘是通过对各种数据信息进行有选择的统计、归类以及分析等挖掘隐含的有用的信息,从而为实践应用提出有用的决策信息的过程。通俗的说数据挖掘就是一种借助于多种数据分析工具在海量的数据信息中挖掘模数据信息和模型之间关系的技术总裁,通过对这种模型进行认识和理解,分析它们的对应关系,以此来指导各行各业的生产和发展,提供重大决策上的支持。数据挖掘技术是对海量数据信息的统计、分析等因此数据挖掘技术呈现以下特点:一是数据挖掘技术主要是借助各种其它专业学科的知识,从而建立挖掘模型,设计相应的模型算法,从而找出其中的潜在规律等,揭示其中的内在联系性;二是数据挖掘主要是处理各行数据库中的信息,因此这些信息是经过预处理的;三是以构建数据模型的方式服务于实践应用。当然数据挖掘并不是以发现数据理论为目的,而是为了在各行各业的信息中找出有用的数据信息,满足用户的需求。
2数据挖掘的功能
结合数据挖掘技术的概述,数据挖掘主要具体以下功能:一是自动预测趋势和行为。数据挖掘主要是在复杂的数据库中寻找自己有用的信息,以往的信息搜索需要采取手工分析的方式,如今通过数据挖掘可以快速的将符合数据本身的数据找出来;二是关联分析。关联性就是事物之间存在某种的联系性,这种事物必须要在两种以上,数据关联是在复杂的数据中存在一类重要的可被发现的`知识;三是概念描述。概念描述分为特征性描述和区别性描述;四是偏差检测。
3数据挖掘技术的步骤分析
3.1处理过程
数据挖掘虽然能够实现在复杂的数据库中寻求自己的数据资源,但是其需要建立人工模型,根据人工模型实现对数据的统计、分析以及利用等。
3.2关键技术
由于数据挖掘涉及到很多专业学科,因此相对来说,数据挖掘技术融合多门专业技术学科的知识,结合实践,数据挖掘技术主要应用到以下算法和模型:一是传统统计方法。采取传统的统计方法主要有抽样技术,也就是采取相应的策略对数据进行合理的抽样。多元化统计和统计预测方法;二是可视化技术,可视化技术是数据挖掘技术的热点,它是采取可视化技术与数据挖掘过程的结合,以直观的图形等使人们更好地进行数据挖掘技术;三是决策树。决策树需要对数据库进行几遍的扫描之后,才能完成,因此其在具体的处理过程中可能会包括很多的预测变量情况;四是4)聚类分析方法。聚类分析方法是一种非参数分析方法,主要用于分析样本分组中多维数据点间的差异和联系。判别分析法需要预先设定一个指针变量,假设总体为正太分布,必须严格遵守数理依据。而聚类分析则没有这些假设和原则,只需要通过搜集数据和转换成相似矩阵两个步骤,就能完成聚类分析的全过程。聚类分析主要用于获取数据的分布情况,能够简单方便的发现全局的分布模式,识别出密集和系数区域;此外,对于单个类的分析也有很强的处理能力,能深入分析每个类的特征,并找出变量和类之间的内在联系。基于距离、层次、密度和网络的方法是最常用的聚类分析方法。
4数据挖掘技术的实践应用
数据挖掘技术虽然在我国发展的时间还不长,但是其在实践中的应用已经非常的广泛,因为数据挖掘技术在实践中的应用价值是非常大的,其可以提取隐藏在数据背后的有用信息,具体来看,其主要应用在:(1)在医学上的应用。人体的奥秘是无穷无尽的,人类遗传密码的信息、人类疾病史和治疗方法等,都隐含了大量数据信息。采用数据挖掘来解决这些问题,将给相关工作者的工作带来很大方便。此外,医院内部医药器具的管理、病人档案资料的整理、医院内部结构的管理等,也是庞大的数据库。将数据挖掘技术应用于医学领域,深入分析人类疾病间的内在联系和规律,帮助医生进行诊断和治疗,能够有效提高医生诊断的准确率,对人类的健康和医疗事业的发展有十分重要的作用。(2)在电信业中的应用。随着三网融合技术的不断发展,传统的电信业务已经不能满足当前社会发展的需求,而是侧重通信、图像以及网络等业务的融合,而实现“三网融合”的关键技术是实现对数据的分析与统计,因为三网融合会带来更多的数据,这些数据都需要充分的挖掘,以此实现“三网融合”战略的实现。将数据挖掘技术与电信业务有效的结合起来,能够提高资源利用率,更深入的了解用户的行为,促进电信业务的推广,帮助各行各业获取更大的经济效益。(3)在高校贫困生管理的应用。贫困生管理分析系统主要应用了数据仓库技术以及数据挖掘技术,其主要是将高校贫困生的各种信息统一纳入到高校信息管理平台中,然后根据具体的贫困生划分标准,建立模型,进而对学生的信息进行统计与分析,实现对贫困生信息的科学管理,便于高校管理者及时了解学生的信息。
5结语
总之数据挖掘技术在实践中的广泛应用,为我国互联网+战略提供了关键技术支撑,但是由于数据挖掘技术在实践中还存在某些技术问题,比如各种模型和技术难于集成、缺少与数据库系统耦合的通用API或挖掘系统仅提供孤立的知识发现功能,难于嵌入大型应用等问题导致挖掘技术在实践中的应用还存在缺陷,因此需要我们加大对数据挖掘技术的进一步研究,以此更好地实现“互联网+”战略。
作者:陈建伟 李丽坤 单位:安阳职业技术学院
参考文献
[1]舒正渝.浅谈数据挖掘技术及其应用[J].中国西部科技,2010(02).
[2]谌章俊,蒋智刚.基于数据挖掘技术的知识发现系统[J].现代情报,2007(05).
★ 数据挖掘读书笔记
★ 论文课题研究方法
飞机实时监控数据挖掘方法研究（合集10篇）
