動態數據挖掘的構造性機器學習方法研究

動態數據挖掘的構造性機器學習方法研究

《動態數據挖掘的構造性機器學習方法研究》是依託中國人民解放軍國防科技大學,由王倫文擔任項目負責人的面上項目。

基本介紹

  • 中文名:動態數據挖掘的構造性機器學習方法研究
  • 項目類別:面上項目
  • 項目負責人:王倫文
  • 依託單位:中國人民解放軍國防科技大學
中文摘要,結題摘要,

中文摘要

海量數據流的挖掘越來越受到相關部門的重視,由於噪聲、干擾等因素的影響,挖掘難度越來越大,知識發現的準確性和時效性有待提高。本項目研究了基於構造型神經網路的數據流動態挖掘方法,實現對海量複雜數據動態挖掘。研究內容包括海量複雜數據動態挖掘算法總體框架,模糊相容商結構以及大數據集粒度劃分方法,覆蓋的最優劃分,構造型神經網路全局最佳化算法,基於滑動視窗技術的數據流動態聚類和分類技術,數據流動態挖掘策略與過程規律提取方法研究。以寬頻段無線電頻譜監測數據挖掘為例,採用以上方法,動態選擇樣本、動態調整粒度和動態發現規則,快速發現異動信號等知識。本項目將以上不同方法有機結合起來解決大規模、複雜數據動態挖掘,為數據流挖掘提供一種結構變換的動態挖掘方法,可望為大規模、複雜數據流的動態挖掘難題提供解決途徑。

結題摘要

隨著科技的發展,來自不同領域的海量數據以前所未有的速度爆炸式地增長,形成了大數據時代。由於噪聲、干擾等因素的影響,數據形式越來越複雜,挖掘難度越來越大,知識發現的準確性和時效性有待提高。為此,申請了“動態數據挖掘的構造性機器學習方法研究”這一項目。 本項目研究了基於構造型神經網路的數據流動態挖掘方法,實現對海量複雜數據動態挖掘。研究內容包括海量複雜數據動態挖掘算法總體框架,模糊相容商結構以及大數據集粒度劃分方法,覆蓋的最優劃分,非完備數據挖掘,基於模糊相容商空間理論的變化粒度數據挖掘策略,構造型神經網路全局最佳化算法,基於滑動視窗技術的數據流動態聚類技術,動態網路分析中求最大流的商空間求法及動態網路最短程求解,數據流動態挖掘策略與過程規律提取方法研究。以寬頻段無線電頻譜監測數據挖掘為例,採用以上方法,動態選擇樣本、動態調整粒度和動態發現規則,快速發現異動信號等知識。 取得了以下成果:(1) 建立大規模複雜數據流動態挖掘的總體算法框架,針對大規模複雜數據流的特點和構造型神經網路不足,梳理挖掘思路,構建滿足實際需求的動態挖掘方案;(2) 確定構造型神經網路與模糊相容商空間聯繫方式,建立數據流最優粒度分析模型和模糊相容關係的最優逼近模型,在更高層次上實現構造性學習方法數據挖掘策略,改善挖掘效果;(3) 建立構造型神經網路全局最佳化模型,實現全局化分類和聚類,解決因局部化行為造成的增量學習樣本拒識問題,拓展使用範圍,提高挖掘精度;(4) 實現具有自主智慧財產權的和較高挖掘效率的大規模、複雜數據流動態挖掘的功能構件,促進構造性機器學習軟體規模擴展和效益提升。 本項目將以上不同方法有機結合起來解決大規模、複雜數據的動態挖掘難題,為數據流挖掘提供一種結構變換的動態挖掘方法,可望為大規模、複雜數據流的動態挖掘難題提供解決途徑。

相關詞條

熱門詞條

聯絡我們