探讨技术研究基于云模型数据挖掘技术研究
最后更新时间：2024-03-19
作者：用户投稿
本站原创
点赞:6689
浏览:21502
本站原创
点赞:6689
浏览:21502
论文导读：熵。2云模型数据挖掘分析（1）云模型数据挖掘的特点优势。（2）云模型下的可视化技术。云模型始终属于较为抽象的概念，主要将模型具体化，利用图形、图像等形式，并通过一定技术手段表现出来。如图2所示，都可以表示数据的不确定性。可视化是通过云发生器来实现的。发生器有正向与逆向之分，正向发生器基于三个
摘要：空间数据的增长催生了空间数据挖掘技术的形成，然而空间数据的不确定性带来的挖掘难度使得技术研究尤为必要。本文以云模型为基础，来探讨数据挖掘技术的研究。本文进行了云模型的介绍、云可视化技术、概念空间与特征空间等不同层次数据挖掘技术的探讨。
关键词：云模型 数据挖掘 可视化
1007-9416（2013）07-0065-01
随着信息呈爆炸式趋势增长，人们急需从不同角度对海量信息进行解读，使数据挖掘需求日盛。然而，传统数据挖掘方式各摘自：学年论文格式www.7ctime.com
有弊端，云计算方式成为必然选择，基于云模型的数据挖掘技术研究也成为重要课题。
1 云计算与云模型
云模型模型数字特征示意图如图1。其中Ex能够代表定性的概念，反映云滴群的云重心。En可以反映概念的模糊度，以及一定程度上表明模糊度与随机性的关联度。He是直接反映云的集中程度，用以表示空间中所有点的凝聚程度，在云模型中称之为熵。
2 云模型数据挖掘分析
（1）云模型数据挖掘的特点优势。
（2）云模型下的可视化技术。
云模型始终属于较为抽象的概念，主要将模型具体化，利用图形、图像等形式，并通过一定技术手段表现出来。如图2所示，都可以表示数据的不确定性。
可视化是通过云发生器来实现的。发生器有正向与逆向之分，正向发生器基于三个特征数字来实现可视化，根据三个特征数字产生云滴，近而累积成云；逆向发生器基于数据开发挖掘云模型的三个特征数字，是定量到定性的映射，在此基础上进一步反映整个云滴的整体。
3 基于云模型的数据挖掘技术
通过以上对云模型特征数字的分析，可以通过参数的使用分析，构建特征空间和概念空间。概念空间是从同一属性角度来集合不同的概念，而特征空间则是通过集合不同的属性来描述实体。云模型中云滴的分布会形成一个空间，在概念空间里云滴会构成一个等势线，称其为概念层次。同样，在特征空间中也会有概念层次，代表着实体的等势层次。
在概念空间中，每个数据都会在云模型中形成一个云滴，众多云滴构成一个空间。但是每个数据的权重、影响力可能不一样，模型中从云滴的位置以及云滴的亮度来表征这个问题。云滴的位置越靠近云重心、云滴越亮则云滴的影响力越大。在概念空间中，可以选择不同的角度来分析空间数据，而选择角度不同就是选择不同的函数来计算点势。图3为概念空间的等势线与等势面举例。
概念空间基于对概念的分析归类。不同的概念之间应该有着众多关系类型，诸如包含、从属、等价、相似等等。通过数据场的交互作用而构成泛概念树。云模型中的泛概念树区别于一般意义上的概念树，可以拥有多个父节点。泛概念树的组成情况可以因为不同的属性集合、实体群组合状态等的不同而不同。
在特征空间中，其等势的思想方法与概念空间中相似，两者的区别就在于特征空间以实体为基本的空间点，概念空间则是从属性角度出发表达概念。当问题集中在讨论空间实体的特征时，常常用特征空间加以表示。从特征空间角度对实体进行研究，其空间粒度与空间范畴将变得更大。特征空间所描述的实体的特征将构成一个多维的空间。通过把实体的多种属性以某种方式投射到空间中，形成一个特征点，累积下来就完成了特征空间的构造过程。随后进行数据分析，通过数据空间点所呈现出来的特性进行数据挖掘，这些特征包括点的整体抱团聚类、势的特征等等。普通的分析方式对于数据聚类的分析往往采用练习数据集归类和测试方法的有效性两部分，但是两部分数据的选取原则与选取标准仍然不够完善，并且对数据的不同权重也没有足够的关注。因此在特征空间中得到数据分析聚类结果更可靠。
总之，基于云模型的数据挖掘，结合不确定性推理和云变换共同实现挖掘技术。通过云滴模型的构建，能够具备三个特征参数值，能够反映云模型的中心值、模糊度、离散度等模型特征。从模型特征又可以进一步对实体的定性问题、概念模糊度、随机度等进行分析。云模型技术能够很好地进行定性概念与定量数据间的映射。数据挖掘则可以通过不同势层的表征，结合不同观察角度来实现信息的过滤和提取。基于云模型的数据挖掘技术以其高存储性能和超强计算能力日益得到广泛的应用，技术上的深入研究也显得紧要而迫切。
参考文献
巩华荣，何佳.空间数据挖掘技术的研究与发展[J].测绘与空间地理信息，2007（05论文导读：）.何彬彬，方涛，郭达志.不确定性空间数据挖掘算法模型.中国矿业大学学报，2007（01）.李德仁，王树良，李德毅，王新洲.论空间数据挖掘和知识发现的理论与方法.武汉大学学报（信息科学版），2002（03）.上一页12
）.
何彬彬，方涛，郭达志.不确定性空间数据挖掘算法模型[J].中国矿业大学学报，2007（01）.
[3]李德仁，王树良，李德毅，王新洲.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报（信息科学版），2002（03）.
摘要：空间数据的增长催生了空间数据挖掘技术的形成，然而空间数据的不确定性带来的挖掘难度使得技术研究尤为必要。本文以云模型为基础，来探讨数据挖掘技术的研究。本文进行了云模型的介绍、云可视化技术、概念空间与特征空间等不同层次数据挖掘技术的探讨。
关键词：云模型 数据挖掘 可视化
1007-9416（2013）07-0065-01
随着信息呈爆炸式趋势增长，人们急需从不同角度对海量信息进行解读，使数据挖掘需求日盛。然而，传统数据挖掘方式各摘自：学年论文格式www.7ctime.com
有弊端，云计算方式成为必然选择，基于云模型的数据挖掘技术研究也成为重要课题。
1 云计算与云模型
云模型模型数字特征示意图如图1。其中Ex能够代表定性的概念，反映云滴群的云重心。En可以反映概念的模糊度，以及一定程度上表明模糊度与随机性的关联度。He是直接反映云的集中程度，用以表示空间中所有点的凝聚程度，在云模型中称之为熵。
2 云模型数据挖掘分析
（1）云模型数据挖掘的特点优势。
（2）云模型下的可视化技术。
云模型始终属于较为抽象的概念，主要将模型具体化，利用图形、图像等形式，并通过一定技术手段表现出来。如图2所示，都可以表示数据的不确定性。
可视化是通过云发生器来实现的。发生器有正向与逆向之分，正向发生器基于三个特征数字来实现可视化，根据三个特征数字产生云滴，近而累积成云；逆向发生器基于数据开发挖掘云模型的三个特征数字，是定量到定性的映射，在此基础上进一步反映整个云滴的整体。
3 基于云模型的数据挖掘技术
通过以上对云模型特征数字的分析，可以通过参数的使用分析，构建特征空间和概念空间。概念空间是从同一属性角度来集合不同的概念，而特征空间则是通过集合不同的属性来描述实体。云模型中云滴的分布会形成一个空间，在概念空间里云滴会构成一个等势线，称其为概念层次。同样，在特征空间中也会有概念层次，代表着实体的等势层次。
在概念空间中，每个数据都会在云模型中形成一个云滴，众多云滴构成一个空间。但是每个数据的权重、影响力可能不一样，模型中从云滴的位置以及云滴的亮度来表征这个问题。云滴的位置越靠近云重心、云滴越亮则云滴的影响力越大。在概念空间中，可以选择不同的角度来分析空间数据，而选择角度不同就是选择不同的函数来计算点势。图3为概念空间的等势线与等势面举例。
概念空间基于对概念的分析归类。不同的概念之间应该有着众多关系类型，诸如包含、从属、等价、相似等等。通过数据场的交互作用而构成泛概念树。云模型中的泛概念树区别于一般意义上的概念树，可以拥有多个父节点。泛概念树的组成情况可以因为不同的属性集合、实体群组合状态等的不同而不同。
在特征空间中，其等势的思想方法与概念空间中相似，两者的区别就在于特征空间以实体为基本的空间点，概念空间则是从属性角度出发表达概念。当问题集中在讨论空间实体的特征时，常常用特征空间加以表示。从特征空间角度对实体进行研究，其空间粒度与空间范畴将变得更大。特征空间所描述的实体的特征将构成一个多维的空间。通过把实体的多种属性以某种方式投射到空间中，形成一个特征点，累积下来就完成了特征空间的构造过程。随后进行数据分析，通过数据空间点所呈现出来的特性进行数据挖掘，这些特征包括点的整体抱团聚类、势的特征等等。普通的分析方式对于数据聚类的分析往往采用练习数据集归类和测试方法的有效性两部分，但是两部分数据的选取原则与选取标准仍然不够完善，并且对数据的不同权重也没有足够的关注。因此在特征空间中得到数据分析聚类结果更可靠。
总之，基于云模型的数据挖掘，结合不确定性推理和云变换共同实现挖掘技术。通过云滴模型的构建，能够具备三个特征参数值，能够反映云模型的中心值、模糊度、离散度等模型特征。从模型特征又可以进一步对实体的定性问题、概念模糊度、随机度等进行分析。云模型技术能够很好地进行定性概念与定量数据间的映射。数据挖掘则可以通过不同势层的表征，结合不同观察角度来实现信息的过滤和提取。基于云模型的数据挖掘技术以其高存储性能和超强计算能力日益得到广泛的应用，技术上的深入研究也显得紧要而迫切。
参考文献
巩华荣，何佳.空间数据挖掘技术的研究与发展[J].测绘与空间地理信息，2007（05论文导读：）.何彬彬，方涛，郭达志.不确定性空间数据挖掘算法模型.中国矿业大学学报，2007（01）.李德仁，王树良，李德毅，王新洲.论空间数据挖掘和知识发现的理论与方法.武汉大学学报（信息科学版），2002（03）.上一页12
）.
何彬彬，方涛，郭达志.不确定性空间数据挖掘算法模型[J].中国矿业大学学报，2007（01）.
[3]李德仁，王树良，李德毅，王新洲.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报（信息科学版），2002（03）.