基于网络数据挖掘的研究

随着数据库技术的成熟和数据应用的普及，大规模数据库和数据仓库的建立，人们开始面对“数据丰富，但信息贫乏”的挑战。数据挖掘技术从海量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，这些规则揭示了数据库中一组对象之间的特定关系，为经营决策、金融预测等提供依据。专注于神经网络算法在数据挖掘中的应用问题，这种算法具有高准确率和强大的抗噪声能力。SQL Server 2005提供了一种简单的方式来应用神经网络算法，适用于SQL Management Studio、BI Dev Studio等环境，用于创建神经网络挖掘模型。

为了充分利用供电公司在生产和营销过程中产生的大量数据，并从中提取有价值信息，协助运营商实现有效市场营销和客户服务，结合数据仓库、数据挖掘技术以及在线分析处理（OLAP）技术，提出了一种基于网络的供电公司电力营销数据挖掘系统。该系统采用三层B/S体系结构，包括业务逻辑层、应用服务层和数据存取层，并基于模型-视图-控制器（MVC）设计模式，具备跨平台、可扩展和易维护等优点，具有广阔的应用前景。

针对传统选线判据无法精确识别干扰信号、可能导致频繁误跳闸的问题，本研究利用数据挖掘中的K-means算法进行了改进。通过对某支路历史数据的聚类分析，成功区分漏电真零序电流与干扰信号，显著提升了选线判据的准确性。

为解决大数据环境下的数据挖掘难题，研究了基于Spark核心引擎的数据挖掘引擎。利用Spark的内存计算算子，实现了多个传统数据挖掘算法的并行计算，使其能在集群环境中高效运行。采用系统分层方法设计了数据挖掘系统，构建了完整的大数据挖掘平台。实验证明，基于Spark的并行计算能显著缩短执行时间，在大数据挖掘应用中表现优异。

本研究探讨了遗传神经网络在数据挖掘中的应用，重点分析其在处理复杂数据时的优势与效果。通过实验验证，提出了改进的算法，提高了挖掘效率。

在分析比较复杂网络与数据挖掘两种研究范式的基础上，强调数据挖掘研究需深入探索系统普适规律和内在机制发现；同时指出复杂网络可借助数据挖掘技术处理大数据，实现理论与数据的协同。此外，探讨了现有的复杂网络与数据挖掘交叉研究，并提出了范式整合的可能方向与途径。

Bing Liu 著

提出了基于影响函数的异常数据检测方法，该方法通过投影分析来分离观测数据中的异常成分，有效消除脉冲噪声。实验结果验证了该方法在异常数据检测方面的可靠性和有效性。

数据挖掘技术中的关键步骤之一是属性选择，其目的是优化模型性能，通过选择最相关的属性提高数据挖掘效率。本研究侧重于基于统计相关性的属性选择方法，以应对日益扩大的数据集存储需求，提升数据挖掘过程中的效果和可靠性。特别关注CFS算法及其在特征子集搜索中的应用，以及Best First算法在优化特征选择过程中的贡献。