回归分析数据挖掘技术

统计类数据挖掘技术作为数据挖掘技术中较为成熟的一个分支,它采用统计学的方法与数据挖掘的原理对目标数据进行分析和处理。文中针对其中的回归分析技术的原理及应用进行了探讨。     

基于QAR数据的关联规则挖掘算法的研究

介绍和分析了关联规则的概念和Apriori算法,针对Apriori算法需要多次扫描数据库而导致运算效率不高的缺点,设计并实现了基于事务标识列表的频繁项集的产生算法——TagList Apriori.对比实验证明,新方法可以有效减少数据库扫描次数,节省运算时间,提高算法的运算效率,提高QAR数据关联规则挖掘的效率.     

基于数据挖掘算法的热压罐固化周期预测研究

目前,计划人员只能根据相关工艺文件中固化参数及热压罐固化周期的历史数据对热压罐进行连续排罐,导致计划人员无法制定精细的排产计划,还没有利用数据挖掘算法对热压罐固化周期进行预测的研究。采用支持向量回归和KNN预测两种预测方法,并对两种方法的预测结果进行对比试验。试验表明KNN预测的预测结果中有90%的罐次均优于支持向量回归的预测结果,且有90%罐次的误差小于0.5h。最后对两种方法的预测结果进行了原因分析。     

基于大数据的航天产品数字化应用系统构建探讨

阐述了各行业"大数据"分析应用现状及国内外航天领域数字工作平台应用现状,结合航天产品工作的现状和需求,探讨在大数据时代下,航天产品综合应用系统的构建重点和构建模式。     

数据挖掘在卫星仿真数据分析与评估上的应用

随着卫星总体仿真技术的发展．数字化航天器设计与仿真柔性仿真平台已经得到了应用,并具备了适应于不同应用环境下的多种框架平台。但是对于卫星总体仿真生成的海量结果数据并不能仅仅进行简单的堆砌和显示,还需要对这些结果数据进行深层次的数据挖掘,进行面向工程的数据检索和分析总结。文章对卫星仿真柔性平台中仿真数据的分析和评估进行了介绍,通过应用实例分析数据分析和评估对卫星设计的作用,体现仿真评估对于设计可靠性的验证与校核。     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

在标准化信息服务中打造个性化服务

概要介绍了在Intemet向标准信息服务渗透之后,标准信息服务机构如何利用互联网以及相关信息技术实施个性化服务,达到标准信息服务机构与其用户的双向、互动、持续、跟踪式的沟通,从而为其提供精准的、针对性强的标准信息服务.     

一种挖掘意外规则的方法

采用不确定规则形式表示发现知识和用户的领域知识,提出了发现规则相对于领域规则的前件一致度的概念及其计算方法,在此基础上给出了3种规则意外形式;分析了规则意外度的影响因素,给出了意外性的度量函数;研究了一种意外规则的挖掘方法,该方法不受产生规则的数据挖掘算法限制。实验结果表明,该方法能够有效地遴选出意外规则。     

数据流频繁闭集的在线挖掘

基于算法LossyCounting,提出了数据流频繁闭集的在线挖掘算法LC_Closed(LossyCounting_Closed).设计了基于前缀树的频繁闭集压缩存储结构CI-forest(ClosedItemsets-forest),利用该数据结构可以快速的插入和查询闭集模式,且在处理新的事务数据时能够快速定位相关的历史闭集模式.该算法采用在线的处理方式,提高了算法的实时性.实验的结果证明该算法是有效的.      

数据聚类方法的研究与分析

聚类分析是近年来迅速发展起来的一种新兴的数据处理技术,它在许多领域有着广泛的应用,尤其是在数据挖掘领域。首先阐述了聚类分析的基本概念和分类,然后针对目前几类主要的聚类分析方法,重点分析了基于密度的DBSCAN算法,基于层次的BIRCH算法以及基于网格的Wave Cluster算法这三种具有代表性的聚类方法,分析了它们的优缺点和时间复杂度。最后提及了聚类分析方法的应用范围以及今后需要解决的问题和发展方向。