發(fā)布時間：2023-01-22 01:14:41
序言：寫作是分享個人見解和探索未知領(lǐng)域的橋梁，我們?yōu)槟x了8篇的數(shù)據(jù)挖掘論文樣本，期待這些樣本能夠為您提供豐富的參考和啟發(fā)，請盡情閱讀。
目前現(xiàn)有的針對煙草營銷策略的研究，多采用數(shù)據(jù)挖掘的思想，基于數(shù)據(jù)挖掘的營銷策略是對終端客戶進行分類，根據(jù)用戶的銷量和誠信記錄把用戶分為多個等級，但這種分級策略只能反應(yīng)用戶的銷量信息，把這個分類作為營銷策略依據(jù)太單薄，只能起一定的輔助作用。更深入地研究是根據(jù)客戶的資料和歷史訂單數(shù)據(jù)對現(xiàn)有商戶進行聚類，獲取到自主的商戶分類，但盲目的聚類會導(dǎo)致商戶的分類沒有實際意義，或獲取的結(jié)果是無助于營銷目的的。
2技術(shù)關(guān)鍵
本系統(tǒng)采用基于營銷目的的商戶聚類，技術(shù)關(guān)鍵包括三部分內(nèi)容：數(shù)據(jù)預(yù)處理中的特征選擇、基于限制目標的商戶精確聚類和基于聚類結(jié)果的多層關(guān)聯(lián)規(guī)則算法的研究。
2.1特征選擇
假定獲取的數(shù)據(jù)的維數(shù)為n，通常情況下n是很大的一個數(shù)，為簡化模型，也為了防止模型陷入過擬合（維數(shù)災(zāi)難），需要進行降維處理，即僅把對項目改造判定起關(guān)鍵作用的因素挑選出來。本系統(tǒng)采用PCA算法來進行降維處理，過程如下：
1)計算標準化后的矩陣Z的樣本的協(xié)方差矩陣Cov；
2)計算協(xié)方差矩陣Cov的本征向量e1,e2,…,en的本征值。本征值按大到小排序；
3)投影數(shù)據(jù)
到本征矢張成的空間之中，利用貢獻分析取前m個向量Y1,Y2,…,Ym。
2.2基于營銷目標限制的商戶精確聚類算法
現(xiàn)有聚類算法一般沒有約束條件，只根據(jù)相似度來進行聚類，為了能夠體現(xiàn)約束條件，需要在聚類相似度或者樣本距離之間把限制條件增加進去，這樣在樣本聚類的時候即可使得具有相同營銷特性的樣本或者客戶被劃分到同一個類中。煙草終端商戶的大部分屬性是分類屬性，例如：地區(qū)、類別等，此外還有數(shù)字型屬性、日期型屬性，由于存在不同類型的屬性，常規(guī)的聚類算法無法使用，為此，采用把數(shù)字屬性和日期屬性劃分區(qū)間的思路，這樣可以轉(zhuǎn)化成分類屬性的方式來進行聚類。進而可建立如下商戶模型：分類對象X∈Ω，X=[A1=x1]∧[A2=x2]∧…∧[Am=xm]，其中xj∈DOM(Aj)，1≤j≤m，為簡便起見，將對象X∈Ω用向量（x1,x2,…,xm）表達，如果屬性Aj的值不存在，則Aj=ε。令Χ={X1,X2,…,Xn}為n個分類對象的集合，用集合方式表達分類對象，則Xi={xi,1,xi,2,…,xi,m}，如果屬性Aj的值不存在，則集合中不出現(xiàn)xi,j，容易得到|Xi|≤m。如果存在Xi,j=Xk,j，1≤j≤m，則Xi=Xk。為方便聚類，利用聚類匯總來壓縮原始數(shù)據(jù)，從而達到提高算法效率的目的。一個類C可以由如下三元組（n,I,S）來表示。其中n為類C中的對象數(shù)量，I={i1,i2,…,iu}是C內(nèi)所有屬性值的集合，S={s1,s2,…,su}，其中sj為ij在類C中的數(shù)量，ij∈I，1≤j≤u。集合S按升序排列，即s1≤s2≤…≤su，這同時也暗示集合I的元素按其在C中的數(shù)量按升序排列。三元組（n,I,S）被稱作類C的聚類匯總CS，CS的三個成員分別記作CS.n、CS.I和CS.S；對于CS.I的任一元素ij∈CS.I，則記作CS.I.ij，對于sj∈CS.S，則記作CS.S.sj，其中1≤j≤u。
2.3基于煙草營銷的多層關(guān)聯(lián)規(guī)則的研究
針對本項目，對關(guān)聯(lián)規(guī)則定義進行擴展，對形如：XY的關(guān)聯(lián)規(guī)則，不再限定X和Y為一個項目集，而把X和Y定義為條件的合取范式，每個條件Ai=True/False為布爾表達式。此時的Ai為一個項目集，它的含義與原來的X和Y的含義相同，如果把結(jié)果中的條件布爾表達式寫成Cj=True/False，則關(guān)聯(lián)規(guī)則有如下形式：（A1=True/False）∧（A2=True/False）∧…∧（An=True/False）（C1=True/False）∧（C2=True/False）∧…∧（Cm=True/False）關(guān)聯(lián)規(guī)則的開采問題可以分解成以下兩個子問題：
①從數(shù)據(jù)集合或交易集合D中發(fā)現(xiàn)所有的頻繁項目集。
②從頻繁項目集中生成所有置信度不小于用戶定義的最小置信度minconf的關(guān)聯(lián)規(guī)則。即對任一個頻繁項目集F和F的所有非空真子集S，SF，如果sup（F）/sup（F－S）≥minconf，則（F－S）S就是一條有效的關(guān)聯(lián)規(guī)則。按上述方法發(fā)現(xiàn)所有類似的規(guī)則。這兩個步驟中第2步要相對容易，因此項目的研究將更關(guān)注第1步，由于最大頻繁項目集已經(jīng)隱含了所有頻繁項目集，所以可以把發(fā)現(xiàn)頻繁項目集的問題轉(zhuǎn)化為發(fā)現(xiàn)最大頻繁項目集的問題。針對煙草營銷的客戶，進行關(guān)聯(lián)規(guī)則挖掘時，是在上一步的基礎(chǔ)上，即針對每一個商戶群進行規(guī)則挖掘。在獲取到最大頻繁項目集后，順序生成頻繁項目集，然后獲取到可用的關(guān)聯(lián)規(guī)則。此時獲取的關(guān)聯(lián)規(guī)則是底層關(guān)聯(lián)規(guī)則，然后再采用概念樹的方法對獲取的底層關(guān)聯(lián)規(guī)則進行匯總。概念樹由煙草領(lǐng)域?qū)＜腋鶕?jù)屬性的領(lǐng)域知識提供，按特定屬性的概念層次從一般到具體排序。樹的根結(jié)點是用any表示最一般的概念，葉結(jié)點是最具體的概念即屬性的具體值。
對于一個多種網(wǎng)絡(luò)形式并存的復(fù)雜網(wǎng)絡(luò)，假設(shè)復(fù)雜網(wǎng)絡(luò)作為一個網(wǎng)絡(luò)社區(qū)，在復(fù)雜網(wǎng)絡(luò)中存在的網(wǎng)絡(luò)類型數(shù)即社區(qū)數(shù)。我們用一個無向遍歷圖GV,E來表示整個網(wǎng)絡(luò)社區(qū)，如果網(wǎng)絡(luò)中有兩個節(jié)點有兩條不重合的網(wǎng)絡(luò)路徑，則說明這兩個節(jié)點處于一個網(wǎng)絡(luò)環(huán)路當(dāng)中，網(wǎng)絡(luò)中的數(shù)據(jù)流需要經(jīng)過網(wǎng)絡(luò)環(huán)路到達特定的節(jié)點。當(dāng)在某個時間段里需要傳送的數(shù)據(jù)流個數(shù)大于網(wǎng)絡(luò)節(jié)點數(shù)時，則說明該網(wǎng)絡(luò)的數(shù)據(jù)流密度較大，為了能夠準確地在復(fù)雜網(wǎng)絡(luò)中挖掘出所需的數(shù)據(jù)流，則需要根據(jù)數(shù)據(jù)流密度來劃分整個網(wǎng)絡(luò)社區(qū)，尋找數(shù)據(jù)流處于哪個社區(qū)，再確定數(shù)據(jù)流所在社區(qū)的環(huán)路。在這里我們通過設(shè)計算法確定網(wǎng)絡(luò)數(shù)據(jù)流密度，來對復(fù)雜網(wǎng)絡(luò)進行社區(qū)劃分，再對社區(qū)進行無向環(huán)路遍歷，并通過遍歷得到該社區(qū)網(wǎng)絡(luò)的所環(huán)路，確定所需查詢的數(shù)據(jù)流位于哪個環(huán)路。以下為復(fù)雜網(wǎng)絡(luò)中需要用到的符號說明。
2增量子空間數(shù)據(jù)挖掘算法
為了能夠有效地在復(fù)雜網(wǎng)絡(luò)中挖掘出目的數(shù)據(jù)流，使用了復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的分析方法在對復(fù)雜網(wǎng)絡(luò)進行社區(qū)劃分后，通過對社區(qū)網(wǎng)絡(luò)進行無向環(huán)路遍歷并得到社區(qū)網(wǎng)絡(luò)的所有環(huán)路。接下來挖掘算法先后挖掘出目的數(shù)據(jù)流所屬的社區(qū)以及環(huán)路，最終確定目的數(shù)據(jù)流的具置。
2.1基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘
當(dāng)數(shù)據(jù)流i與社區(qū)k的相關(guān)度最大時，說明數(shù)據(jù)流i位于社區(qū)k的可能性就最大。但是當(dāng)多個數(shù)據(jù)流的大小區(qū)別不大時，以數(shù)據(jù)流的大小作為指標來定義相關(guān)度會導(dǎo)致挖掘精度較低。這里我們也引入數(shù)據(jù)流的特征集和數(shù)據(jù)流中的分組隊列長度來計算相關(guān)度。
2.2基于多增量空間的數(shù)據(jù)流挖掘
在采用基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘方法得到數(shù)據(jù)流的所屬社區(qū)后，我們接著采用基于多增量空間的數(shù)據(jù)流挖掘方法來挖掘出數(shù)據(jù)流的所屬環(huán)路。先將社區(qū)網(wǎng)絡(luò)的環(huán)路進行多增量空間擴展，即先得到
目標數(shù)據(jù)流所經(jīng)過的環(huán)路，再得到數(shù)據(jù)流所經(jīng)過的節(jié)點與時間的相關(guān)系數(shù)，這樣就可以在時空上確定目的數(shù)據(jù)流位于環(huán)路的哪個節(jié)點中。
3實驗結(jié)果
為了驗證本文提出的基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的效果，我們通過matlab7.0軟件進行算法仿真，其中仿真的復(fù)雜網(wǎng)絡(luò)由多種網(wǎng)絡(luò)形式組成，網(wǎng)絡(luò)節(jié)點有200個，數(shù)據(jù)流大小為500bytes，節(jié)點的接收能耗為10nJ/bit，發(fā)射能耗為50nJ/bit，進行信號處理和功率放大的能耗為10nJ/bit。其他節(jié)點干擾而產(chǎn)生的能量消耗為5nJ/bit。在對本文算法進行分析的過程中，我們采用了對比分析的方法，Lopez-Yanez等人提出一種基于時間序列數(shù)據(jù)挖掘的新的關(guān)聯(lián)模型，該模型是基于伽瑪分類，是一種監(jiān)督模式識別模型，目的是為了挖掘已知模式中的時間序列，以預(yù)測未知的值。由Negrevergne等人提出的一種PARAMINER算法：一個通用的模式挖掘算法的多核架構(gòu)。多核架構(gòu)采用的是一種新的數(shù)據(jù)集縮減技術(shù)（稱之為EL-還原），在算法中通過結(jié)合新的技術(shù)用于處理多核心架構(gòu)的并行執(zhí)行數(shù)據(jù)集。為了驗證本文算法的挖掘有效性，我們分別在增多節(jié)點數(shù)量和社區(qū)網(wǎng)絡(luò)數(shù)的情況下獲取算法的數(shù)據(jù)挖掘精度。實驗采用的精度為NMI[16]，實驗結(jié)果如圖3和圖4所示。在不同節(jié)點數(shù)量下基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的挖掘精度更高，挖掘精度高于85%，而文獻[14]的挖掘精度在77%以上，挖掘精度在76%以上。因為、提出的關(guān)聯(lián)模型、提出的多核架構(gòu)沒有準確把握數(shù)據(jù)流在不同時間段里與環(huán)路位置的相關(guān)情況。而本文算法采用社區(qū)網(wǎng)絡(luò)遍歷和多增量空間的方法可以有效地確定這種相關(guān)性。圖4為不同社區(qū)數(shù)下的算法挖掘精度，從圖中可以看出，當(dāng)社區(qū)網(wǎng)絡(luò)的種類增多時，會對算法的挖掘精度造成影響，本文算法的挖掘精度在社區(qū)數(shù)為10時是95.7%，當(dāng)社區(qū)數(shù)增加到50時為87.5%。而基于時間序列數(shù)據(jù)挖掘方法的挖掘精度在社區(qū)數(shù)為10時是88.6%，在社區(qū)數(shù)為50時是77.4%，而PARAMINER算法在社區(qū)數(shù)為10時是86.7%，社區(qū)數(shù)為50時是78.2%。因此從數(shù)據(jù)分析來看，本文算法的數(shù)據(jù)挖掘精度在社區(qū)數(shù)增多時仍能保持在較高水平。
4結(jié)論
在上述系統(tǒng)設(shè)計的基礎(chǔ)之上，我們提出了網(wǎng)店客戶購買數(shù)據(jù)挖掘系統(tǒng)的模型，該模型由三個層次組成，其邏輯架構(gòu)如圖一所示。
2、系統(tǒng)設(shè)計與實現(xiàn)
2.1系統(tǒng)開發(fā)與運行環(huán)境硬件環(huán)境：CPUIntelI3380M/RAM2G/硬盤320G軟件配置：操作系統(tǒng)：Windows7SP1開發(fā)工具：2005/VisualC#數(shù)據(jù)庫管理系統(tǒng)：MSSQLServer2008輔助軟件：SPSSClementine11.1；SQLServer2008AnalysisServices（SSAS）
2.2主要技術(shù)與系統(tǒng)實現(xiàn)通過對上述對客戶購買數(shù)據(jù)挖掘系統(tǒng)模型的分析可知，該系統(tǒng)主要由用戶接口模塊、數(shù)據(jù)清洗模塊、數(shù)據(jù)格式轉(zhuǎn)換模塊、數(shù)據(jù)庫生成模塊和數(shù)據(jù)挖掘引擎模塊等組成。1）用戶接口模塊本系統(tǒng)最終目的還是為為客戶的決策提供支持，因此友好的界面設(shè)計是用戶與系統(tǒng)交互的基礎(chǔ)。簡潔而易于理解的界面有利于提高用戶對系統(tǒng)的使用效率。2）數(shù)據(jù)預(yù)處理模塊客戶訪問數(shù)據(jù)進入數(shù)據(jù)預(yù)處理模塊進行清洗，去除無關(guān)的信息，剝離出對數(shù)據(jù)挖掘有價值的數(shù)據(jù)。數(shù)據(jù)預(yù)處理模塊對原始訪問數(shù)據(jù)進行分析，將用戶購買數(shù)據(jù)記錄逐條的分割成十個字段，分別為：u_id（訪問者編號），u_date（到訪日期），u_time（到訪時間），u_orderid（訂單編號)，u_product（客戶購買的商品），u_bowser（使用的瀏覽器類型），page（首次到訪頁面），place（客戶所在地區(qū)），payment（支付方式），logistic（物流方式），同時刪除訪問數(shù)據(jù)中與以上字段不相干的數(shù)據(jù)。然后將經(jīng)過預(yù)處理的數(shù)據(jù)存入中間文件。3）XML轉(zhuǎn)換模塊該模塊程序使用.NET的相關(guān)的方法編寫，主要功能將預(yù)處理過的客戶購買數(shù)據(jù)轉(zhuǎn)換成標準化XML格式的數(shù)據(jù)文件進行存儲。該程序的主要實現(xiàn)原理是對經(jīng)過預(yù)處理的中間文件中的數(shù)據(jù)記錄逐個分割并存入數(shù)組，然后將數(shù)組的內(nèi)容按照XML的格式寫入文件，完成轉(zhuǎn)換。4）數(shù)據(jù)庫導(dǎo)入模塊利用.NET的相關(guān)方法并結(jié)合數(shù)據(jù)庫管理工具建立支持數(shù)據(jù)挖掘的客戶購買數(shù)據(jù)庫，編寫相關(guān)程序?qū)⒁呀?jīng)轉(zhuǎn)換成XML格式的客戶訪問數(shù)據(jù)逐條的導(dǎo)入到數(shù)據(jù)庫并形成日志數(shù)據(jù)表方便進行后續(xù)的數(shù)據(jù)挖掘。5）數(shù)據(jù)挖掘引擎模塊數(shù)據(jù)挖掘引擎是實現(xiàn)客戶購買數(shù)據(jù)挖掘系統(tǒng)的實現(xiàn)關(guān)鍵。優(yōu)秀的數(shù)據(jù)挖掘算法不僅可以使數(shù)據(jù)挖掘的結(jié)果更加準確，也可以提高數(shù)據(jù)挖掘的效率。本系統(tǒng)主要用到的算法是該模塊利用數(shù)據(jù)挖掘算法對數(shù)據(jù)進行挖掘，主要包括算法的優(yōu)化、日志數(shù)據(jù)表的刪除操作以及挖掘結(jié)果集的保存與刪除操作等。這里主要用到的算法是K-Means算法。主要是利用該算法發(fā)現(xiàn)最相似的客戶聚類，通過對聚類的分析來得出網(wǎng)店眾多的顧客一般的購買行為模式，從而可以適當(dāng)?shù)卣{(diào)整網(wǎng)站營銷的策略中的來提高網(wǎng)絡(luò)營銷的效果，進而增加銷售量。
3、小結(jié)
首先要確保數(shù)據(jù)來源的寬度，及時、準確地從社會獲取盡可能多的外部信息，并建立起穩(wěn)定的常態(tài)交互機制，提供源源不斷的新鮮“原料”，否則相關(guān)的模型建立將會非常困難。這些可以通過與社會其它單位協(xié)作，資源共用、數(shù)據(jù)共享加以實現(xiàn)。其次要重視數(shù)據(jù)的“挖掘加工能力”。在模型的創(chuàng)建過程中，確定各個變量之間的邏輯關(guān)系、對結(jié)果的影響權(quán)重，實現(xiàn)對客戶信用風(fēng)險的智能研判，保證預(yù)判結(jié)果的準確性。
2利用數(shù)據(jù)挖掘技術(shù)建立客戶信用評價模型的實現(xiàn)方法
數(shù)據(jù)挖掘技術(shù)是通過分析大量數(shù)據(jù)，從中尋找其規(guī)律的技術(shù)，主要有數(shù)據(jù)準備、規(guī)律尋找和規(guī)律表示3個步驟。數(shù)據(jù)準備是從相關(guān)的數(shù)據(jù)源中選取所需的數(shù)據(jù)并整合成用于數(shù)據(jù)挖掘的數(shù)據(jù)集；規(guī)律尋找是用某種方法將數(shù)據(jù)集所含的規(guī)律找出來；規(guī)律表示是盡可能以用戶可理解的方式將找出的規(guī)律表示出來。數(shù)據(jù)挖掘的任務(wù)有關(guān)聯(lián)分析、聚類分析、分類分析等。（1）數(shù)據(jù)挖掘方法。根據(jù)客戶信用價值評價指標模型要求，在進行綜合評價前，應(yīng)先確定指標體系中各個指標的評價值，可采用數(shù)據(jù)挖掘技術(shù)中聚類方法加以分析。聚類分析是將個體或?qū)ο蠓诸?，使得同一類中對象之間的相似性比與其他類的對象的相似性更強。目的在于使類間對象的同質(zhì)性最大化和類與類間對象的異質(zhì)性最大化。通過對聚類算法的分析,針對電力客戶信用分類的特征,提出了電力客戶信用評價算法.得到了不同客戶群的聚類中心以及客戶的隸屬度矩陣,為客戶群的特征分析提供了量化依據(jù)，從而得到滿意的客戶聚類及分類結(jié)果。（2）數(shù)據(jù)挖掘算法。首先可采用K-means聚類算法對電力客戶樣本進行分類,利用該算法,給定客戶分類個數(shù)k,按照樣本間距離最近的原則,將n個電力客戶劃分到k個分類中去。k個聚類中心代表了聚類的結(jié)果；進而采用層次分析法將一個復(fù)雜的評價系統(tǒng),按其內(nèi)在的邏輯關(guān)系,以及評價指標為代表構(gòu)成一個有序的層次結(jié)構(gòu),然后針對每一層的指標,運用專家或管理人員的專業(yè)知識、經(jīng)驗、信息和價值觀,對同一層次或同一域的指標進行兩兩比較對比,并按規(guī)定的標度值構(gòu)造比較判別矩陣。從而確定指標權(quán)重；最后根據(jù)聚類以后得出的各個類的中心點，計算得出的k類電力客戶的信用得分,可以判斷其所屬的信用等級。
3數(shù)據(jù)挖掘技術(shù)在電力客戶信用管理中的應(yīng)用效果和意義
對于風(fēng)電功率的預(yù)估，本文提出了一種短期的用于一至十五分鐘內(nèi)的預(yù)測方法。其中輸入數(shù)據(jù)來自風(fēng)力發(fā)電機的歷史寄存器，數(shù)據(jù)種類有電壓、電流、有功功率等。并且對兩種預(yù)測方法進行了比較。預(yù)測出的風(fēng)力數(shù)據(jù)作為風(fēng)力渦輪機預(yù)測模型的輸入值。風(fēng)力發(fā)電機模型是參考了空氣力學(xué)、傳動系統(tǒng)、感應(yīng)發(fā)電機等參數(shù)，并通過唯像模型建立的。風(fēng)力渦輪模型則建立于一種現(xiàn)象學(xué)模型，這種模型將風(fēng)的空氣動力學(xué)、傳動系統(tǒng)和感應(yīng)發(fā)電機的參數(shù)都考慮了進來。另一種預(yù)測風(fēng)電功率方法是使用數(shù)據(jù)挖掘技術(shù)來進行預(yù)測。風(fēng)電發(fā)電系統(tǒng)中的數(shù)據(jù)庫就應(yīng)用到了這些技術(shù)。為了提高算法的效率，使用了風(fēng)速估計器，以估計空氣分子的布朗運動。并與沒有用風(fēng)速估計器時平均發(fā)電功率進行比較。
二、風(fēng)功率預(yù)測模型和現(xiàn)象學(xué)模型
(一)人工神經(jīng)網(wǎng)絡(luò)
每一個人工神經(jīng)網(wǎng)絡(luò)模型都有架構(gòu)、處理單元和訓(xùn)練方面的特性。在時間序列預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型中，其中很重要的一種是集中延時神經(jīng)網(wǎng)絡(luò)。它屬于動態(tài)神經(jīng)網(wǎng)絡(luò)的一般類型，在這種神經(jīng)網(wǎng)絡(luò)中，動態(tài)只出現(xiàn)于靜態(tài)的、有多個層級的前饋神經(jīng)網(wǎng)絡(luò)的輸入層中。集中延時神經(jīng)網(wǎng)絡(luò)的一個顯著特征是它不要求有動態(tài)反向傳播來計算神經(jīng)網(wǎng)絡(luò)的梯度，原因是抽頭延遲線只在神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)時才出現(xiàn)。由于這個原因，這種神經(jīng)網(wǎng)絡(luò)比其他動態(tài)網(wǎng)絡(luò)的訓(xùn)練進行得更快。
(二)隨機時序
風(fēng)功率模型和現(xiàn)象模型是使用最多的預(yù)測方法。如果假設(shè)預(yù)測變量Xt是已知值的線性組合，那么自回歸模型則能用于預(yù)測未知值。通過查看自相關(guān)函數(shù)和偏自相關(guān)函數(shù)，用于找到模型的順序和結(jié)構(gòu)，從而確定模型適當(dāng)?shù)慕Y(jié)構(gòu)和式子順序。根據(jù)赤池信息準則，施瓦茨準則或貝葉斯信息標準以及校正后的決定系數(shù)，我們就能選出最好的模型。
三、算例分析
(一)提出的預(yù)處理方法
在考慮風(fēng)速的復(fù)雜動態(tài)的情況下，為了更好地描述ARMA模型，本文提出了一種新的數(shù)據(jù)預(yù)處理方法。這種方法是以模型的形式呈現(xiàn)的，我們將這種模型稱之為函數(shù)的ARMA。
(二)實例仿真
利用SVM工具箱在matlab7．1平臺上完成回歸模型建立的工作，利用我國某風(fēng)電場連續(xù)100個數(shù)據(jù)(每10s取一個數(shù)值)的實測風(fēng)能功率輸出值，建立訓(xùn)練和預(yù)測樣本。盡管神經(jīng)網(wǎng)絡(luò)在預(yù)測風(fēng)速時誤差已經(jīng)很小，但由風(fēng)力渦輪機模型和函數(shù)的ARMA模型組成的復(fù)合模型在各方面性能更好。導(dǎo)致這一結(jié)果的原因是焦點延時神經(jīng)網(wǎng)絡(luò)(以下簡稱FTDNN)預(yù)測曲線的高度非線性。
四、結(jié)論
事實上，數(shù)據(jù)挖掘的產(chǎn)生是有其必然性的。隨著信息時代的到來，各種數(shù)據(jù)收集設(shè)備不斷更新，相應(yīng)的數(shù)據(jù)庫技術(shù)也在不斷地成熟，使得人們積累的信息量不斷增加，為了提高效率，當(dāng)務(wù)之急就是要從海量的數(shù)據(jù)中找出最有用的信息，這就催生了數(shù)據(jù)挖掘技術(shù)。
2網(wǎng)絡(luò)入侵檢測的重要性與必要性分析
網(wǎng)絡(luò)入侵檢測，就是對網(wǎng)絡(luò)入侵行為的發(fā)覺。與其他安全技術(shù)相比而言，入侵檢測技術(shù)并不是以建立安全和可靠的網(wǎng)絡(luò)環(huán)境為主，而是以分析和處理對網(wǎng)絡(luò)用戶信息構(gòu)成威脅的行為，進而進行非法控制來確保網(wǎng)絡(luò)系統(tǒng)的安全。它的主要目的是對用戶和系統(tǒng)進行檢測與分析，找出系統(tǒng)中存在的漏洞與問題，一旦發(fā)現(xiàn)攻擊或威脅就會自動及時地向管理人員報警，同時對各種非法活動或異?；顒舆M行識別、統(tǒng)計與分析。
3數(shù)據(jù)挖掘在網(wǎng)絡(luò)入侵檢測中的應(yīng)用分析
在使用數(shù)據(jù)挖掘技術(shù)對網(wǎng)絡(luò)入侵行為進行檢測的過程中，我們可以通過分析有用的數(shù)據(jù)或信息來提取用戶的行為特征和入侵規(guī)律，進而建立起一個相對完善的規(guī)則庫來進行入侵檢測。該檢測過程主要是數(shù)據(jù)收集——數(shù)據(jù)預(yù)處理——數(shù)據(jù)挖掘，以下是在對已有的基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測的模型結(jié)構(gòu)圖進行闡述的基礎(chǔ)上進行一些優(yōu)化。
3.1綜合了誤用檢測和異常檢測的模型
為改進前綜合誤用檢測和異常檢測的模型。從圖2可以看出，它是綜合利用了誤用檢測和異常檢測模型而形成的基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測模型。其優(yōu)點在于通過結(jié)合誤用檢測器和異常檢測器，把所要分析的數(shù)據(jù)信息減少了很多，大大縮小了數(shù)據(jù)范圍。其劣勢在于當(dāng)異常檢測器檢測到新的入侵檢測后，僅僅更新了異常檢測器，而沒有去及時地更新誤用檢測器，這就無形中增加了工作量。對于這一不足之處，筆者提出了以下改進意見。
3.2改進后的誤用檢測和異常檢測模型
筆者進行了一些改進，以形成一種更加有利的基于數(shù)據(jù)挖掘的入侵檢測模型，基礎(chǔ)上進行了一定的優(yōu)化。一是把從網(wǎng)絡(luò)中獲取的網(wǎng)絡(luò)數(shù)據(jù)包發(fā)送到數(shù)據(jù)預(yù)處理器中，由它進行加工處理，然后使用相應(yīng)的關(guān)聯(lián)規(guī)則找出其中具有代表性的規(guī)則，放入關(guān)聯(lián)規(guī)則集中，接下來用聚類規(guī)則將關(guān)聯(lián)規(guī)則所得的支持度和可信度進行聚類優(yōu)化。此后，我們可根據(jù)規(guī)定的閾值而將一部分正常的數(shù)據(jù)刪除出去，這就大大減少了所要分析的數(shù)據(jù)量。此時可以把剩下的那些數(shù)據(jù)發(fā)送到誤用檢測器中進行檢測，如果誤用檢測器也沒有檢測到攻擊行為，則把該類數(shù)據(jù)發(fā)送到異常檢測器中再次進行檢測，與上面的例子一樣，這個異常檢測器實際上也起到了一個過濾的作用，以此來把海量的正常數(shù)據(jù)過濾出去，相應(yīng)地數(shù)據(jù)量就會再一次變少，這就方便了后期的挖掘。這一模型系統(tǒng)的一大特點就是為了避免重復(fù)檢測，利用對數(shù)據(jù)倉庫的更新來完善異常檢測器和誤用檢測器。也就是說，根據(jù)異常檢測器的檢測結(jié)果來對異常檢測器和誤用檢測器進行更新，若測得該行為是正常行為，那么就會更新異常檢測器，若測得該行為是攻擊行為，那么就更新誤用檢測器來記錄該次的行為，從而方便下次進行重復(fù)的檢測。
4結(jié)束語
剔除舊圖書一般指對破舊、過時的或者失去價值的圖書進行清理。比如因年代久遠變得陳舊或內(nèi)容滯后而失去參考價值的圖書、有新版或修訂版的圖書、殘缺破損不利于閱讀的圖書、復(fù)本過多的圖書、在規(guī)定時間內(nèi)未流通的圖書、借閱率低的圖書，都可以作為剔舊圖書而入藏舊書庫。在實際工作中，對于殘缺破損的或有新版、修訂版的圖書，剔除工作相對簡單，復(fù)本過多的圖書和借閱率低的圖書的剔舊工作相對困難。利用數(shù)據(jù)挖掘技術(shù)可以科學(xué)地分析圖書的復(fù)本數(shù)，統(tǒng)計圖書在一定周期內(nèi)的借閱次數(shù)，從而得出借閱率。但單從借閱率低、復(fù)本數(shù)多等方面考慮剔除舊圖書是不科學(xué)的。有些優(yōu)秀的圖書往往會被反復(fù)續(xù)借，并長期在某一特定用戶手中，其借閱次數(shù)不一定很多，但借閱時間很長。這些圖書并不一定能在借閱次數(shù)上體現(xiàn)其優(yōu)勢，因此，還需要統(tǒng)計圖書的平均借閱時間，并依此設(shè)定平均借閱閾值，去掉未達到閾值的圖書，找到館藏中借閱時間較長的圖書。以鎮(zhèn)江高等專科學(xué)校圖書館為例，統(tǒng)計中文圖書的借閱率，并進行分析。設(shè)定借閱時間為2013年1月至2014年6月，借閱率小于0．3。通過數(shù)據(jù)挖掘得到如圖1所示的統(tǒng)計結(jié)果。在圖1中，我們可以看到，《晨讀十分鐘》復(fù)本數(shù)為12，借閱次數(shù)為2，借閱率低，可以適當(dāng)降低復(fù)本數(shù)。同樣，《語文學(xué)科知識與教學(xué)能力》復(fù)本數(shù)為6，借閱次數(shù)為1，借閱率也比較低，可以降低復(fù)本數(shù)。
2數(shù)據(jù)挖掘應(yīng)用于合理布局館藏書架
圖書排架就是將已經(jīng)加工整理的圖書按照某種標準和次序陳放在書架上的過程。鎮(zhèn)江高等專科學(xué)校圖書館是根據(jù)圖書分類號來排架的，其優(yōu)點是，讀者能夠比較方便準確地找到所需要的圖書，并在查找自己所要的圖書的同時關(guān)注相似的圖書。缺點:1)讀者需要準確知道欲借圖書的索書號。2)圖書館必須為各類新進圖書預(yù)留合理的書架空間，否則會導(dǎo)致圖書的重新整架甚至倒架，增加圖書管理人員的工作量。3)讀者進入圖書館借書，很可能就在某類自己感興趣的圖書中查閱，很少同時關(guān)注其他類別的圖書。因此，需要對圖書館系統(tǒng)中的數(shù)據(jù)進行挖掘分析，了解各類圖書的利用率和更新指數(shù)，統(tǒng)計各類圖書借閱情況?？梢愿鶕?jù)圖書的利用率合理排架，即將利用率高的圖書陳放在容易查找的書架上?？梢愿鶕?jù)圖書的更新指數(shù)預(yù)留書架空間?？梢愿鶕?jù)某一時期圖書借閱次數(shù)排行榜找出最受歡迎的圖書，開設(shè)《好書介紹》欄目，甚至可以針對特定群體進行好書介紹和推薦。設(shè)立專門的書架為圖書展讀處，最好設(shè)立在讀者進入圖書館的必經(jīng)之地，吸引讀者注意。圖書館也可以主辦各類讀書節(jié)活動吸引讀者。以鎮(zhèn)江高等?？茖W(xué)校圖書館為例，圖書利用率統(tǒng)計結(jié)果詳見圖2。從圖2可以看出，B類(哲學(xué)類)、H類(語言、文字類)、I類(文學(xué)類)、K類(歷史、地理類)、Q類(生物科學(xué)類)等圖書的利用率高，可以將放置這幾類圖書的書架放在容易查找、方便上架的地方。
3結(jié)束語
數(shù)據(jù)挖掘技術(shù)在企業(yè)的信息化建設(shè)中所擔(dān)任的角色是實現(xiàn)數(shù)據(jù)信息到商業(yè)知識的轉(zhuǎn)化。首先需要明確數(shù)據(jù)挖掘技術(shù)的處理對象，明白商業(yè)活動的主題；其次，需要對商業(yè)的主題進行分析，并搜集與之相關(guān)的數(shù)據(jù)利用各種技術(shù)對數(shù)據(jù)進行整理分析，并載入適合的數(shù)據(jù)挖據(jù)的算法中，建立模型，再從模型中提取出有用的商業(yè)信息，再根據(jù)分析所得結(jié)果調(diào)整算法，以數(shù)據(jù)和信息的可靠性為依據(jù)對結(jié)果進行判斷；再次，將獲得的商業(yè)知識融合到企業(yè)的信息平臺，利用人機界面對企業(yè)的決策活動予以支持。另外值得注意的是，由于數(shù)據(jù)挖據(jù)技術(shù)屬于高層次的技術(shù)，又關(guān)系到企業(yè)的業(yè)務(wù)機密，因此，需要極為專業(yè)的技術(shù)人才專業(yè)管理。
2如何實現(xiàn)數(shù)據(jù)挖掘在企業(yè)的信息化建設(shè)中的應(yīng)用
在企業(yè)進行業(yè)務(wù)的操作過程中往往會產(chǎn)生大量需要處理的數(shù)據(jù)，這就為數(shù)據(jù)挖掘的應(yīng)用提出了要求，數(shù)據(jù)挖掘的運用使企業(yè)的大量的數(shù)據(jù)得到了梳理，分析信息的能力提高，在企業(yè)今后的市場開拓記憶日常的運行中發(fā)揮了重要的作用，促進企業(yè)的競爭力的提高，那么，數(shù)據(jù)挖據(jù)具體在企業(yè)的信息化建設(shè)中如何應(yīng)用呢，下文將予以介紹。
2.1利用數(shù)據(jù)挖掘技術(shù)實現(xiàn)客戶信息的有效管理
具體來說就是通過對客戶信息進行分析，為客戶建立一個合適的購物模式，以滿足客戶的需求為重，這是處理好企業(yè)與客戶之間的關(guān)系的關(guān)鍵。有相關(guān)數(shù)據(jù)顯示，企業(yè)在獲得一個新的客戶過程中所花費的成本比維系一個老客戶的成本高出6倍-9倍之多，一個老客戶的流失是以10個新客戶的獲得為代價的，由此可見，對于企業(yè)來說老客戶的維護工作至關(guān)重要。通過數(shù)據(jù)挖掘技術(shù)可以得到老客戶的大量的信息，并對其交易記錄、統(tǒng)計信息進行分析后，可以有目的性的對流失的客戶進行分析，找出客戶流失的原因并為新客戶的建立提供模型和經(jīng)驗，有效地對意向客戶和流失客戶進行判斷，起到企業(yè)與客戶的關(guān)系的改善的作用。
2.2利用數(shù)據(jù)挖掘技術(shù)進行市場營銷的分析與管理
在市場營銷中，數(shù)據(jù)挖掘的作用在于可以促進市場的分工，以“客戶過去的消費行為可以說明今后的消費傾向”為假設(shè)，然后對客戶的信息進行分析，確定某一群體客戶的消費興趣，消費的趨向于需要，進而對消費者的下一次或者下一步的消費行為作出判斷，然后再以此為基礎(chǔ)，將識別出來的客戶作為一個消費群體，以此制定營銷計劃，這與傳統(tǒng)的不以消費者的實際需求為參考而進行大規(guī)模營銷的手段相比較，在成本的節(jié)約方面貢獻極大，可以帶給企業(yè)更多的利潤。在市場營銷中的應(yīng)用上，各種數(shù)據(jù)挖掘算法都得到了廣泛的應(yīng)用，每種不同的操作手段都可以引導(dǎo)商家做出滿足消費者需求的決策與判斷。
3結(jié)束語
