數(shù)據(jù)挖掘算法研究及其在鐵路員工培訓(xùn)系統(tǒng)中的應(yīng)用.pdf

1、數(shù)據(jù)庫知識發(fā)現(xiàn)(KnowledgeDiscoveryinDatabase，KDD)是從大量數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律、提取有用知識的方法和技術(shù)。近年來，KDD受到了國內(nèi)外普遍關(guān)注，已經(jīng)成為信息系統(tǒng)和計(jì)算機(jī)科學(xué)領(lǐng)域研究中最活躍的部分。KDD被認(rèn)為是從數(shù)據(jù)中發(fā)現(xiàn)有用知識的整個(gè)過程，而數(shù)據(jù)挖掘(DataMining，DM)被認(rèn)為是KDD過程中的一個(gè)特定步驟，它用專門算法從數(shù)據(jù)中抽取模式。 數(shù)據(jù)挖掘作為一種高效、深層次的數(shù)據(jù)分析處理技術(shù)，其目的

2、在于從大量的數(shù)據(jù)中提取出隱含在其中的潛在信息，這些信息將為人們進(jìn)行各種決策分析提供有力依據(jù)。如何利用數(shù)據(jù)挖掘技術(shù)對現(xiàn)有的大量數(shù)據(jù)進(jìn)行分析處理，具有重要的實(shí)際應(yīng)用價(jià)值。目前數(shù)據(jù)挖掘的研究主要集中在如何完成各種知識發(fā)現(xiàn)任務(wù)，如分類知識發(fā)現(xiàn)、聚類知識發(fā)現(xiàn)、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)等。研究的重點(diǎn)在具體的數(shù)據(jù)挖掘算法，算法研究的目的在于提高挖掘的效率及挖掘結(jié)果的實(shí)用性。 本文以實(shí)現(xiàn)鐵路員工培訓(xùn)系統(tǒng)中培訓(xùn)資源和培訓(xùn)模式選擇的優(yōu)化為目標(biāo)。首先在初步調(diào)研與

3、分析知識發(fā)現(xiàn)與數(shù)據(jù)挖掘相關(guān)理論與應(yīng)用的基礎(chǔ)上，歸納了該領(lǐng)域的主要研究內(nèi)容和關(guān)鍵技術(shù)。進(jìn)而結(jié)合數(shù)據(jù)挖掘的應(yīng)用現(xiàn)狀和理論基礎(chǔ)，重點(diǎn)分析了分類、聚類算法的理論、方法和實(shí)現(xiàn)技術(shù)。研究的主要內(nèi)容有數(shù)據(jù)挖掘的過程模型、數(shù)據(jù)預(yù)處理、決策樹分類和聚類的常用算法等。然后介紹了目前鐵路員工培訓(xùn)資源與培訓(xùn)模式的現(xiàn)狀及現(xiàn)有鐵路員工培訓(xùn)系統(tǒng)的作用和意義。并著重分析了系統(tǒng)中存在的問題，在培訓(xùn)資源與培訓(xùn)模式方面提出了改進(jìn)方案。最后利用聚類與分類算法對培訓(xùn)資源與培訓(xùn)模

4、式進(jìn)行優(yōu)化，并對所搜集的現(xiàn)有培訓(xùn)資源與培訓(xùn)模式進(jìn)行了聚類和分類挖掘，分析了已有數(shù)據(jù)的規(guī)律，期望對未知類別的數(shù)據(jù)進(jìn)行預(yù)測。本文所提出的培訓(xùn)資源與培訓(xùn)模式優(yōu)化選擇方案對鐵路員工培訓(xùn)具有一定的指導(dǎo)及幫助作用。 本文主要研究工作如下：1、介紹數(shù)據(jù)挖掘算法中基本分類算法—決策樹分類算法，進(jìn)行了系統(tǒng)的總結(jié)，給出了決策樹算法的處理流程以及決策樹生成過程，對經(jīng)典的決策樹算法進(jìn)行了比較，分析了各自的優(yōu)缺點(diǎn)。 2、針對經(jīng)典決策樹與人的思維及

5、感知認(rèn)識上的不相符，對連續(xù)屬性處理的缺陷，引入模糊決策樹算法，深入研究了模糊決策樹算法的實(shí)現(xiàn)策略，在此基礎(chǔ)上提出了一種新的模糊決策樹算法—模糊基尼系數(shù)法。 3、對聚類算法中的經(jīng)典K均值法進(jìn)行描述，指出該算法的不足之處，提出了一種改進(jìn)的K均值算法，并對二者的性能進(jìn)行了比較，證明了改進(jìn)后的K均值算法優(yōu)于經(jīng)典K均值算法。 4、基于本文所闡述的決策樹算法和聚類算法，設(shè)計(jì)了一個(gè)關(guān)于鐵路員工培訓(xùn)資源與培訓(xùn)模式的優(yōu)化選擇方案，對培訓(xùn)資