基于乳腺X线图像的数据挖掘研究(2007年)

现有的关联规则挖掘算法专注于频繁集搜索，在设定支持度和置信度时存在较大偶然性，不利于精确控制；同时未能全面反映数据整体的相关性。为了克服这些问题，引入了非线性相关的概念，用于各种类型规则的挖掘，无需人工设定参数，显著提升了规则发现的效果。

综述了近年来关于基于数据挖掘的会计舞弊识别方面的文献，对比分析了不同数据挖掘技术和算法的分类器评价方法及其效果。研究结果为投资者、监管部门和审计师在舞弊识别中选择合适的数据和挖掘技术提供了参考。当前研究主要集中在反映舞弊三角综合数据的应用，表明比率数据在舞弊识别中的有效性优于账户数据。常见的算法包括统计检验、回归分析、神经网络、决策树、贝叶斯网络和堆栈变量法等。回归分析作为一种普遍应用的方法，而神经网络则在识别准确性方面表现突出。

利用数据挖掘技术，结合人体运动捕捉数据，探讨了基于能量模型的新算法。与传统几何位置相比，人体能量模型能够有效降低动作数据的复杂度，并准确反映原始动作特征。研究还通过相关系数分析不同关节之间的协同性，提取出低维度的动作索引。实验结果表明，该索引有效捕捉了动作的关键特征。结合支持向量机，该方法能够有效分类输入动作，为动作识别领域带来新的可能性。

随着技术的迅速进步，网络数据量急剧膨胀，如何高效地从海量信息中提取有价值数据成为挑战。传统搜索引擎虽提供基础检索服务，但难以满足个性化需求。因此，将数据挖掘技术引入社会网络分析是当前重要研究方向。社会网络分析通过研究个体间互动模式，已扩展到分析网络链接结构及其潜在含义。在网络数据挖掘中，应用社会网络分析能有效理解信息流动模式、识别关键网页，提升信息检索质量和效率。

探讨了系统云灰色预测模型的构建原理，并详细论证了其积分生成机制。进一步深入研究了解析预测公式的应用，特别结合数据库中“贫”信息和小样本序列数据的特征。通过实例分析，比较了解析预测与离散预测的效果，凸显了其简便、详尽和直观的优势。

提出了一种基于规则和学习相结合的元数据分类存储方法。该方法通过统计分析，提取通用特征规则对元数据分类影响较大。对于无法用规则分类的元数据，采用文本学习方法，将元数据记录视为由多个属性字段组成的文本，并通过构造分类器实现精确分类。实验结果表明，采用该方法存储元数据具有良好的检索性能。

在图像数据挖掘中，高维图像特征数据通常会增加数据处理的复杂性。为了解决这一问题，提出了一种基于概念格的图像特征降维算法。该算法通过将图像的HSV颜色特征转换为图像形式背景，并对背景的概念格进行属性约简，以有效降低数据维度。实验结果表明，这种降维方法不仅有效，而且比传统的主成分分析方法具有显著优势。

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。

模糊数据挖掘里头的 Fuzzy SVM 算法，真挺有意思的。它不是那种一板一眼的传统模型，而是考虑到了现实场景中常见的“不确定性”，像用户满意度那种模棱两可的，它都能应对得还不错。 Fuzzy 支持向量机的思路，是给每个训练样本加个“模糊度”，你可以简单理解为：这个点到底有多靠谱。靠谱就让它影响决策边界多点，不靠谱就轻点带过。嗯，逻辑上挺顺的，复杂数据的时候，效果还蛮稳定的。 你要是熟过普通的支持向量机（SVM），会发现这玩意儿就是在经典 SVM 的基础上做了个小升级。原本 SVM 就挺能打，尤其对小样本分类问题。现在加上模糊信息的适配，适用场景直接拓宽一大截。 算法构建上，核心是个模糊机会约