數(shù)據(jù)倉庫、數(shù)據(jù)挖掘方法與技術(shù)研究及在DSS中的應(yīng)用.pdf

1、目前,在石化行業(yè),部分廠家已經(jīng)實(shí)施了傳統(tǒng)的決策支持系統(tǒng),隨著數(shù)據(jù)倉庫、OLAP、數(shù)據(jù)挖掘技術(shù)的涌現(xiàn),這種典型的流程型企業(yè)對(duì)決策支持提出了更高的要求.該文首先介紹了數(shù)據(jù)倉庫、數(shù)據(jù)挖掘及決策支持系統(tǒng)的一些理論及知識(shí),接著詳細(xì)介紹了石油天然氣公司基于數(shù)據(jù)倉庫、OLAP及數(shù)據(jù)挖掘的新決策支持系統(tǒng)應(yīng)用實(shí)例.分析了該公司引入新決策支持系統(tǒng)的必要性,介紹了新決策支持系統(tǒng)的總體架構(gòu),論述了其數(shù)據(jù)倉庫的具體設(shè)計(jì)、OLAP的具體應(yīng)用、數(shù)據(jù)挖掘模塊的設(shè)計(jì).在

2、數(shù)據(jù)挖掘模塊的設(shè)計(jì)中采用了關(guān)聯(lián)規(guī)則探索出故障參數(shù)之間的影響規(guī)律;使用聚類分析算法建立了參數(shù)的聚類模型,為生產(chǎn)設(shè)備是正常還是非正常、是常規(guī)還是非常規(guī)運(yùn)行提供了理論依據(jù).然后在這個(gè)基礎(chǔ)上面,進(jìn)行數(shù)據(jù)挖掘相關(guān)領(lǐng)域的研究,主要探討支持向量機(jī)應(yīng)用于數(shù)據(jù)挖掘方面的研究.支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展出來的一種新的機(jī)器學(xué)習(xí)方法.它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則上的,盡量提高學(xué)習(xí)機(jī)的泛化能力,具有良好的推廣性能和較好的分類精確性,能有效的解決過學(xué)習(xí)問題

3、,現(xiàn)已成為訓(xùn)練多層感知器、RBF神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式神經(jīng)元網(wǎng)絡(luò)的替代性方法.另外,支持向量機(jī)算法是一個(gè)凸優(yōu)化問題,局部最優(yōu)解一定是全局最優(yōu)解,這些特點(diǎn)都是包括神經(jīng)元網(wǎng)絡(luò)在內(nèi)的其它機(jī)器學(xué)習(xí)算法所不能及的.因此把支持向量機(jī)引入數(shù)據(jù)挖掘領(lǐng)域很有意義.針對(duì)支持向量機(jī),該文首先介紹了統(tǒng)計(jì)學(xué)習(xí)理論和在此基礎(chǔ)上發(fā)展起來的支持向量機(jī)方面的知識(shí),介紹了支持向量機(jī)分類、回歸方面的算法,并論述了支持向量機(jī)處理多類分類方面的知識(shí),總結(jié)了當(dāng)前幾種適合處理大數(shù)據(jù)量的改

4、進(jìn)支持向量機(jī)算法.在這個(gè)基礎(chǔ)上,該文介紹了目前能夠處理大數(shù)據(jù)集的一種比較先進(jìn)的支持向量機(jī)算法—LSVM,分析了LSVM的特點(diǎn),結(jié)合主成分分析方法,提出了對(duì)LSVM的一種改進(jìn)算PLSVM,并且給出相關(guān)的實(shí)驗(yàn)結(jié)果.接著,該文論述了支持向量機(jī)算法的三個(gè)應(yīng)用實(shí)例:支持向量機(jī)在供應(yīng)鏈伙伴企業(yè)選擇中的應(yīng)用、支持向量機(jī)在上海石油天然氣公司副產(chǎn)品產(chǎn)量預(yù)測中的應(yīng)用、支持向量機(jī)在數(shù)控磨床故障診斷中的應(yīng)用,其中,前兩者應(yīng)用了支持向量機(jī)的回歸算法,第三個(gè)實(shí)例應(yīng)