动态数据挖掘的构造性机器学习方法研究

Mining mass data stream plays an important role in many fields. Due to the influence of noise, interference and so on, data mining is more and more difficult. The accuracy and efficiency of data mining are expected to improve. In this project, dynamic data stream mining method based on constructive neural networks and fuzzy tolerance quotient space is put forward to mine mass and complex data stream. The main content are listed as follows: the dynamic mining algorithm framework of mass and complex data stream, fuzzy tolerance quotient space and granularity analysis of mass data, best partition for covering, global optimization algorithm of constructive neural networks, dynamic clustering and classification of data stream base on sliding window model, strategy of dynamic data stream mining and extraction method of procedural rule. Here in taking wide-band radio spectrum data mining for example, we dynamiclly choose training samples, adjust analytic granularity, find rules, and then quickly discover knowledge. The above approaches in this project are integrated to form a structural dynamic transformation method, which is expected to provide solution that can mine mass complex data stream efficiently.

海量数据流的挖掘越来越受到相关部门的重视，由于噪声、干扰等因素的影响，挖掘难度越来越大，知识发现的准确性和时效性有待提高。本项目研究了基于构造型神经网络的数据流动态挖掘方法，实现对海量复杂数据动态挖掘。研究内容包括海量复杂数据动态挖掘算法总体框架，模糊相容商结构以及大数据集粒度划分方法，覆盖的最优划分，构造型神经网络全局优化算法，基于滑动窗口技术的数据流动态聚类和分类技术，数据流动态挖掘策略与过程规律提取方法研究。以宽频段无线电频谱监测数据挖掘为例，采用以上方法，动态选择样本、动态调整粒度和动态发现规则，快速发现异动信号等知识。本项目将以上不同方法有机结合起来解决大规模、复杂数据动态挖掘，为数据流挖掘提供一种结构变换的动态挖掘方法，可望为大规模、复杂数据流的动态挖掘难题提供解决途径。

随着科技的发展，来自不同领域的海量数据以前所未有的速度爆炸式地增长，形成了大数据时代。由于噪声、干扰等因素的影响，数据形式越来越复杂，挖掘难度越来越大，知识发现的准确性和时效性有待提高。为此，申请了“动态数据挖掘的构造性机器学习方法研究”这一项目。.本项目研究了基于构造型神经网络的数据流动态挖掘方法，实现对海量复杂数据动态挖掘。研究内容包括海量复杂数据动态挖掘算法总体框架，模糊相容商结构以及大数据集粒度划分方法，覆盖的最优划分，非完备数据挖掘，基于模糊相容商空间理论的变化粒度数据挖掘策略，构造型神经网络全局优化算法，基于滑动窗口技术的数据流动态聚类技术，动态网络分析中求最大流的商空间求法及动态网络最短程求解，数据流动态挖掘策略与过程规律提取方法研究。以宽频段无线电频谱监测数据挖掘为例，采用以上方法，动态选择样本、动态调整粒度和动态发现规则，快速发现异动信号等知识。.取得了以下成果：(1) 建立大规模复杂数据流动态挖掘的总体算法框架，针对大规模复杂数据流的特点和构造型神经网络不足，梳理挖掘思路，构建满足实际需求的动态挖掘方案；(2) 确定构造型神经网络与模糊相容商空间联系方式，建立数据流最优粒度分析模型和模糊相容关系的最优逼近模型，在更高层次上实现构造性学习方法数据挖掘策略，改善挖掘效果；(3) 建立构造型神经网络全局优化模型，实现全局化分类和聚类，解决因局部化行为造成的增量学习样本拒识问题，拓展使用范围，提高挖掘精度；(4) 实现具有自主知识产权的和较高挖掘效率的大规模、复杂数据流动态挖掘的功能构件，促进构造性机器学习软件规模扩展和效益提升。.本项目将以上不同方法有机结合起来解决大规模、复杂数据的动态挖掘难题，为数据流挖掘提供一种结构变换的动态挖掘方法，可望为大规模、复杂数据流的动态挖掘难题提供解决途径。