論文開題報告-數(shù)據(jù)挖掘技術(shù)的應(yīng)用

PAGEPAGE0在職攻讀碩士學(xué)位研究生開題報告學(xué)號：研究生類別：□高校教師□工程碩士□同等學(xué)歷研究生：班劍鋒導(dǎo)師：王燕研究方向：智能信息處理論文題目：數(shù)據(jù)挖掘技術(shù)在鋁電解質(zhì)量管理中的應(yīng)用專業(yè)(學(xué)科)：計算機技術(shù)學(xué)院：計算機與通信學(xué)院入學(xué)時間：2007年4月開題時間：年月日年月日填報說明一、開題報告中的一至七項必須采用計算機輸入和打印，開題報告格式可在研究生部網(wǎng)址http://www./yanjiusheng/download/download.htm下載。二、開題報告為A4大小，于左側(cè)裝訂成冊。各欄空格不夠時，請自行加頁。三、開題答辯成績（即每個學(xué)生開題報告評審表的平均成績）由學(xué)院研究生專干填寫，學(xué)院負(fù)責(zé)人簽署是否同意開題的意見。五、開題報告通過后，分別由研究生、導(dǎo)師、學(xué)院和研究生部各存檔一份。PAGEPAGE1

學(xué)位論文題目數(shù)據(jù)挖掘技術(shù)在鋁電解質(zhì)量管理中的應(yīng)用課題來源根據(jù)工作實踐自擬一、課題意義及國內(nèi)外研究現(xiàn)狀綜述1、課題意義近十幾年來,人們利用信息技術(shù)生產(chǎn)和搜集數(shù)據(jù)的能力大幅度提高,千萬萬個數(shù)據(jù)庫被用于商業(yè)管理、政府辦公、科學(xué)研究和工程開發(fā)等等,這一勢頭仍將持續(xù)發(fā)展下去。于是,一個新的挑戰(zhàn)被提了出來:在這被稱之為信息爆炸的時代,信息過量幾乎成為人人需要面對的問題。如何才能不被信息的汪洋大海所淹沒,從中及時發(fā)現(xiàn)有用的知識,提高信息利用率呢?要想使數(shù)據(jù)真正成為一個公司的資源,只有充分利用它為公司自身的業(yè)務(wù)決策和戰(zhàn)略發(fā)展服務(wù)才行,否則大量的數(shù)據(jù)可能成為包袱,甚至成為垃圾。因此,面對"人們被數(shù)據(jù)淹沒,人們卻饑餓于知識"的挑戰(zhàn),數(shù)據(jù)挖掘和知識發(fā)現(xiàn)(DMKD)技術(shù)應(yīng)運而生,并得以蓬勃發(fā)展,越來越顯示出其強大的生命力。

數(shù)據(jù)挖掘(DataMining)就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。還有很多和這一術(shù)語相近似的術(shù)語,如從數(shù)據(jù)庫中發(fā)現(xiàn)知識(KDD)、數(shù)據(jù)分析、數(shù)據(jù)融合(DataFusion)以及決策支持等。人們把原始數(shù)據(jù)看作是形成知識的源泉,就像從礦石中采礦一樣。原始數(shù)據(jù)可以是結(jié)構(gòu)化的,如關(guān)系數(shù)據(jù)庫中的數(shù)據(jù),也可以是半結(jié)構(gòu)化的,如文本、圖形、圖像數(shù)據(jù),甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型數(shù)據(jù)。發(fā)現(xiàn)知識的方法可以是數(shù)學(xué)的,也可以是非數(shù)學(xué)的;可以是演繹的,也可以是歸納的。發(fā)現(xiàn)了的知識可以被用于信息管理、查詢優(yōu)化、決策支持、過程控制等,還可以用于數(shù)據(jù)自身的維護。因此,數(shù)據(jù)挖掘是一門很廣義的交叉學(xué)科,它匯聚了不同領(lǐng)域的研究者,尤其是數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、可視化、并行計算等方面的學(xué)者和工程技術(shù)人員。

質(zhì)量管理是企業(yè)管理的一個重要組成部分，傳統(tǒng)的以紙介質(zhì)為媒介的手工質(zhì)量管理方式和方法面臨著前所未有的挑戰(zhàn)。由于鋁電解冶煉行業(yè)的特點，在生產(chǎn)過程中會產(chǎn)生大量與質(zhì)量有關(guān)的數(shù)據(jù)，如何管理好這些數(shù)據(jù)成為眾多鋁電解企業(yè)所必須面對的問題。目前，國內(nèi)鋁電解企業(yè)所建立的質(zhì)量管理信息系統(tǒng)水平參差不齊，一部分企業(yè)只建立了基于單機系統(tǒng)的簡單質(zhì)量數(shù)據(jù)管理系統(tǒng)，系統(tǒng)沒有覆蓋質(zhì)量管理的全部流程，大部分業(yè)務(wù)還是以紙介質(zhì)傳遞為主；一部分企業(yè)建立了基于網(wǎng)絡(luò)的質(zhì)量管理信息系統(tǒng)，數(shù)據(jù)實現(xiàn)了網(wǎng)上傳遞，但對質(zhì)量數(shù)據(jù)的應(yīng)用，僅限于打印和簡單的查詢，并沒有應(yīng)用科學(xué)的分析方法對數(shù)據(jù)進行進一步的深度分析。采用C/S與B/S技術(shù)相結(jié)合，運用數(shù)據(jù)挖掘技術(shù)的質(zhì)量管理信息系統(tǒng)既可以解決質(zhì)量數(shù)據(jù)網(wǎng)上傳遞問題又可以對質(zhì)量數(shù)據(jù)進行有效的科學(xué)分析，對鋁電解企業(yè)具有非常重要的意義。2、國內(nèi)外研究現(xiàn)狀綜述KDD一詞首次出現(xiàn)在1989年8月舉行的第11屆國際聯(lián)合人工智能學(xué)術(shù)會議上。迄今為止,由美國人工智能協(xié)會主辦的KDD國際研討會已經(jīng)召開了7次,規(guī)模由原來的專題討論會發(fā)展到國際學(xué)術(shù)大會,人數(shù)由二三十人到七八百人,研究重點也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用,并且注重多種發(fā)現(xiàn)策略和技術(shù)的集成,以及多種學(xué)科之間的相互滲透。此外,數(shù)據(jù)庫、人工智能、信息處理、知識工程等領(lǐng)域的國際學(xué)術(shù)刊物也紛紛開辟了KDD專題或?qū)？?。IEEE的KnowledgeandDataEngineering會刊領(lǐng)先在1993年出版了KDD技術(shù)?？?所發(fā)表的5篇論文代表了當(dāng)時KDD研究的最新成果和動態(tài),較全面地論述了KDD系統(tǒng)方法論、發(fā)現(xiàn)結(jié)果的評價、KDD系統(tǒng)設(shè)計的邏輯方法,集中討論了鑒于數(shù)據(jù)庫的動態(tài)性冗余、高噪聲和不確定性、空值等問題,KDD系統(tǒng)與其它傳統(tǒng)的機器學(xué)習(xí)、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、數(shù)理統(tǒng)計分析系統(tǒng)的聯(lián)系和區(qū)別,以及相應(yīng)的基本對策。目前，數(shù)據(jù)挖掘技術(shù)在鋁電解質(zhì)量管理方面的應(yīng)用研究，主要集中在對系統(tǒng)產(chǎn)生的日報數(shù)據(jù)進行分析，利用決策樹技術(shù)對報表數(shù)據(jù)進行處理,發(fā)現(xiàn)陽升時間、氧化鋁加料量、陽降時間影響陽極效應(yīng)的發(fā)生,可以根據(jù)給出的決策樹模型找到減少效應(yīng)發(fā)生概率的有效途徑。工作電壓、效應(yīng)持續(xù)時間和效應(yīng)電壓會影響電解槽的平均電壓,可以用數(shù)據(jù)挖掘方法來處理鋁電解中大量的報表數(shù)據(jù),從這些大量數(shù)據(jù)中獲取降低能耗和成本的方法,并根據(jù)效應(yīng)持續(xù)時間對平均電壓進行預(yù)測。但是，鋁電解生產(chǎn)是一個復(fù)雜的過程，影響最終成品質(zhì)量的因素不僅包括電解槽生產(chǎn)過程的條件，還包括原輔材料質(zhì)量、原鋁質(zhì)量、成品質(zhì)量、炭塊質(zhì)量、鑄造配比等多方面因素。因此，建立一個覆蓋鋁電解生產(chǎn)全過程的質(zhì)量數(shù)據(jù)挖掘系統(tǒng)，利用分類、聚類、關(guān)聯(lián)規(guī)則等方法發(fā)現(xiàn)各種數(shù)據(jù)之間的內(nèi)在聯(lián)系，從而總結(jié)出指導(dǎo)鋁電解實際生產(chǎn)的最佳實踐。隨著DMKD研究逐步走向深入,人們越來越清楚地認(rèn)識到,DMKD的研究主要有3個技術(shù)支柱,即數(shù)據(jù)庫、人工智能和數(shù)理統(tǒng)計。數(shù)據(jù)庫技術(shù)在經(jīng)過了80年代的輝煌之后,已經(jīng)在各行各業(yè)成為一種數(shù)據(jù)庫文化或時尚,數(shù)據(jù)庫界目前除了關(guān)注萬維網(wǎng)數(shù)據(jù)庫、分布式數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、多媒體數(shù)據(jù)庫、查詢優(yōu)化和并行計算等技術(shù)外,已經(jīng)在開始反思。數(shù)據(jù)庫最實質(zhì)的應(yīng)用僅僅是查詢嗎?理論根基最深的關(guān)系數(shù)據(jù)庫最本質(zhì)的技術(shù)進步點,就是數(shù)據(jù)存放和數(shù)據(jù)使用之間的相互分離。查詢是數(shù)據(jù)庫的奴隸,發(fā)現(xiàn)才是數(shù)據(jù)庫的主人;數(shù)據(jù)只為職員服務(wù),不為老板服務(wù)!這是很多單位的領(lǐng)導(dǎo)在熱心數(shù)據(jù)庫建設(shè)后發(fā)出的感嘆。由于數(shù)據(jù)庫文化的迅速普及,用數(shù)據(jù)庫作為知識源具有堅實的基礎(chǔ);另一方面,對于一個感興趣的特定領(lǐng)域——客觀世界,先用數(shù)據(jù)庫技術(shù)將其形式化并組織起來,就會大大提高知識獲取起點,以后從中發(fā)掘或發(fā)現(xiàn)的所有知識都是針對該數(shù)據(jù)庫而言的。因此,在需求的驅(qū)動下,很多數(shù)據(jù)庫學(xué)者轉(zhuǎn)向?qū)?shù)據(jù)倉庫和數(shù)據(jù)挖掘的研究,從對演繹數(shù)據(jù)庫的研究轉(zhuǎn)向?qū)w納數(shù)據(jù)庫的研究。

專家系統(tǒng)曾經(jīng)是人工智能研究工作者的驕傲。專家系統(tǒng)實質(zhì)上是一個問題求解系統(tǒng),目前的主要理論工具是基于謂詞演算的機器定理證明技術(shù)——二階演繹系統(tǒng)。領(lǐng)域?qū)＜议L期以來面向一個特定領(lǐng)域的經(jīng)驗世界,通過人腦的思維活動積累了大量有用信息。在研制一個專家系統(tǒng)時,知識工程師首先要從領(lǐng)域?qū)＜夷抢铽@取知識,這一過程實質(zhì)上是歸納過程,是非常復(fù)雜的個人到個人之間的交互過程,有很強的個性和隨機性。因此,知識獲取成為專家系統(tǒng)研究中公認(rèn)的瓶頸問題。

其次,知識工程師在整理表達從領(lǐng)域?qū)＜夷抢铽@得的知識時,用if-then等類的規(guī)則表達,約束性太大,用常規(guī)數(shù)理邏輯來表達社會現(xiàn)象和人的思維活動局限性太大,也太困難,勉強抽象出來的規(guī)則有很強的工藝色彩,差異性極大,知識表示又成為一大難題。

此外,即使某個領(lǐng)域的知識通過一定手段獲取并表達了,但這樣做成的專家系統(tǒng)對常識和百科知識出奇地貧乏,而人類專家的知識是以擁有大量常識為基礎(chǔ)的。人工智能學(xué)家Feigenbaum估計,一般人擁有的常識存入計算機大約有100萬條事實和抽象經(jīng)驗法則,離開常識的專家系統(tǒng)有時會比傻子還傻。例如戰(zhàn)場指揮員會根據(jù)"在某地發(fā)現(xiàn)一只剛死的波斯貓"的情報很快斷定敵高級指揮所的位置,而再好的軍事專家系統(tǒng)也難以顧全到如此的信息。

以上這3大難題大大限制了專家系統(tǒng)的應(yīng)用,使得專家系統(tǒng)目前還停留在構(gòu)造諸如發(fā)動機故障論斷一類的水平上。人工智能學(xué)者開始著手基于案例的推理,尤其是從事機器學(xué)習(xí)的科學(xué)家們,不再滿足自己構(gòu)造的小樣本學(xué)習(xí)模式的象牙塔,開始正視現(xiàn)實生活中大量的、不完全的、有噪聲的、模糊的、隨機的大數(shù)據(jù)樣本,也走上了數(shù)據(jù)挖掘的道路。

數(shù)理統(tǒng)計是應(yīng)用數(shù)學(xué)中最重要、最活躍的學(xué)科之一,它在計算機發(fā)明之前就誕生了,迄今已有幾百年的發(fā)展歷史。如今相當(dāng)強大有效的數(shù)理統(tǒng)計方法和工具,已成為信息咨詢業(yè)的基礎(chǔ)。信息時代,咨詢業(yè)更為發(fā)達。然而,數(shù)理統(tǒng)計和數(shù)據(jù)庫技術(shù)結(jié)合得并不算快,數(shù)據(jù)庫查詢語言SQL中的聚合函數(shù)功能極其簡單,就是一個證明。咨詢業(yè)用數(shù)據(jù)庫查詢數(shù)據(jù)還遠(yuǎn)遠(yuǎn)不夠。一旦人們有了從數(shù)據(jù)查詢到知識發(fā)現(xiàn)、從數(shù)據(jù)演繹到數(shù)據(jù)歸納的要求,概率論和數(shù)理統(tǒng)計就獲得了新的生命力,所以才會在DMKD這個結(jié)合點上,立即呈現(xiàn)出"忽如一夜春風(fēng)來,千樹萬樹梨花開"的繁榮景象。一向以數(shù)理統(tǒng)計工具和可視化計算聞名的美國SAS公司,領(lǐng)先宣布進入DMKD行列。

數(shù)據(jù)挖掘所能發(fā)現(xiàn)的知識有如下幾種:廣義型知識,反映同類事物共同性質(zhì)的知識;特征型知識,反映事物各方面的特征知識;差異型知識,反映不同事物之間屬性差別的知識;關(guān)聯(lián)型知識,反映事物之間依賴或關(guān)聯(lián)的知識;預(yù)測型知識,根據(jù)歷史的和當(dāng)前的數(shù)據(jù)推測未來數(shù)據(jù);偏離型知識,揭示事物偏離常規(guī)的異?，F(xiàn)象。所有這些知識都可以在不同的概念層次上被發(fā)現(xiàn),隨著概念樹的提升,從微觀到中觀再到宏觀,以滿足不同用戶、不同層次決策的需要。當(dāng)前,DMKD研究正方興未艾,預(yù)計在21世紀(jì)還會形成更大的高潮,研究焦點可能會集中到以下幾個方面:研究專門用于知識發(fā)現(xiàn)的數(shù)據(jù)挖掘語言,也許會像SQL語言一樣走向形式化和標(biāo)準(zhǔn)化;尋求數(shù)據(jù)挖掘過程中的可視化方法,使得知識發(fā)現(xiàn)的過程能夠被用戶理解,也便于在知識發(fā)現(xiàn)過程中的人機交互;研究在網(wǎng)絡(luò)環(huán)境下的數(shù)據(jù)挖掘技術(shù),特別是在Internet上建立DMKD服務(wù)器,與數(shù)據(jù)庫服務(wù)器配合,實現(xiàn)數(shù)據(jù)挖掘;加強對各種非結(jié)構(gòu)化數(shù)據(jù)的挖掘,如文本數(shù)據(jù)、圖形圖像數(shù)據(jù)、多媒體數(shù)據(jù)。但是,無論怎樣,需求牽引,市場驅(qū)動是永恒的,DMKD將首先滿足信息時代用戶的急需,大量基于DMKD的決策支持軟件工具產(chǎn)品將會問世。二、課題研究目標(biāo)、研究內(nèi)容和擬解決的關(guān)鍵性問題1研究目標(biāo)和內(nèi)容研究目標(biāo):設(shè)計一套覆蓋鋁電解生產(chǎn)全過程的質(zhì)量數(shù)據(jù)信息系統(tǒng)，建立質(zhì)量數(shù)據(jù)庫。利用數(shù)據(jù)挖掘技術(shù)對鋁電解生產(chǎn)過程中產(chǎn)生的海量質(zhì)量數(shù)據(jù)進行特征化、關(guān)聯(lián)、分類、聚類分析以及演變和偏差分析，發(fā)現(xiàn)生產(chǎn)管理中存在的不足，讓數(shù)據(jù)來指導(dǎo)電解生產(chǎn)，從數(shù)據(jù)中發(fā)現(xiàn)決策知識。研究內(nèi)容：傳統(tǒng)的鋁電解質(zhì)量及過程控制系統(tǒng)存在著網(wǎng)絡(luò)處理能力較差,信息孤島現(xiàn)象嚴(yán)重,數(shù)據(jù)分析能力欠缺等問題，將數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)引入到鋁電解質(zhì)量系統(tǒng)中,并結(jié)合計算機網(wǎng)絡(luò)技術(shù),進行了深入的理論和實驗研究,主要內(nèi)容如下:異構(gòu)數(shù)據(jù)庫數(shù)據(jù)集成，目前數(shù)據(jù)集成典型的方法主要有模式集成方法和數(shù)據(jù)復(fù)制方法。其中模式集成是指在構(gòu)建集成系統(tǒng)時將各數(shù)據(jù)源的數(shù)據(jù)視圖集成為全局模式，使用戶能夠按照全局模式透明地訪問各種數(shù)據(jù)源的數(shù)據(jù)；數(shù)據(jù)復(fù)制是指將各個數(shù)據(jù)源的數(shù)據(jù)復(fù)制到與其相關(guān)的其他數(shù)據(jù)源上，并維護數(shù)據(jù)源整體上的一致性，提高信息共享利用的效率。將數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù)引入到鋁電解控制系統(tǒng)的過程中,結(jié)合鋁電解的經(jīng)驗和知識,充分利用控制系統(tǒng)產(chǎn)生的各種數(shù)據(jù),設(shè)計并開發(fā)鋁電解數(shù)據(jù)挖掘系統(tǒng);研究聚類分析模型,對氧化鋁、炭塊、氟化鹽等原輔材料質(zhì)量數(shù)據(jù)，電解槽生產(chǎn)過程的工作電壓、效應(yīng)持續(xù)時間和效應(yīng)電壓等數(shù)據(jù),以及原鋁質(zhì)量數(shù)據(jù)的分析，實現(xiàn)對單槽和系列槽的槽況分類，從而找出各種因素在鋁電解生產(chǎn)中的內(nèi)在規(guī)則。數(shù)據(jù)挖掘系統(tǒng)的設(shè)計，把多維分析、人工智能、數(shù)據(jù)庫、鋁電解生產(chǎn)工藝等領(lǐng)域的技術(shù)結(jié)合在一起，通過數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)選取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)變換、確定KDD目標(biāo)、選擇算法、數(shù)據(jù)挖掘、模式解釋、知識評價的步驟從大量數(shù)據(jù)中提取有效的、新穎的、潛在有用的知識。2擬解決的關(guān)鍵性問題質(zhì)量數(shù)據(jù)業(yè)務(wù)流程的改進。鋁電解數(shù)據(jù)挖掘系統(tǒng)模型研究。三、擬采取的研究方法、技術(shù)路線、試驗方案及其可行性分析在鋁電解生產(chǎn)過程中計算機控制技術(shù)已經(jīng)普及，例如生產(chǎn)過程控制的自動化、向電解槽中添加氧化鋁的自動化等。當(dāng)前，電解槽系列的電流強度、槽電壓及其隨時間的變化是控制電解過程的主要參數(shù)。因此，實時監(jiān)視并記錄這些數(shù)據(jù)的變化是提高控制精度、準(zhǔn)確性的基礎(chǔ)。生產(chǎn)過程中實時監(jiān)測并記錄的海量數(shù)據(jù)包含豐富的生產(chǎn)實際過程中各種因素之間相互影響、相互作用的寶貴信息，對于加強對生產(chǎn)過程的認(rèn)識、提高控制和管理水平無疑具有重要意義。數(shù)據(jù)挖掘技術(shù)的誕生和發(fā)展使從實時控制監(jiān)視中積累的海量數(shù)據(jù)中提取信息和知識成為可能。通過計算機的高速運算使用智能方法從大量數(shù)據(jù)中提取數(shù)據(jù)模式，挖掘出知識，集神經(jīng)網(wǎng)絡(luò)、模糊計算、粗糙集理論、知識表示、歸納邏輯和高性能計算機等技術(shù)的綜合運用，并成功地應(yīng)用于商業(yè)領(lǐng)域。利用SQLServer2000提供的挖掘模型和AnalysysServices提供的挖掘模型和Excel2003中的回歸方法，對鋁電解生產(chǎn)過程中自動產(chǎn)生的大量質(zhì)量日報表數(shù)據(jù)進行分析，探索這些數(shù)據(jù)之間可能存在的規(guī)律性。四、課題的創(chuàng)新性改進鋁電解質(zhì)量管理系統(tǒng)相關(guān)反饋技術(shù)，增進人機交互性。建立一種新的鋁電解質(zhì)量數(shù)據(jù)挖掘模型，提高系統(tǒng)的整體效率。五、計劃進度、預(yù)期進展和預(yù)期成果1．查閱文獻、收集資料查閱相關(guān)的文獻資料（包括英文），對數(shù)據(jù)挖掘和鋁電解技術(shù)的最新發(fā)展有全面的了解。2．調(diào)查研究深入學(xué)習(xí)國內(nèi)外數(shù)據(jù)挖掘相關(guān)理論，通過學(xué)習(xí)，了解該領(lǐng)域中還需要解決的問題。3．選題報告簡明扼要的介紹課題內(nèi)容，說明課題的意義及研究的可行性。4．實驗和上機前的準(zhǔn)備工作實驗和上機前的準(zhǔn)備工作，搜集有關(guān)數(shù)據(jù)挖掘和相關(guān)反饋的資料，了解分類、聚類等各種方法及表示的各種算法的優(yōu)缺點，借鑒其他領(lǐng)域中相關(guān)知識的應(yīng)用。5．實驗工作通過實驗分析理論及相關(guān)算法的正確性，與現(xiàn)算法相比的優(yōu)越性與不足之處。6．上機計算或者理論計算通過嚴(yán)密的理論證明理論與相關(guān)算法的可靠性與完備性。7．撰寫畢業(yè)論文檢驗實際工作的正確性和完整性，寫工作總結(jié)以及總結(jié)課題研究過程，詳細(xì)說明課題研究成果。8．學(xué)位論文答辯邀請相關(guān)領(lǐng)域的專家學(xué)者對研究成果進行評定與審查。六、與本課題有關(guān)的工作積累、已有的研究工作成績在導(dǎo)師的指導(dǎo)下，搜集和閱讀了大量的與數(shù)據(jù)挖掘相關(guān)的中英文文獻，對本領(lǐng)域的研究意義、研究現(xiàn)狀以及存在的問題有了較深入的了解。而且通過對人工智能、模式識別等課程的學(xué)習(xí)，更是儲備了一定的理論基礎(chǔ)。此外，本人2001年參加工作以來，一直在中鋁連分公司從事計算機相關(guān)工作，熟悉鋁電解生產(chǎn)流程，通過多年工作學(xué)習(xí)掌握了多種計算機語言、Oralce數(shù)據(jù)庫、網(wǎng)絡(luò)構(gòu)建等計算機相關(guān)技術(shù)，為接下來的研究工作打下良好的基礎(chǔ)。七、研究經(jīng)費預(yù)算計劃和經(jīng)費落實情況自費形式，已經(jīng)落實。八、參考文獻[1]韓家煒,數(shù)據(jù)挖掘：概念與技術(shù)DataMining:ConceptsandTechniques,2ndedition,[M]MorganKaufmann,2006.

[2]毛國君,數(shù)據(jù)挖掘原理與算法[M].清華大學(xué)出版社

[3]胡亮,李強,康健,網(wǎng)絡(luò)程序設(shè)計[M].吉林大學(xué)出版社.

[4]Pang-Ning，TanMichaelSteinbach，VipinKumar，IntroductiontoDataMining[M].人民郵電出版社

[5]Bchner,A.G.,Mulvenna,M.D.,Anand,S.S.&Hughes,J.G.AnInterne–enabledKnowledgeDiscoveryProcess[A].Proc.9thInt'l.DatabaseConf.[C],forthcoming,1999,(a).

[6]Fu,Y.,Sandhu,K.,Shih,M.-Y.ClusteringofWebusersbasedonaccesspatterns[A].Proceedingsofthe1999KDDWorkshoponWebMining[C],San

Diego,CA.Springer-Verlag,1999.

[7]Bchner,A.G.,Mulvenna,M.D.DiscoveringInternetMarketingIntelligencethroughOnlineAnaly