数据挖掘算法的加权及其在商业智能中的实现与应用

论文摘要

随着计算机技术的发展,企业已经进入信息化时代并且积累了大量日常数据,由于数据量的日益增长而出现海量数据贫乏知识的现象。数据挖掘的出现解决了这个问题,数据挖掘可以发现数据中隐含的信息,这些隐含的信息可以辅助企业管理者决策。商业智能是数据挖掘在企业中的具体应用,因此本文研究商业智能。商业智能主要由数据仓库、ETL（Extraction Transformation Loading）、OLAP（On-Line Transaction Processing）、数据挖掘组成。由于在实际应用中各因素对结果的影响程度不同,因此首先采用连环替代法确定各因素的重要程度,然后采用层次分析法对各因素赋以权值,在此权值的基础之上实施数据挖掘算法。使用本文提出的加权算法,通过加权可以减少规则数目,着重挖掘用户感兴趣的规则。构建包含正负关联规则的频繁模式树,实现可以挖掘出正负关联规则的加权频繁模式树算法。加权最小二乘法通过对因变量和自变量进行准确建模实现预测功能,本文提出使用由连环替代法和层次分析法确定加权最小二乘法的权值,实验证明此种确定权值的方法具有很好的拟合度。为了克服朴素贝叶斯的缺陷,本文对加权混合贝叶斯算法进行改进,使用本文的算法进行加权。加权混合贝叶斯算法把属性分为相互独立的属性子集,在属相子集之间使用加权朴素贝叶斯算法,属性集内部使用加权TAN算法。混合贝叶斯分类模型,即克服朴素贝叶斯的缺点又具有良好的准确度。本文针对以上算法进行实验,验证算法的准确性和有效性。实验证明,以上加权算法不仅可以良好的体现权值的影响,还可以有效的进行数据挖掘工作。企业使用ERP软件进行日常工作的管理,ERP系统的数据库中包含大量数据为商业智能提供数据源,本文提出商业智能和ERP集成的体系架构。本文结合现有的ERP软件,对ERP软件进行二次开发,在ERP软件之上构建商业智能。本文通过以下步骤实现商业智能整个流程,采用数据平滑处理、数据标准变化和极差归一化进行数据预处理、实现数据挖掘算法、在ERP软件上实现商业智能模块。本文分别实施上述三个数据挖掘算法,验证商业智能模块可以有效的运行并挖掘出正确结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究内容
• 1.3 国内外研究现状
• 1.3.1 商业智能现状
• 1.3.2 数据挖掘的研究现状
• 1.3.2.1 关联规则
• 1.3.2.2 时间序列
• 1.3.2.3 贝叶斯
• 1.4 本文工作和组织结构
• 第二章 商业智能和ERP 集成架构设计
• 2.1 商业智能与ERP 集成架构必要性
• 2.2 商业智能和ERP 集成架构总体设计
• 2.3 针对企业信息的数据挖掘算法
• 2.3.1 企业效益指标
• 2.3.2 数据挖掘算法的加权
• 2.4 小结
• 第三章 针对企业经济指标的数据挖掘算法设计
• 3.1 采用层次分析法进行加权
• 3.2 基于频繁模式树的加权正负关联规则
• 3.2.1 正负关联规则的加权
• 3.2.2 基于频繁模式树的加权正负关联规则挖掘算法设计
• 3.2.3 实验及结果分析
• 3.3 加权最小二乘估计
• 3.3.1 加权最二乘法
• 3.3.2 回归预测的显著性校验
• 3.3.3 实验及结果分析
• 3.4 加权混合贝叶斯分类
• 3.4.1 朴素贝叶斯的加权
• 3.4.2 TAN 算法的加权
• 3.4.3 加权混合贝叶斯分类器
• 3.4.4 实验及结果分析
• 3.5 小结
• 第四章 数据挖掘算法的实现与应用
• 4.1 商业智能集成架构的详细设计
• 4.1.1 数据源
• 4.1.2 数据处理
• 4.1.3 结果显示与分析
• 4.2 商业智能集成架构的实现
• 4.2.1 集成架构的软件平台
• 4.2.2 商业智能模块的开发
• 4.3 基于频繁模式树的加权正负关联规则的实现
• 4.4 加权最小二乘估计的实现
• 4.5 加权混合贝叶斯分类的实现
• 4.6 小结
• 第五章 总结和展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 攻硕期间取得的研究成果