项目名称: 基于相关性的大数据分类理论与方法研究

项目编号: No.71471060

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 管理科学

项目作者: 陈德刚

作者单位: 华北电力大学

项目金额: 62万元

中文摘要: 在大数据决策问题的背景之下,本项目以融合大数据决策问题的基本特点为出发点,以大数据中存在相关性为基本假设前提,以基于全部数据挖掘大数据中隐含的相关关系为基本目标,通过引入相关测度、相关算子、相关决策系统和相关学习等基本概念建立大数据分类的基本数学模型,在此基础之上提出相关学习一致性的概念和利用相关算子进行预测的新模式,建立求解最优相关算子的优化模型并针对不同类型的数据设计各自的求解算法,针对大数据的容量特点开发各种大数据分类的算法并进行实验验证,研究这些算法的并行式和增量式的实现方式,并利用实验分析与比较来验证所提出的理论与方法的有效性.本项目的完成将会建立基于相关性的大数据分类基本理论框架并实现对大数据决策问题更有效的分析.

中文关键词: 数据挖掘;知识发现;大数据;信息系统

英文摘要: This proposal focuses on big data decision problems by considering fusion of basiccharacters of big data decision problems by big data as starting point.With assumption of existence of correlativity among big data, this proposal aims to reveal correlation hiding in big data in terms of the population of the whole data set.The fundamental mathematical model of big data classification is set up by developing some notions such as correlative measure, correlative operator,correlative decision system and correlative learning. Based on this model, notion of consistance of correlative learning and a new forecasting model with correlative operator are proposed, while an optimization model to capture the optimal correlative operator is set up and different methods are developed for different type of data. Furthermore, several algorithms for big data classification are put forward to address the huge volume of big data and tested with some experiments. The effectiveness of the theory and methods in this proposal will be demostrated by performing experiments. Results in this paper will contribute to setting up fundamental framework for big data classification in terms of correlativity and effective analysis of big data decision.

英文关键词: data mining;knowledge discovery;big data;information systems

成为VIP会员查看完整内容
0

相关内容

数据挖掘(Data mining)一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【经典书】全局优化算法:理论与应用,820页pdf
专知会员服务
150+阅读 · 2021年11月10日
专知会员服务
64+阅读 · 2021年7月25日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
68+阅读 · 2021年4月27日
专知会员服务
47+阅读 · 2020年10月20日
专知会员服务
86+阅读 · 2020年8月2日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
61+阅读 · 2020年5月25日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
【ICML2021】因果匹配领域泛化
专知
12+阅读 · 2021年8月12日
【WWW2021】基于知识嵌入的图卷积网络
专知
0+阅读 · 2021年4月27日
【CVPR2021】现实世界域泛化的自适应方法
专知
5+阅读 · 2021年3月31日
标签间相关性在多标签分类问题中的应用
人工智能前沿讲习班
22+阅读 · 2019年6月5日
机器学习之确定最佳聚类数目的10种方法
炼数成金订阅号
13+阅读 · 2017年10月12日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月17日
小贴士
相关VIP内容
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【经典书】全局优化算法:理论与应用,820页pdf
专知会员服务
150+阅读 · 2021年11月10日
专知会员服务
64+阅读 · 2021年7月25日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
68+阅读 · 2021年4月27日
专知会员服务
47+阅读 · 2020年10月20日
专知会员服务
86+阅读 · 2020年8月2日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
61+阅读 · 2020年5月25日
相关资讯
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
【ICML2021】因果匹配领域泛化
专知
12+阅读 · 2021年8月12日
【WWW2021】基于知识嵌入的图卷积网络
专知
0+阅读 · 2021年4月27日
【CVPR2021】现实世界域泛化的自适应方法
专知
5+阅读 · 2021年3月31日
标签间相关性在多标签分类问题中的应用
人工智能前沿讲习班
22+阅读 · 2019年6月5日
机器学习之确定最佳聚类数目的10种方法
炼数成金订阅号
13+阅读 · 2017年10月12日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员