一、基于模糊集的数据挖掘研究与应用（论文文献综述）
姜喜民[1]（2021）在《人工智能和数据挖掘在人机工程PHM中的应用》文中研究说明本文以人机工程中的PHM系统为主要研究对象,着重对人工智能和数据挖掘在人机工程PHM中的应用进行研究和分析,旨在促进我国人机工程技术水平的进一步提高。
苗雷[2]（2021）在《Web数据挖掘技术在信息管理中的应用》文中认为为强化数据整合与利用,充分挖掘数据价值,分析了几种基于Web数据库的数据挖掘方法:粗糙集方法、模糊集方法、神经网络法。分析了Web数据挖掘技术在信息管理中的应用,即在搜索引擎、个性化服务、电子商务等方面的应用。该技术提高了检索效率和结果精度,为信息管理提供了更多便利。
刘牧研[3]（2021）在《模糊极小极大网络的改进研究及其应用》文中指出
李中文[4]（2021）在《不均衡数据聚类算法及其在配电网运行状态评估中的应用》文中进行了进一步梳理
姜海富[5]（2021）在《基于足球比赛历史数据的比赛关联分析与预测研究》文中研究指明
邵丽洁[6]（2021）在《可信粒度准则框架下基于粗糙聚类的信息粒化方法研究与应用》文中研究指明
姚萱[7]（2021）在《基于语言决策理论的雾霾污染排放效率评估研究》文中指出随着决策问题的愈加复杂,决策信息逐渐呈现出不确定性、类型和结构多样性等特点。如何准确表征决策信息并将其应用于实际决策问题具有重要的现实意义,为了尽可能地改善信息遗漏缺失的问题,模糊数学和词语计算的相关方法则被引入到决策问题中。在处理不确定性问题时,决策信息通常被定义为语言变量的形式,复杂类则被定义为语言变量的集合,即复杂语言表达式。针对我国各地区的雾霾污染的排放效率评估问题时,原始数据存在一定程度上的复杂性,直接导致评估治理问题的困难性。因此,本文基于复杂语言表达式提出了新的语言决策方法,具体的研究工作如下:1)针对现有雾霾污染防治过程中其污染相关源头数据错综复杂、不易处理等问题,引入了现阶段可以完全表达主观语言信息的概率语言术语集来描述,并融合了数据包络分析法用以效率评估,提出了一种基于概率语言术语集的包络分析模型,对其原理、构成、求解方法进行具体阐述,丰富了传统数据包络分析法的适用范围,并将该模型应用到我国各地区雾霾污染的排放效率评估问题中,分析了计算结果,给出了切实的雾霾治理决策建议。2)针对在定性决策中决策者给出的语言偏好信息会出现不一致的问题,研究了在含弱性修饰词的语言术语的环境下的偏好关系积型一致性问题,并基于偏好关系的传递性原理,提出了判定构建一致性的方法和满足可接受一致性改进方法。应用到我国雾霾污染的排放效率评估问题,初步建立了关于评估属性的层次指标体系,并根据决策者提供的语言偏好关系对现有的属性进行了一致性分析,验证了评估模型的逻辑可行性。3)将基于概率语言术语集的包络分析模型应用于我国雾霾污染的排放效率评估。通过搭建的满足积型一致的属性层次指标体系,对原始的决策信息进行刻画,提高信息集成的能力,再基于概率语言术语集的包络分析模型进行计算,得出具体的我国各地区的PM2.5排放效率及改进值。此外,本文将提出的模型与其他相关模型进行多维度对比,实验表明本文提出模型比基于犹豫模糊语言集的性能提升,证明了基于概率语言术语集的包络分析模型的可行性与实用性,为解决我国雾霾污染防治评估问题提供了新思路。
刘蒙蒙[8]（2021）在《基于AFS理论的期货拐点交易策略分析》文中认为进入21世纪后,人们的生活水平以及薪资收入均得到大幅度提升。比起将自己的闲钱存入银行获取微薄的利息,人们更倾向于购买股票、国家债券、期货等金融产品来获取更高的收益。一方面正确的投资方式可以规避亏损的风险,另一方面恰当的交易策略可以获取较大幅度的利润。在众多的理财产品中,期货交易凭借操作灵活和交易便捷的特点吸引了大批投资者。期货的交易方法有两类:第一类是基本面分析法,它是通过市场供求关系的变化来预测未来期货价格的变动,适用于中长期分析;第二类是技术面分析法,它依据期货交易的走势图表、交易指标以及以往交易情况,来推测期货价格走势,适用于短期分析。本文研究方法基于技术面分析法,利用公理模糊集理论（Axiomatic Fuzzy Set）从期货数据中提取交易规则,然后筛选出最优交易规则制定交易策略。首先利用布林带模型提取期货的上布林带、下布林带和价格差,用于得到第一组模糊规则;然后从期货指标中提取价格和价格差,用于得到第二组模糊规则。K-Means算法对上下布林带、价格和价格差进行聚类,AFS理论把聚类中心转化为简单概念,用于构造公理模糊集结构。高斯函数用于计算样本隶属度,所有规则出现的频率作为规则权重对隶属度进行加权得规则置信度。采用SpringBoot+Vue框架进行期货交易规则发掘和结果展示,前后端分离技术使得规则发现和用户操作独立,既能供专业人士分析改进算法策略,又能方便非专业人员使用和制定交易策略。本文深入探究不同交易周期对期货交易策略的影响,进一步优化期货的交易策略。此外,还添加平仓条件和止损条件形成完整的交易策略。Trade Blazer开拓者交易平台提供期货交易策略的优化和测试实验,通过模糊规则提取最优的交易规则用于制定策略,在不同交易周期的收益率和盈利比率都表现良好。本文提出一套完整的交易策略,且开发相应的可视化界面,能辅助投资者进行交易决策,具有一定的实际意义和研究价值。
杜亚冰[9]（2021）在《基于公理模糊集理论的期货价格走势预测方法研究》文中指出期货交易作为一种重要的投资手段,因其拥有可双向交易和杠杆等机制,受到了越来越多交易者的关注。期货交易允许投资者只缴纳部分保证金就可以签订合约,交易者们可以通过较少的本金博取更大的利润。允许先卖后买的特性让期货交易有了更多的可能性,而相应地,交易者就需要承担更大的风险,因为这种远期合约需要交易者对商品价格波动趋势的判断更加准确。随着计算机技术的发展和对自动化交易研究的深入,一些学者开始研究期货价格走势预测的方法,以期得到客观科学的交易策略,降低风险,增加收益。目前较为主流的期货价格分析方法有时间序列分析,支持向量机回归,神经网络,模糊控制等。时间序列分析方法只对价格波动规律进行模拟,忽略了金融市场因素的影响,导致预测效果不佳。机器学习的方法可以在价格预测上得到较为准确的效果,然而对于一个模型,尤其是价格预测模型而言,可解释性相比较准确性更重要,因为交易者更愿意相信可以用自然语言解释的现象或者效果。一些预测模型通过应用模糊控制理论来提高其可解释性,但也面临着难以有效归纳模糊集的问题,加上对于数据整体的关联性发掘不够深入,导致预测效果不尽如人意。为了在增强模型可解释性的前提下对期货价格走势进行更好地预测,并根据预测合理交易期货,本文基于公理模糊集理论提出了一种期货价格走势预测和买卖策略制定方法。所提方法通过提取期货布林带指标数据加以分析,提取关联规则,然后将其转化成交易策略,在模拟软件中应用实现自动化交易。在计算样本规则隶属度时,使用公理模糊集理论在数据集上建立简单概念和公理模糊集结构,然后再用公理模糊集理论的一致隶属度公式计算样本在概念上的隶属度,使预测模型在提取规则时对数据集中样本的分布敏感,从而提取出更加准确的规则。通过对比使用传统模糊集理论方法的实验验证了预测方法的优越性。由于公理模糊集理论在计算一致隶属度时考虑了所有样本,导致在训练数据集的数据量增大后,计算速度会减慢,对硬件的要求也相应变高。为了解决计算时间和单机性能不足的问题,在规则提取阶段引入Map Reduce并行计算框架,使得公理模糊集理论在大数据处理上有了可行性。在与传统模糊集提取方法的对比实验中,从波动幅度大的数据中提取出有效的关联规则,将其运用到模拟交易后得到了更好的收益率,证明了本文所提方法具有较好的可行性,鲁棒性和正确性。
谭悦[10]（2021）在《基于三支决策增量聚类的系统日志异常检测的研究》文中研究说明随着现代大型分布式系统的应用,其系统安全性保障的服务正面临着巨大挑战。由于现代大型系统是支持全天候在线运行的,所有发生在这些系统中的任何异常事件,都有可能使系统崩溃和造成巨大的经济损失。为了能及时发现这些阻碍系统正常运行的异常,因此,需要对系统进行异常检测。系统日志是系统异常检测的主要数据来源,随着日志复杂度日渐增大,以聚类技术为数据驱动核心的系统日志异常检测技术得到了广泛的研究和发展。但是,目前基于聚类技术的日志异常检测方法中仍有两个不可忽视的问题。首先,标准聚类分析技术大多是采用批量学习模式的,随着日志规模增大,模型的异常检测时间和更新过程变得复杂,基于聚类的异常检测方法亟需改进。其次,目前相关的研究中较少考虑到交叉类域的问题,由于主流的聚类方法主要是基于二支决策的硬聚类思想进行的,当获取到的信息不够充分或对象间的相异性较低时,容易产生交叉类域,从而导致异常检测模型无法明确类域边界而出现大量的决策错误。针对以上问题,本文的主要研究内容如下:（1）针对批量学习场景下日志聚类困难、模型更新复杂的问题,提出一种基于增量式学习的日志聚类算法（IClustering）。在该算法中,日志集以数据子集的形式进行增量处理,通过构建引导过程使得后续数据可在原有的知识体系上经过单次遍历实现异常检测模型的渐进更新,避免了对历史数据的重复计算,从而极大地降低日志聚类计算和模型更新的成本。实验结果表明,相较于其它两种传统的聚类算法,基于增量式学习的日志聚类算法IClustering可以有效地解决批量学习模式下日志聚类的计算困难和模型更新复杂的问题。（2）针对二支决策聚类模型中因交叉类域而导致决策错误的问题,提出将三支决策理论应用到异常检测模型训练之中。首先从簇内和簇外两个角度来计算具有不确定性的边界域样本数据,通过对不同区域内的样本数据采用不同的决策分支,从而有效地降低错误决策的出现。实验证明,三支决策的引入,可以有效地减少因异常检测模型中的交叉类域而导致的错误决策发生。（3）最后,针对异常检测模型TWD-ICM在模型训练阶段中边界域样本计算复杂度较大的问题,提出一种基于Spark平台的TWD-ICM并行化算法。通过结合RDD的分区特点,分别给出了并行算法在数据分区层、簇内边界域样本计算层和簇外边界域样本计算层的的核心思想及操作步骤。实验验证了提出的TWD-ICM并行算法在Spark平台上的有效性及可行性。
二、基于模糊集的数据挖掘研究与应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊集的数据挖掘研究与应用（论文提纲范文）
（1）人工智能和数据挖掘在人机工程PHM中的应用（论文提纲范文）
| 1 人工智能和数据挖掘技术 |
| 1.1 人工智能 |
| 1.2 数据挖掘 |
| 1.3 发展人工智能和数据挖掘技术的意义 |
| 2 人机工程PHM |
| 2.1 PHM系统 |
| 2.2 PHM系统的开发难点 |
| 2.3 故障预诊断与健康管理 |
| 2.4 人机工程中的PHM系统 |
| 3 人工智能和数据挖掘在人机工程PHM中应用的具体分析 |
| 3.1 基于人工智能和数据挖掘技术的PHM平台 |
| 3.1.1 PHM平台的主要功能架构 |
| 3.1.2 人机工程中PHM系统的主要实现内容 |
| 3.2 小波神经网络与模糊神经网络的训练学习以及安全评价过程 |
| 3.2.1 小波神经网络 |
| 3.2.2 模糊神经网络 |
| 4 结论 |
（2）Web数据挖掘技术在信息管理中的应用（论文提纲范文）
| 1 Web数据挖掘技术 |
| 1.1 Web数据库技术 |
| 1.2 数据挖掘技术 |
| 2 基于Web数据库的数据挖掘方法 |
| 2.1 粗糙集方法 |
| 2.2 模糊集方法 |
| 2.3 神经网络法 |
| 3 Web数据挖掘技术在信息管理中的应用 |
| 3.1 在搜索引擎中的应用 |
| 3.2 在个性化服务中的应用 |
| 3.3 在电子商务中的应用 |
| 4 结语 |
（7）基于语言决策理论的雾霾污染排放效率评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语及符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容与创新 |
| 1.3 论文结构 |
| 第二章 研究现状 |
| 2.1 相关文献检索与分析 |
| 2.2 基于复杂语言表达式的决策方法的研究现状 |
| 2.3 基于偏好关系的决策方法的研究现状 |
| 2.4 对已有研究的分析 |
| 2.5 本章小结 |
| 第三章 基于PLTS的包络分析模型 |
| 3.1 PLTS的语义与运算规则 |
| 3.2 PLTEA模型的构建 |
| 3.2.1 偏差型PLTEA模型 |
| 3.2.2 得分型PLTEA模型 |
| 3.2.3 PLTEA模型流程图 |
| 3.3 本章小结 |
| 第四章 基于LWHPR的积型一致性方法 |
| 4.1 LTWH的语义与运算规则 |
| 4.2 LWHPR积型一致性的构建 |
| 4.3 LWHPR积型一致性的改进 |
| 4.4 本章小结 |
| 第五章 我国各地区PM_(2.5)排放权的分配效率评估 |
| 5.1 一致性分析 |
| 5.2 模型评估 |
| 5.3 比较分析 |
| 5.3.1 性能比较 |
| 5.3.2 特征比较 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 附录 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（8）基于AFS理论的期货拐点交易策略分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 期货研究的现状和方法 |
| 1.3 期货交易策略的发现与实验 |
| 1.3.1 网络结构模式和架构 |
| 1.3.2 期货交易规则的发现 |
| 1.3.3 期货交易策略的优化 |
| 1.4 论文主要研究内容 |
| 2 预备知识 |
| 2.1 期货数据分析方法 |
| 2.1.1 布林带模型 |
| 2.1.2 基于分类函数的K-Means算法 |
| 2.1.3 期货的拐点交易策略 |
| 2.2 AFS理论 |
| 2.2.1 AFS简单概念 |
| 2.2.2 AFS结构 |
| 2.2.3 AFS隶属函数 |
| 2.3 前后端分离技术 |
| 2.3.1 前端框架Vue介绍 |
| 2.3.2 后端框架Spring Boot介绍 |
| 2.4 TB期货交易平台的介绍 |
| 2.5 小结 |
| 3 基于单因素的期货交易策略 |
| 3.1 期货数据预处理 |
| 3.2 基于数据分布聚类 |
| 3.2.1 期货的数据分类 |
| 3.2.2 基于K-Means聚类 |
| 3.3 基于AFS公理得到规则库 |
| 3.3.1 交易规则的语义描述 |
| 3.3.2 期货合并规则展示 |
| 3.3.3 规则置信度计算 |
| 3.3.4 最优规则筛选 |
| 3.4 期货实验的结果 |
| 3.4.1 期货交易策略的制定 |
| 3.4.2 期货实验结果 |
| 3.4.3 期货对比实验 |
| 3.5 小结 |
| 4 期货交易策略的优化 |
| 4.1 多因素优化期货的交易策略 |
| 4.1.1 上下布林带剔除异常值 |
| 4.1.2 增加开盘价作为前件 |
| 4.1.3 最优规则形成交易策略 |
| 4.1.4 多因素期货实验结果 |
| 4.2 不同时间周期下优化期货交易策略 |
| 4.2.1 一分钟期货实验 |
| 4.2.2 五分钟期货实验 |
| 4.2.3 十五分钟期货实验 |
| 4.2.4 一小时期货实验 |
| 4.2.5 多期货交易结果对比分析 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）基于公理模糊集理论的期货价格走势预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 研究内容与章节安排 |
| 2 预备知识 |
| 2.1 布林带指标 |
| 2.2 模糊理论 |
| 2.2.1 模糊系统 |
| 2.2.2 模糊C均值聚类方法 |
| 2.3 公理模糊集 |
| 2.3.1 简单概念和复杂概念 |
| 2.3.2 AFS代数 |
| 2.3.3 AFS结构 |
| 2.3.4 AFS一致隶属函数 |
| 2.4 Hadoop中的并行计算框架 |
| 2.4.1 Hadoop框架 |
| 2.4.2 分布式文件系统 |
| 2.4.3 并行计算模型 |
| 2.5 本章小结 |
| 3 基于公理模糊集的期货价格走势预测算法 |
| 3.1 预测方法 |
| 3.2 模糊规则提取 |
| 3.2.1 获取数据 |
| 3.2.2 布林带指标提取 |
| 3.2.3 建立简单概念 |
| 3.2.4 建立AFS结构 |
| 3.2.5 提取模糊规则 |
| 3.3 交易策略制定与模拟交易 |
| 3.3.1 规则转换 |
| 3.3.2 模拟交易 |
| 3.4 应用结果及分析 |
| 3.5 本章小结 |
| 4 基于并行计算的规则提取方法 |
| 4.1 并行计算方案 |
| 4.1.1 数据量增大后的问题 |
| 4.1.2 解决方案 |
| 4.1.3 加入数据预处理去除离群点 |
| 4.2 应用结果及分析 |
| 4.2.1 基于并行计算处理大量数据 |
| 4.2.2 加入数据预处理对处理结果的影响 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）基于三支决策增量聚类的系统日志异常检测的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1. 课题研究背景和意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. 系统日志异常检测的研究现状 |
| 1.2.2. 增量聚类算法的研究现状 |
| 1.2.3. 三支决策理论与应用的研究现状 |
| 1.3. 论文的主要工作和贡献 |
| 1.4. 论文的组织结构 |
| 第二章 相关理论与技术研究 |
| 2.1. 异常检测概述 |
| 2.2. 增量聚类概述 |
| 2.2.1. 增量学习概念 |
| 2.2.2. 增量聚类相关技术 |
| 2.3. 三支决策概述 |
| 2.3.1. 基本原理 |
| 2.3.2. 三支决策聚类描述 |
| 2.4. Spark技术相关内容 |
| 2.4.1. Map Reduce通用框架 |
| 2.4.2. Spark技术优势与特点 |
| 2.5. 本章小结 |
| 第三章 基于三支决策增量聚类的日志异常检测模型 |
| 3.1. 问题描述 |
| 3.2. 模型框架 |
| 3.3. 日志预处理 |
| 3.3.1. 日志事件的生成 |
| 3.3.2. 基于信息熵加权的数值化过程 |
| 3.4. 基于三支决策增量聚类的日志异常检测算法 |
| 3.4.1. 增量聚类异常检测初始模型构建 |
| 3.4.2. 异常检测模型边界域样本计算 |
| 3.4.3. 基于三支决策系统日志异常检测过程 |
| 3.5. 实验结果与分析 |
| 3.5.1. 数据来源 |
| 3.5.2. 评价指标 |
| 3.5.3. 聚类性能测试 |
| 3.5.4. 异常检测性能测试 |
| 3.6. 本章小结 |
| 第四章 基于Spark平台的TWD-ICM模型优化 |
| 4.1. Spark编程模型 |
| 4.1.1. Spark运行架构 |
| 4.1.2. RDD特性介绍 |
| 4.2. 基于Spark平台的TWD-ICM并行化设计 |
| 4.2.1. TWD-ICM并行化策略 |
| 4.2.2. 数据分区层 |
| 4.2.3. 簇内边界域样本计算层 |
| 4.2.4. 簇外边界域样本计算层 |
| 4.3. 实验结果及分析 |
| 4.3.1. 实验环境的搭建 |
| 4.3.2. 大规模日志异常检测有效性 |
| 4.3.3. 运行效率及加速比 |
| 4.4. 本章小结 |
| 第五章 结论与展望 |
| 5.1. 结论 |
| 5.2. 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
四、基于模糊集的数据挖掘研究与应用（论文参考文献）
- [1]人工智能和数据挖掘在人机工程PHM中的应用[J]. 姜喜民. 电子技术与软件工程, 2021(19)
- [2]Web数据挖掘技术在信息管理中的应用[J]. 苗雷. 黑龙江科学, 2021(18)
- [3]模糊极小极大网络的改进研究及其应用[D]. 刘牧研. 东北农业大学, 2021
- [4]不均衡数据聚类算法及其在配电网运行状态评估中的应用[D]. 李中文. 南京邮电大学, 2021
- [5]基于足球比赛历史数据的比赛关联分析与预测研究[D]. 姜海富. 江苏科技大学, 2021
- [6]可信粒度准则框架下基于粗糙聚类的信息粒化方法研究与应用[D]. 邵丽洁. 南京财经大学, 2021
- [7]基于语言决策理论的雾霾污染排放效率评估研究[D]. 姚萱. 南京信息工程大学, 2021(01)
- [8]基于AFS理论的期货拐点交易策略分析[D]. 刘蒙蒙. 大连理工大学, 2021(01)
- [9]基于公理模糊集理论的期货价格走势预测方法研究[D]. 杜亚冰. 大连理工大学, 2021(01)
- [10]基于三支决策增量聚类的系统日志异常检测的研究[D]. 谭悦. 广西大学, 2021(12)