基于动态数据流挖掘的案例推理及其应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (19): 31-34.

基于动态数据流挖掘的案例推理及其应用

戴奇波1，2，倪志伟1，2，王超1，2，姜苗1，2

1.合肥工业大学管理学院，合肥 230009
2.过程优化与智能决策教育部重点实验室，合肥 230009

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-01 发布日期:2011-07-01

Case based reasoning and application based on dynamic data stream mining

DAI Qibo1，2，NI Zhiwei1，2，WANG Chao1，2，JIANG Miao1，2

1.School of Management，Hefei University of Technology，Hefei 230009，China
2.Key Laboratory of Process Optimization and Intelligent Decision-making，Ministry of Education，Heifei 230009，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-01 Published:2011-07-01

摘要/Abstract

摘要： 知识的获取、知识库的更新是案例推理技术的应用瓶颈，而许多案例推理系统中的知识库都是静态不变的，满足不了实际问题变化的需要。首先阐述了相关概念，接着提出了一种基于动态数据流挖掘的案例推理模型，其中动态数据流挖掘算法采用改进的数据流聚类算法。通过此模型使用基于动态数据流挖掘的案例推理技术，对数据进行实时挖掘，产生连续、动态的临时案例库，实现知识库的实时更新，从而满足实际问题变化的需要。最后通过该模型在实际中的应用说明其有效性。

关键词: 数据流, 案例推理, 聚类

Abstract: The application of case-based reasoning is restricted by the knowledge acquisition and the knowledge base updating.Many knowledge bases in the case-based reasoning system are static and unchangeable，and can not satisfy the change of practical problems.This paper describes the relevant concepts and presents a model of CBR based on dynamic data stream mining，and gives an improved clustering algorithm of data stream.Through this model the system can mine real-time datum，produce continuous，dynamic temporary cases，update the knowledge base in real time and meet the needs of the practical problems.Finally，the application of the model in practice verifies its efficiency.

Key words: data stream, case based reasoning, clustering

戴奇波1，2，倪志伟1，2，王超1，2，姜苗1，2. 基于动态数据流挖掘的案例推理及其应用[J]. 计算机工程与应用, 2011, 47(19): 31-34.

DAI Qibo1，2，NI Zhiwei1，2，WANG Chao1，2，JIANG Miao1，2. Case based reasoning and application based on dynamic data stream mining[J]. Computer Engineering and Applications, 2011, 47(19): 31-34.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[5]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[6]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.