时间：2023-03-13 11:24:15
引言：易发表网凭借丰富的文秘实践，为您精心挑选了九篇数据挖掘技术论文范例。如需获取更多原创内容，可随时联系我们的客服老师。
[关键词]数据挖掘数据挖掘方法
随着信息技术迅速发展，数据库的规模不断扩大，产生了大量的数据。但大量的数据往往无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。
一、数据挖掘的定义
数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。
二、数据挖掘的方法
1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。
2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。
3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。
4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。
5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。
6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。
7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。
8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。
事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。
三、结束语
目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。
数据挖掘技术是一种新型的技术，在现代数据存储以及测量技术的迅猛发展过程中，人们可以进行信息的大量测量并进行存储。但是，在大量的信息背后却没有一种有效的手段和技术进行直观的表达和分析。而数据挖掘技术的出现，是对目前大数据时代的一种应急手段，使得有关计算机数据处理技术得到加快发展。数据挖掘技术最早是从机器学习的概念中而产生的，在对机器的学习过程中，一般不采用归纳或者较少使用这种方法，这是一种非常机械的操作办法。而没有指导性学习的办法一般不从这些环境得出反馈，而是通过没有干预的情况下进行归纳和学习，并建立一种理论模型。数据挖掘技术是属于例子归纳学习的一种方式，这种从例子中进行归纳学习的方式是介于上述无指导性学习以及较少使用归纳学习这两种方式之间的一种方式。因此，可以说，数据挖掘技术的特征在出自于机器学习的背景下，与其相比机器主要关心的是如何才能有效提高机器的学习能力，但数据挖掘技术主要关心如何才能找到有用、有价值的信息。其第二个特征是，与机器学习特点相比较而言，机器关心的是小数据，而数据挖掘技术所面临的对象则是现实中海量规模的数据库，其作用主要是用来处理一些异常现象，特别是处理残缺的、有噪音以及维数很高的数据项，甚至是一些不同类型数据。以往的数据处理方法和现代的数据挖掘技术相比较而言，其不同点是以往的传统数据处理方法前提是把理论作为一种指导数据来进行处理，在现代数据挖掘技术的出发角度不同，主要运用启发式的归纳学习进行理论以及假设来处理的。
2、数据挖掘技术主要步骤
数据挖掘技术首先要建立数据仓库，要根据实际情况而定，在易出现问题的有关领域建立有效的数据库。主要是用来把数据库中的所有的存储数据进行分析，而目前的一些数据库虽然可以进行大量的存储数据，同时也进行了一系列的技术发展。比如，系统中的在线分析处理，主要是为用户查询，但是却没有查询结果的分析能力，而查询的结果仍旧由人工进行操作，依赖于对手工方式进行数据测试并建模。其次，在数据库中存储的数据选一数据集，作为对数据挖掘算法原始输入。此数据集所涉及到数据的时变性以及统一性等情况。然后，再进行数据的预处理，在处理中主要对一些缺损数据进行补齐，并消除噪声，此外还应对数据进行标准化的处理。随后，再对数据进行降维和变换。如果数据的维数比较高，还应找出维分量高的数据，对高维数数据空间能够容易转化为检点的低维数数据空间进行处理。下一步骤就是确定任务，要根据现实的需要，对数据挖掘目标进行确定，并建立预测性的模型、数据的摘要等。随后再决定数据挖掘的算法，这一步骤中，主要是对当前的数据类型选择有效的处理方法，此过程非常重要，在所有数据挖掘技术中起到较大作用。随后再对数据挖掘进行具体的处理和结果检验，在处理过程中，要按照不同的目的，选择不同的算法，是运用决策树还是分类等的算法，是运用聚类算法还是使用回归算法，都要认真处理，得出科学的结论。在数据挖掘结果检验时，要注意几个问题，要充分利用结论对照其他的信息进行校核，可对图表等一些直观的信息和手段进行辅助分析，使结论能够更加科学合理。需要注意的是要根据用户来决定结论有用的程度。最后一项步骤是把所得出的结论进行应用到实际，要对数据挖掘的结果进行仔细的校验，重点是解决好以前的观点和看法有无差错，使目前的结论和原先看法的矛盾有效解除。
3、数据挖掘技术的方法以及在电力营销系统中的应用和发展
数控挖掘技术得到了非常广泛的应用，按照技术本身的发展出现了较多方法。例如，建立预测性建模方法，也就是对历史数据进行分析并归纳总结，从而建立成预测性模型。根据此模型以及当前的其他数据进行推断相关联的数据。如果推断的对象属于连续型的变量，那么此类的推断问题可属回归问题。根据历史数据来进行分析和检测，再做出科学的架设和推定。在常用的回归算法以及非线性变换进行有效的结合，能够使许多问题得到解决。电力营销系统中的数据挖掘技术应用中关联规则是最为关键的技术应用之一。这种应用可以有效地帮助决策人员进行当前有关数据以及历史数据的规律分析，最后预测出未来情况。把关联规则成功引入电力营销分析，通过FP-Growth算法对电力营销的有关数据进行关联规则分析，从中得出各种电量销售的影响因素以及外部因素、手电水平等的关联信息，以便更好地为电力的市场营销策略提供参谋和决策。对电力营销系统的应用中，时间序列挖掘以及序列挖掘非常经典、系统，是应用最为广泛的一种预测方法。这种方法的应用中，对神经网络的研究非常之多。因此，在现实中应用主要把时间序列挖掘以及神经网络两者进行有效地结合，然后再分析有关电力营销数据。此外，有关专家还提出应用一种时间窗的序列挖掘算法，这种方式可以进行有效地报警处理，使电力系统中的故障能够准确的定位并诊断事故。此算法对电力系统的分析和挖掘能力的提高非常有效，还可判定电力系统的运行是否稳定，对错误模型的分析精度达到一定的精确度。
4、结语
执行记录属于软件工程中的挖掘领域，其主要任务是针对执行记录的挖掘主要针对程序执行路径进行分析，进而找出与程序代码所具有的必然联系，以实现软件系统程序与模块代码相结合共同发生作用的目的，对程序的整体起到维护、验证和了解的作用[2]。究其工作的实质，就是以执行路径为线索实现逆向建模，有助于软件工程系统各个环节的理解、维护、跟踪以及验证。
2检测软件漏洞
作为软件工程领域需要协助的软件工程目标之一，针对软件漏洞的检测固然是挖掘数据技术系统中不可或缺的一环。检测的对象和任务主要包括：软件测试的具体项目，对软件系统漏洞库数据信息的收集、转换和清理，信息系统数据的采集与抽取，选择合适的软件系统数据挖掘信息并对其展开验证、整合与训练，对软件数据系统中存在的缺陷漏洞进行整体的分类、定位与具体描述，以及广泛应用于软件测试项目中的各种工程活动。究其最终目的，就是找出软件系统在开发与应用的具体过程中存在的问题、谬误与漏洞，对业已搜索出的问题和漏洞进行及时的矫正与修复。确保软件系统的有效运作与安然运行。
3版本控制信息
版本控制的挖掘属于软件工程领域中的挖掘对象技术之一，这种软件系统的驾驭手段具有与上述两种应用截然不同的独特作用：有效确保软件工程项目编程人员所编辑与制作的档案得到十分有效的管理，进而对系统全局的更新提供稳定的基础与平台。版本控制信息的技能价值看似“默默无闻”，地位实则非常重要，是所有软件工程项目开发必须采用的一门技术，否则任何软件工程项目的开发都无从谈及与运作。这门技术功能经过不断的发展更新，多以应用版本控制系统实施软件开发工作的保护或者管理的方式著称于世。
4开源软件挖掘
开源软件的挖掘，其项目的开发环境优势可谓得天独厚，主要体现在开放性、全局性、动态性三个特征层面上。既然具有别具一格的开放手段与应用方式，所以对该类软件的开发管理，也要采取与与其他传统软件和异类软件截然不同的原则与策略，形成“具体问题具体分析”的思想实践思路。针对其开放性的特征，需要工作人员的频繁流动与变更；针对其动态性的特征，开源项目必须达到优质管理的水平；针对其全局性的特征，有需要开发人员在开发活动与应用软件的过程中保持一个比较完整的记录，以便于广泛的社会网络的生成。
5结语
（1）确定业务对象：做好业务对象的明确是数据域挖掘的首要步骤，挖掘的最后结构是不可预测的，但是探索的问题必须是有预见的，明确业务对象可以避免数据挖掘的盲目性，从而大大提高成功率。
（2）数据准备：首先，对于业务目标相关的内部和外部数据信息进行查找，从中找出可以用于数据挖掘的信息；其次，要对数据信息的内容进行全面细致分析，确定需要进行挖掘操作的类型；然后，结合相应的挖掘算法，将数据转化称为相应的分析模型，以保证数据挖掘的顺利进行。
（3）数据挖掘：在对数据进行转化后，就可以结合相应的挖掘算法，自动完成相应的数据分析工作。
（4）结果分析：对得到的数据分析结果进行评价，结合数据挖掘操作明确分析方法，一般情况下，会用到可视化技术。
（5）知识同化：对分析得到的数据信息进行整理，统一到业务信息系统的组成结构中。这个步骤不一定能够一次完成，而且其中部分步骤可能需要重复进行。
二、数据挖掘技术在水利工程管理中的实施要点
水利工程在经济和社会发展中是非常重要的基础设施，做好水利工程管理工作，确保其功能的有效发挥，是相关管理人员需要重点考虑的问题。最近几年，随着社会经济的飞速发展，水利工程项目的数量和规模不断扩大，产生的水利科学数据也在不断增加，这些数据虽然繁琐，但是在许多科研生产活动和日常生活中都是不可或缺的。例如，在对洪涝、干旱的预防以及对生态环境问题的处理方面，获取完整的水利科学数据是首要任务。那么，针对日益繁杂的海量水利科学数据，如何对有用的信息知识进行提取呢？数据挖掘技术的应用有效的解决了这个问题，可以从海量的数据信息中，挖掘出潜在的、有利用价值的知识，为相关决策提供必要的支持。
1.强化数据库建设
要想对各类数据进行科学有效的收集和整理，就必须建立合理完善的数据库。对于水利工程而言，应该建立分类数据库，如水文、河道河情、水量调度、防洪、汛情等，确保数据的合理性、全面性和准确性，选择合适的方法，对有用数据进行挖掘。
2.合理选择数据挖掘算法
（1）关联规则挖掘算法：关联规则挖掘问题最早提出于1993年，在当前数据挖掘领域，从事务数据库中发现关联规则，已经成为一个极其重要的研究课题。关联规则挖掘的主要目的，是寻找和挖掘隐藏在各种数据之间的相互关系，通过量化的数据，来描述事务A的出现对于事务B出现可能产生的影响，关联规则挖掘就是给定一组Item以及相应的记录组合，通过对记录组合的分析，推导出Item间存在的相关性。当前对于关联规则的描述，一般是利用支持度和置信度，支出度是指产品集A、B同时出现的概率，置信度则是在事务集A出现的前提下，B出现的概率。通过相应的关联分析，可以得出事务A、B同时出现的简单规则，以及每一条规则的支持度和置信度，支持度高则表明规则被经常使用，置信度高则表明规则相对可靠，通过关联分析，可以明确事务A、B的关联程度，决定两种事务同时出现的情况。
（2）自顶而下频繁项挖掘算法：对于长频繁项，如果采用关联规则挖掘算法，需要进行大量的计算分析，不仅耗时耗力，而且影响计算的精准度，这时，就可以采用自顶而下频繁项挖掘算法，这种算法是一种相对优秀的长频繁项挖掘算法，利用了事务项目关联信息表、项目约简、关键项目以及投影数据库等新概念与投影、约简等新方法，在对候选集进行生成的过程中，应该对重复分支进行及时修剪，提升算法的实际效率，从而有效解决了长频繁项的挖掘问题。结合计算机实验以及算法分析，可以看出，这种方法是相对完善的，同时也是十分有效的。不过需要注意的是，当支持度较大、频繁项相对较短时，利用关联规则挖掘中典型的Apriori方法，可以起到更好的效果。
（3）频繁项双向挖掘算法：这种算法是一种融合了自顶向下以及自底向上的双向挖掘算法，可以较好的解决长频繁项以及段频繁项的挖掘问题，主挖掘方向是利用自顶向下挖掘策略，但是结合自底向上方法生成的非频繁项集，可以对候选集进行及时修剪，提升算法的实际效率。
三、结语
关键词：数据挖掘；决策树；C4.5算法；教学管理；高校教学
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2012）30-7150-04
随着数字信息化社会的飞速发展，计算机技术和数据库管理系统被广泛应用于科学探索、商业、金融业、电子商务、企业生产等各种行业，已逐渐发展成为一种智能管理过程。数据挖掘作为一种新兴的数据分析技术，它的研究成果取得了令人瞩目的成就[1]。利用数据库技术，通过对教务管理的大量数据进行多层次、多维度的加工处理，从而实现人性化管理，为科学决策提供支持。
毕业论文在教学体系中占有十分重要的位置，是本科生培养计划中衡量教学质量的重要指标。提高毕业论文教学质量是一项系统工程，为研究在当前的教学条件下如何提高毕业论文教学质量，本文采用数据挖掘技术对影响毕业论文成绩管理的多方面因素进行了深入分析和挖掘，以期发现对学校毕业论文教学管理有用的知识，将这些知识应用于本科学生毕业论文教学实践中，为学校管理者提供有用的信息，进而获得更好的管理效益，为学校未来的发展提供更广阔的空间，发挥重要的作用。
1 数据挖掘简介
数据挖掘（Data Mining），又称数据库中的知识发现（Knowledge discovery in Database. KDD）[2]，是通过分析每一个具体数据，从大量的、有噪声的、模糊的、随机的海量数据中寻找其规律的技术，它是数据库研究中的一个很有应用价值的新领域。
1.1 数据挖掘的定义
H包含如下功能：
综上所述，数据挖掘具有三大特点：其一是处理大型数据；其二应用数据挖掘的目的是发现未知的、有意义的模式或规律；其三是一个对大量数据处理的过程，有特定的步骤[3]。
1.2 数据挖掘的主要方法
数据挖掘是一个多学科交叉领域，它由人工智能、机器学习的方法起步，并与统计分析方法、模糊数学和可视化技术相融合，以数据库为研究对象，围绕面对应用，为决策者提供服务。
数据挖掘的方法主要可分为六大类：统计分析方法、归纳学习方法、仿生物技术、可视化技术、聚类方法和模糊数学方法。归纳学习法是目前重点研究的方向，本文根据给定的训练样本数据集，采用归纳学习法中的决策树技术构造分类模型，将事例分类成不同的类别。
2 决策树算法基本理论
2.1 决策树方法介绍
决策树[4]方法是以事例学习为基础的归纳推算法，着眼于从一组无序的，无规则的事例中推断出类似条件下会得到什么值这类规则的方法，它是一种逼近离散值函数的方法，也可以看作一个布尔函数[5]。决策树归纳方法是目前许多数据挖掘商用系统的基础，可以应用于分析数据，同样也可以用来作预测。建模过程中，即树的生长过程是不断的把数据进行切分，采用“自顶向下，分而治之”的方法将问题的搜索空间划分为若干个互不交叉的子集，通常用来形成分类器和预测模型。如图1所示，为决策树的示意图。
决策树一种类似流程图的树形结构，是一种知识的表现形式。为了对未知样本进行分类，生成具体的分类规则，信息样本的各个属性值要在决策树上进行测试。主要分为两个阶段：在第一阶段中生成树。决策树最上面的节点为根节点，是整个决策树的开始，然后递归的进行数据分区，每次切分对应一个问题，也对应着一个节点；在第二阶段中对树进行修剪，此过程中去掉一些可能是噪音或异常的数据，防止决策树的过匹配，进而保证生成决策树的有效性和合理性。当一个节点中的所有数据都属于同一类别，或者没有属性可以再用于数据进行分割时，分割工作停止。具体的工作流程如图2所示。
2.2 C4.5算法
1986年Ross Quinlan首次提出了ID3决策树算法，它是最早的决策树算法之一。ID3算法运用信息熵理论，选择当前样本中具有信息增益值的属性作为测试属性，对样本的划分则依据测试属性的取值[6]。C4.5算法是在ID3算法基础上发展起来的，它继承了ID3算法的全部优点，并增加了新的功能改进了ID3算法中的不足，可以进行连续值属性处理并处理未知值的训练样本。在应用单机的决策树算法中，C4.5算法不仅分类准确而且执行速度快。
C4.5通过两个步骤来建立决策树：第一阶段树的生成，第二阶段树的剪枝。C4.5算法采用信息增益率来记录字段不同取值的选择，首先计算各个属性的信息增益率，寻找到规则信息的优劣，选出信息增益率最大的属性作为结点，自顶向下生成决策树。C4.5算法构造决策树的基本策略如下：
首先计算出给定样本所需的期望信息，设S为一个包含s个数据样本的集合，对于类别属性，可以取m个不同取值，分别对应于m个不同的类别[Ci（i∈1，2，...，m）]。假设类别[Ci]中的样本个数为[si]，期望信息为：
其中，[Pi]是任意样本属于[Ci]的概率，并用[sis]估计。
接着，计算当前样本集合所需用的信息熵，设一个属性A具有n个不同的值[（a1，a2，...an）]，利用属性A可以将集合S划分为n个子集[S1，S2，...Sn]，其中[Sj]包含了S集合中属性A取[aj]值的样本数据。如果属性A被选作测试属性，设[Sij]为[Sj]中属于[Ci]类别的样本集，根据A划分计算的熵为：
然后利用属性A对当前分支结点进行相应样本集合划分计算信息增益：
最后，求信息增益率，表达式为：
C4.5算法的伪代码如下：
输入：训练样本Samples；目标属性Target—attribute；候选属性的集合Attributes
输出：一棵决策树
1）创建根节点root；
2）If Samples都在同一类C Then；
3）返回label=类C的单结点树root；
4）If Attributes为空Then；
5）返回单结点树root，[label=Samples]中最普遍的Target-Atribute值；
6）Else；
7）For each测试属性列表Attributes中的属性；
8）IF测试属性是连续的Then；
9）对测试属性进行离散化处理，找出使其信息增益比率最大的分割阈值；
10）Else；
11）计算测试属性的信息增益比率；
20）添加子树Generate Tree C4.5；
21）对已建立的决策树计算每个结点的分类错误，进行剪枝，并返回根结点Root。
3 毕业论文成绩管理系统的设计和实现
利用数据挖掘技术对学生的成绩数据进行提炼，所产生的结果和信息会对以后的教学管理工作提供有用的信息，进而获得更好的管理效益。解决问题的重点在于怎样对学生的毕业论文成绩进行全面且深度的分析，从而挖掘出成绩与其他因素之间隐藏的内在联系。本文采用决策树技术挖掘信息时，主要操作步骤如下：
1）确定挖掘来源：清晰地定义挖掘对象，明确挖掘目标是数据挖掘所有工作中重要的一步。本文中应用于挖掘的数据信息是毕业生的毕业论文成绩，旨在通过对大量成绩数据进行各层次的挖掘，全面了解具体影响学生毕业论文成绩的各方面因素，正确的针对问题拟定分析过程。
2）获取相关知识：数据是挖掘知识最原始的资料，根据确定的数据分析对象，抽象出数据分析中所需要的特征信息模型。领域问题的数据收集完成之后，与目标信息相关的属性也随之确定。这些数据有些是可以直接获得的，有些则需要对学生进行调查才能的得到。
3）数据预处理：此过程中是对已收集的大量数据进行整合与检查。因为存放在数据库中的数据一般是不完整的、不一致的，通常还含有噪声的存在。因此就需要对数据库中数据进行清理、整理和归并，以提高挖掘过程的精度和性能。
4）数据转换：对预处理后的数据建立分析模型，对于特定的任务，需要选择合适的算法来建立一个准确的适合挖掘算法的分析模型。本文采用决策树技术进行分类建模来解决相应的问题。
5）分类挖掘知识和信息：此阶段的工作目的是根据系统最终要实现的功能和任务来确定挖掘的分类模型。选择合适的数据挖掘技术及算法，并采用恰当的程序设计语言来实现该算法，对净化和转换过得数据训练集进行挖掘，获得有价值的分析信息。
6）知识表示：将数据挖掘得到的分析信息进一步的解释和评价，生成可用的、正确的、可理解的分类规则呈现给管理者，应用于实践。
7）知识应用：将分析得到的规则应用到教学管理中，教师可以利用所得到的知识针对性的开展毕业设计的教学活动，进一步指导教学工作，提高教学水平和学生的毕业论文质量。
4 结论
最终发现影响学生毕业论文成绩主要的因素不是指导教师的职称，学生的基础及感兴趣程度，而是指导教师的学历高低。根据具体分类规则的结论，学校教学管理工作应加重对教师的素质及能力培养，合理的分配每个教师的毕业论文指导工作，不仅能够有效的完成毕业课题指导工作，更有助于学生整体论文质量的提高。
在高校教学数字化的时代趋势下，利用数据挖掘技术来挖掘提取教学工作中的全面而有价值信息，可以为教育管理者的教学工作提供有效的参考信息，改进教学管理方法，提高教学质量和学生的综合素质，是高校保持良好的可持续发展的有力工具。
参考文献：
[1] 刘玉文.数据挖掘在高校招生中的研究与应用[D].上海：上海师范大学，2008.
[2] 魏萍萍，王翠茹，王保义，张振兴.数据挖掘技术及其在高校教学系统中的应用[J].计算机工程，2003.29（11）：87-89.
[3] 刘林东. Web挖掘在考试系统中的应用[J].计算机应用研究，2005（2）：150-154.
[4] Tom M Mitchell.（美）卡内基梅隆大学.机器学习[D].曾华军，张银奎，译，北京：机械工业出版社，2003.
1.1结果优化中遗传算法的应用遗传算法由达尔文进化论与孟德尔遗传变异论进行模拟后得到，该算法所采用的算法因子具有随机性，故设备故障的出现往往不会受到常规故障规则的限制，但是遗传算法在实际应用过程中，其对故障的整合分析，并不是盲目式的，而是针对机械设备状态运行情况，以设备最优化为基本原则进行不断完善计算进行的。若设备状态监测和故障诊断当中，直接采用了与设备情况相应的参数进行适值计算，但又不需要对优化参数进行明确计算，在针对部分无法明确计算得到的设备参数时，即可采用遗传算法对结果进行优化。遗传算法的智能性与并行性较强，利用该方法，可以对设备故障当中还未得到有效解决的部分复杂问题进行妥善处理。目前，遗传算法在设备运行函数的优化、设备模式的识别以及设备运行信号的整合处理等相关工作当中有着较为全面的应用，在将复杂的运行数据进行优化时，遗传算法具有较为良好的性能。综合其相关特点，在建立设备状态监测和故障诊断的模型时，可采用该技术使得模型更为合理化，使得设备状态监测与故障诊断的结果更为准确。以滚动轴承的状态监测与故障诊断为例。在实际工作当中，运用各类运算符集，对滚动轴承的原始性特征向量进行测量后，采取最优的组合方式获得新型向量，配合采用遗传算法得到最终的滚动轴承参数，并利用分类法，对各项间距进行了调整，使得滚动轴承的诊断参数更为准确。此外，利用该方法，还有效区分了滚动轴承的不同工作状态，测量结果较为全面，效果显著。
1.2模糊集理论的应用要点该方法通过模糊集合与模糊推理两种方法，其研究测试的对象是各类不确定性因素，属于传统集合理论的创新。模糊集理论在设备状态监测和故障诊断中的应用，主要包含了两个方面。一方面，是在相关数据概念的形成时，采用不准确和较为模糊的语言变量，根据人们习惯，对设备状态的变化及变量变化状态进行描述。具有较强的直观性，且相关人员在接受该类概念时，也可以更方便的理解接受；另一方面，该方法通过提炼模糊性规则，在建模时模糊化，使得机械设备的控制、预测以及故障诊断等过程拥有更为广阔的空间。
1.3基于实例分析的方案优化及调整该种方法拥有较为简单的思路，在对设备未来运行情况进行预测时，系统会匹配与设备目前情况相似的实际案例，并从以往的解决方法中选出最佳的解决方案，再结合设备实际情况进行相应调整。此类方法的应用范围较广，且得到的计算结果也相对准确，但同时也具有一定缺陷，即无法全面整合以往设备数据及解决规律，缺乏充足的继承性。该方法进行故障诊断的基本理念是，在选红枣解决方法的过程中，利用历史诊断方法成功案例为奠基，进行全面的推理工作，并采用类比和联想法，较为全面的对故障进行诊断。
1.4多种数据挖掘法的联合应用除上述几种数据挖掘技术外，实际工作中还涵盖了以传统数据统计为基础的统计分析方法、人工神经网络元技术、等多种方法，考虑到每一种方法或多或少具有局限性，故为了有效提高各类方法的应用效果，可以将各类方法进行配合使用，代表性的算法组合类型如表1所示。
以遗传算法和模糊集理论的配合采用为例。由于模糊算法，主要是利用了最大隶属原理和阀值原理，故可以按照不同故障的发生原因以及故障征兆的相互联系，在综合考虑的基础上对机械设备故障的可能原因进行全面分析。而该方法在运用的过程中，会对各类故障征兆进行约简化从而得到较为普遍的规律，但是所得到的规律也可能存在不可靠问题。故在实际应用模糊集理论的同时，配合采用遗传算法，通过对模糊集理论所得到的结论及规则进行全面优化，使得诊断的结果更为准确与高效。上述案例方法在涡轮机故障诊断过程中进行应用时，可先建立完善的涡轮机故障集，在此基础上采用模糊集理论对涡轮机故障进行诊断，配合遗传算法对涡轮机故障规律进行优化，使得最终故障诊断结果更为准确。除遗传算法与模糊集理论课进行配合使用外，其他各类方法也可以根据设备实际情况进行搭配，使得最终诊断结果更为准确有效。
2结束语
近年来，我国的部队管理体系已经逐渐向着自动化方向发展，部队中各个部门都建立了一定的管理体系，也逐渐脱离了人工管理模式，实现信息现代化模式，很大程度提高了部队工作的效率，但是由于外界因素与经济发展的多样化以及人们的思维模式也在不断改变，从而出现了一些新问题，使得部队管理体系存在着一定问题：第一、关联性小、系统比较独立。现阶段，部队采购食品系统的作用以及目的比较简单，思维面也比较窄，也就是说按照清单进行食品采购时，不能充分考虑到采购人员的健康、效率等问题，不能达到最优化采购方式，因此就变得比较独立；第二，数据功能简单，可靠性不高。现阶段，部队食品采购数据只是对采购的种类与过程进行简单记录，时间一久，就会被损坏或者丢失；第三，数据分散不集中。现阶段与部队人员健康、起居饮食、训练相关的数据分散在不同系统中，使得数据变得不一致、不完整，仅仅只能进行简单查询、汇总、统计等工作，不能对数据进行多角度分析、关联等，不能为采购食品提供很好的政策支持。针对部队采购存在的问题，可以利用数据仓库以及数据挖掘技术建立多为数据库，利用数据挖掘进技术对食品采购数据进行挖掘。依据现阶段部队的实际发展情况，建立一套新数据库的成本代价比较高，因此，选用了目前社会上通用方法，对已经存在的数据进行一定改革与拓展，合理优化系统数据，成为新的数据库。并且选取对数据挖掘影响比较大的系统性分析，包括训练系统，食品采购系统、人员管理系统以及医疗卫生系统。针对食品采购采购系统建立数据模型。
二、在部队食品采购系统中的应用以及其价值评价
在部队食品采购系统实际应用工程中，其实可以运用MicrosoftSQLServerAnalysisServices来对数据进行分析，并且在数据挖掘过程中对多维数据进行描述与查找起到一定作用。因为多维数据比较复杂，增长的也比较快，因此，进行手动查找是很困难的，数据挖掘技术提供的计算模式可以很好的对数据进行分析与查找。在建设部队食品采购仓库数据的时候，数据内容主要包括了人员的健康、兵员的饮食以及训练等，进行数据挖掘主要包括以下内容：第一，把每个主题信息数据进行收集、汇总、分析等，对人员情况、健康、饮食、训练等进行合理分析；第二，多维分析数据信息。根据部队的实际情况，利用数据挖掘技术对部队人员健康、饮食、训练等数据信息进行多维分析，其中包含上钻、切片、下钻等；第三，挖掘健康与饮食之间的内在关系。根据数据库中许多面向主题的历史数据，采用数据挖掘技术进行分析与演算得到部队人员的训练和健康情况与部队饮食之间内在关系，以便于为部队食品采购提供合理的、有效的保障，从而提高部队整体人员的健康水平、身体素质以及训练质量，对提高我国部队战斗力有着深远的意义。
三、结束语
档案管理对象的数量随着社会的发展而不断增加，仅仅通过传统的管理方式已不能高效管理档案，这就需要充分利用计算机网络技术。在档案管理系统中应用计算机数据挖掘技术可以确保档案信息的安全性，提高管理档案的效率，还能优化档案数据的检索。总之，基于大数据的计算机数据挖掘技术对完善档案管理系统发挥着十分重要的作用。
2基于大数据的计算机数据挖掘技术概述
基于大数据的计算机数据挖掘技术是当代新开发的一种数据处理技术，它可以从大数据中挑选出人们需要的数据。计算机数据挖掘是一个循环往复的过程，如果没有取得预期的效果，计算机数据挖掘信息处理系统就会返回上一层重新工作，直到完成目标任务为止，这种对目标的细化过程可以满足档案数据检索的需要。
3基于大数据的计算机挖掘技术在档案管理系统中的作用
3.1提高档案信息的安全性。无论是文字档案、图片档案还是其他形式的档案，都是一种宝贵的资料。越是意义重大的档案，档案管理人员就越要想方设法将其保存起来。档案的价值随着其保存时间的不断推移而增加，价值越高的档案，被使用的频率就越高，但是如果使用过于频繁的话，就会缩短档案资料的寿命，加大保存难度。除此之外，有的档案信息是保密的，在应用时如果监管不力就会导致机密泄露。由以上可见，档案的保存与使用俨然已互为对立面了。将计算机挖掘技术应用到档案管理中则对档案资料的完整性毫无影响，并且还可以提高档案信息的安全性。3.2提高档案信息管理的效率。在档案管理工作中应用计算机数据挖掘技术，可以极大改变传统档案管理模式低效率的弊端。使用计算机数据挖掘技术，大大提高了工作人员处理档案信息的速度，同样的工作使用的时间极大减少。鉴定档案是档案管理工作中的重要组成部分，传统的鉴定方式是由管理人员根据自己的经验进行主观鉴定，有时会存在有价值的档案丢失的现象。应用计算机数据挖掘技术，档案管理人员就可以利用计算机系统分析档案使用和保存的情况，促进了档案鉴定工作的发展。3.3提高了档案信息的使用效率。大部分档案信息具有一定的机密性，所以档案的借阅并不是向全社会公开的，而是有范围限制的，但是由于档案管理人员和借阅者对档案信息不熟悉，导致双方的沟通存在一定的问题，在借阅者提出申请之后，档案管理人员会将档案资料调出来，有时调出来的资料不是借阅者所需要的，还得重新调阅，类似的过程就严重浪费了双方的时间。应用计算机数据挖掘技术可以促进档案管理人员和借阅者之间的交流，让档案管理者明确借阅者需要的具体档案信息，从而形成专门的档案提供渠道，这就大大提高了档案信息的使用效率。3.4增强档案信息的服务性。加密档案信息会严重缩小它的适用范围，受当代信息化的影响，很多档案信息自身会出现一些问题，并且只能为一小部分人服务。将计算机数据挖掘技术应用到档案信息管理中，可以具体分析档案的使用情况，通过研究发现未来使用档案信息的人群，在此基础上提高档案信息的服务性。
4基于大数据的计算机数据挖掘技术在档案管理中的实际应用
4.1在档案分类管理中的应用。档案管理的基础工作就是将档案进行分类。传统的分类方法既费时又费力，工作效率极低。计算机数据挖掘技术中有一种决策树算法，它可以在最短的时间内按照一定的规则将不同属性的档案信息进行分类和整理，大大提高了档案分类工作的效率。计算机数据挖掘技术在档案分类工作中的具体流程是：从大量不同种类的数据集中选择一些数据组合成训练集，然后应用到没有进行分类的档案管理中，这样可以帮助管理者根据借阅者对档案信息的需求来对档案进行分类，同时还可以根据借阅者的需求为其推荐其他档案信息。通过这些针对性强的数据分析，可以极大缩短借阅者获取档案信息的时间，档案数据的利用价值就能充分发挥出来。4.2在档案收集管理中的应用。计算机数据挖掘技术可以根据数据库内部的数据信息描述来构建一个相应的数据模型，然后比较计算机数据样本和数据模型之间的差异，如果这二者互相吻合，就需要档案管理人员使用测试样本模型来对档案信息进行分类处理。计算机数据挖掘技术需要全面分析档案数据信息库中的数据，建立一个对已知数据有详细描述的概念模型，并与测试样本进行对比，如果一个模型测试通过，就证明这个模型可以应用在档案收集管理中。
5结语
综上所述，在科技技术不断进步的时代背景下，在档案信息管理中应用基于大数据的计算机数据挖掘技术已成为一种必然趋势，它可以极大提高档案信息管理的工作效率，促进档案管理的高效发展。除了在档案信息存储和利用上确保基本的信息查询服务外，还需要应用计算机数据挖掘技术整合档案信息，建立众多档案管理服务数据之间的关联，这样才能为档案信息管理提供更好的服务。
作者:陈皓颖 单位:昆明理工大学津桥学院
参考文献
[1]高燕飞,陈俊杰.试析计算机数据挖掘技术在档案信息管理系统中的运用[J].内蒙古师范大学学报:哲学社会科学版,2012(4):44-46.
[2]曾雪峰.计算机数据挖掘技术开发及其在档案信息管理中的运用研究[J].科技创新与应用,2016(9):285.
[3]李国强,曹巧莲,辛正宇,等.浅谈数据处理的新技术———数据挖掘[J].科技创新与生产力,2010(6).
[4]周碧珍.浅析计算机数据挖掘技术在档案信息管理系统中的应用[J].黑龙江科技信息,2009(1).
1分类。分类技术可解决事件的归类问题，在应用时，不仅可以完成数据分析的任务，还能对未来的数据类型进行必要的预测，比如，充分运用分类技术对客户的具体倾向进行预测，确定客户是否对相关研究感兴趣，该技术方法也可应用在医疗领域，针对患者的病情，通过分类技术选取适宜的药物。
2回归。回归技术的核心为已知变量的数值，在此基础上，对其他种类的变量实施必要的预测。在一般条件下，回归技术充分发挥了线性回归的实际效果，但从现实的角度讲，并不是所有问题都能用基本的线性回归进行分析和解决的，为了更好的适应这些实际的问题，相关人员对此也正在着手研究全新的方法，并已取得了显著的效果，许多新型分析方法应运而生，比如逻辑回归以及神经网络等。
3时间序列。时间序列技术实际上就是以过去的变量为基础，分析和预测下一阶段变量的方法。与回归技术相同，同样都是运用现有的组员完成预测任务的，但资源的时间序列是存在一定差异的。时间序列技术通常是在完整的时间流中截选一个时间区间，对应数据形成一整套单元，最后将此单元在时间流上进行滑动，从而获取训练集。
4描述型。图形与可视化工具是十分重要的，是相关人员完成快速分析任务的重要手段之一，改善了传统数据的枯燥与乏味，不仅实现了数据整体的分析，还能对其中的每一个细节实施细致的观察与分析，在图形模式的支持下，人们可以更容易的了解到数据信息中潜在的相互关系和模式。
5关联分析。关联分析技术是指在数据库中快速获取数据的相关性。较为常用的技术方法主要有两种，分别为关联规则与序列模式，其中关联规则是在相同时间中存在的不同项之间的相关性，而序列模式的研究对象主要为具体的事件。
6聚类。聚类技术实质上就是数据库的分类，组间差别尽可能的明显，而同一组内的数据要尽可能的相似或相同。聚类技术与分类技术存在很大的区别，在实施聚类以前，并不了解数据组的具体数量，分组的方法和依据也不知晓，所以在聚类完成以后，需要得到专业人士的分析和解释。
二、经济普查的根本目的与重要意义
1.根本目的。经济普查是为了充分了解我国产业现阶段发展的具体规模和实际效益，并创建完善的基本单位数据库和对应的管理系统，为社会可持续发展方针的落实奠定坚实的基础，同时也为国民经济的快速发展献计献策。经济普查的基本目标是了解情况，建立相应数据库则是必要的手段，最终目的是促进我国国民经济的快速发展与壮大。
2.重要意义。经济普查数据信息属公共产品范畴，既是党和政府认识我国基本国情的重要依据，也是判断各行业发展与走向的有效方法。经济普查的全面开展与落实，可以为广大人民群众开创更多的就业渠道，改善人们的生活质量，使国民经济的改革与建设更加完善与全面。
三、经济普查数据挖掘方法的应用
1.注册服务器。在经济普查中运用书库挖掘方法，首先应注册服务器。分析服务器是数据分析的主体，有着不可取代的作用，因此分析服务器一般为首要的注册对象，其他种类的注册对象都是它的一部分。通常情况下，分析服务器名称要与对应网络名称保持一致。
2.创建数据仓库。在分析服务器注册完成以后，即可在该服务器的基础上建立各类数据库，由于数据库中还缺乏具体的对象，因此可认定该数据库为空。为了使其发挥出更好的挖掘效果，还需充分考虑实际情况，创建适宜的研究对象。在计算机硬盘中寻找对应的安装目录，并在下分的子文件找到并观察经济普查工作的数据库，确定文件的实际大小，在文件中存在数据库操作方面所需的文件，这些文件主要以事件日志及数据的方式存在，且初始物理大小均为1M，在运行时一般以10%的速度增长。
3.建立索引。在上述操作完成以后，即可建立经济普查相关的数据库，但数据库本身只是一种数据信息的存储单元，想要使其发挥出最佳的效果，还需在数据库的基础上建立数据表，并建立与SQL操作所对应数据源，实际情况中满足选取条件的数据源有很多种，由于该操作事先已经完成了数据表的建立，所以该数据库中的数据类型仅有SQL这一种形式。
4.连接数据源。一般而言，数据库创建完成以后的首要建立目标为数据源，数据源在数据库中具有指定源数据的作用，数据库的基本数据类型有很多种形式，为了满足数据库使用的基本需求，可在同一种数据库中设置多种数据源。连接数据源是为了让数据挖掘更好的进行，在数据源连接完成以后，可在相关软件的支持下，完成数据挖掘的各项操作。
四、结语
