针对用户需求获取及预测模糊性、抽象性等问题,提出基于Web评论数据和专利知识获取及预测用户需求的方法。首先,采用SAS软件基于特征提取技术获取用户显性需求;然后,通过结构方程模型(SEM)分析显性需求与马斯洛需求层次的潜在关系,并确定需求权重;最后,挖掘专利知识单元结合需求等级,挖掘用户隐性需求;依据Kano属性对用户需求分类,结合需求进化定律确定用户需求进化方向。以儿童用双轮智能平衡车为例,论证此方法的可行性。

大型旋转机械设备在发生故障时所造成的损失是不可计算的,因此建立了关联规则库预警模型。首先采用全矢Hilbert对正常运行状态下的同源双通道原始样本数据进行信息融合,然后进行离散化等预处理,建立后期工作所需要的数据库。利用Apriori算法发现滚动轴承八个特征频率幅值数据之间的未知关系,继而用挖掘出的关联规则构建一个规则库。将运行数据通过处理之后与所建立的规则库相匹配,并设立阈值,依据此结果在设备未完全报废之前,及时发出报警信号,达到预警目的。

针对当前输电线路故障预警存在精度低的难题,设计基于大数据的输电线路故障预警模型。首先采集故障相关的特征数据,利用粗神经网络算法对数据内故障因子进行挖掘,然后利用朴素贝叶斯算法计算故障因子发生指数,结合时间序列一致性的故障匹配算法完成输电线路故障预警。测试结果表明,该模型能够有效且全面地挖掘故障因子,准确预警输电线路故障。

为了加强故障信息数据挖掘力度,减少人力物力资源浪费,解决机械故障图像检测的特征信息、高分辨属性描述清晰度有限等问题,在决策树算法的基础上构建一种诊断机械故障信息挖掘方法。对机械故障检测图像中连续小波进行离散化处理,提取小波变换特征,将多次分解后的小波变换特征集成为并行结构;根据包含小波变换特征集并行结构的子集节点,在决策树算法中引入C4.5算法,优化挖掘出具有较高取值信息增益的灰度级,并通过校正矩阵将每个样本图像构造成多个不同的训练数据集,去除不同的属性子集,形成众多深度树,重复选择,直到得到目标数据。仿真实验结果表明,所提出的算法具有计算简单、挖掘效率高等优点,能够在最短时间内获取最优数据挖掘结果,可以广泛应用在现实生活中。

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络(CNN)和门结构循环单元(GRU)网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。

针对发电厂生产系统和信息管理系统的现状，研究了一套适合发电厂的数据仓库DW(Data Warehouse)设计方法，即全厂级数据模型指导下的自底向上开发策略．数据库／联机分析处理OLAP(On-Line Analytical Processing)服务器／客户端的三层体系结构，星型多维数据模型及以SCADA系统和MIS系统为主的数据源。在建立数据仓库的基础上．通过联机分析处理技术可对发电厂的发电量，蒸汽量等全厂生产、经营、管理的汇总数据进行多维分析，使最终用户可从多角度、多侧面观察数据仓库中的数据。数据挖掘方法可找出数据仓库数据中隐藏的有用信息和知识．可用于发电厂设备检修，负荷预测和上网报价等，辅助管理人员作出科学的决策。

根据道路交通管理部门基于事故数据库挖掘事故成因的需要,将交通事故属性划分为两个层次,应用粗糙集理论,分步给出了“人、车、路、环”四要素及各自包含属性对交通事故重要程度的计算方法。实例分析和t检验结果表明了方法的有效性。

通过研究基于两阶段频集思想的Apriori算法,针对Apriori算法的性能瓶颈提出了改进的Apriori算法,利用改进的Apriori算法对乳腺疾病数据进行挖掘,使用SQLServer2005数据挖掘工具,主要建立肿瘤复发和其他属性间的关联规则。挖掘结果证明了关联规则算法在医疗数据挖掘中的有效性。

长期以来,由于海上钻完井物资供应缺乏有效的分析与预测系统,导致物流公司无法预先科学、有效地安排相关物流资源,资源利用率和服务质量得不到提升。通过对海上钻完井历史数据相关关联关系的分析研究,采用合适的算法,研究出了适合中海油能源物流有限公司的物流资源预测模型,并通过理论验证和数据验证相结合的方法论证了该预测模型的有效性,以指导物料需求预测及物流资源预测软件系统的研发。

分析了影响细长杆件切削误差的多种因素,通过网络汇总各单位大量加工数据,构建共享数据库,使用数据挖掘工具分析单个因素和关联因素对加工误差的影响权重,寻找对误差影响最大的原因,采取相应措施减少误差。