【正文】 情報環(huán)情報處理模型 。其共同點或中心思想是在信息融合過程中進行多級處理 .現(xiàn)有系統(tǒng)模型大致可以分為兩大類： a）功能型模型，主要根據(jù)節(jié)點順序構建； b）數(shù)據(jù)型模型，主要根據(jù)數(shù)據(jù)提取加以構建 .在20 世紀 80 年代，比較典型的功能型模型主要有 U K情報環(huán)、 Boyd控制回路（ OODA 環(huán)） ；典型的數(shù)據(jù)型模型則有 JDL 模型 . 20 世紀 90年代又發(fā)展了瀑布模型和 Dasarathy模型 . 1999 年 Mark Bedworth 綜合幾種模型，提出了一種新的混合模型。由于信息的抽象層次高，決策層融合可以在異質多源信息之間進行，對原始信息沒有特殊要求，具有高度模塊化和較好的容錯性。 3） 決策層 信息融合。 2） 特征層 信息融合。 信息融合技術 2 信息融合的 層次結構 信息融合的通用結構模型有三層： 1） 像素層 信息融合。這些領域主要包括：機器人和智能儀器系統(tǒng)、智能制造系統(tǒng)、戰(zhàn)場任務與無人駕駛飛機、航天應用、目標檢測與跟蹤、圖像分析與理解、慣性導航、模式識別等領域。 20世紀 90年代以來，傳感器技術和計算機技術的迅速發(fā)展大大推動了信息融合技術的研究，信息融合技術的應用領域也從軍事迅速擴展到民用。特別是在伊拉克戰(zhàn)爭和阿富汗戰(zhàn)爭中，美國軍方的信息融合系統(tǒng)都發(fā)揮了重要作用。法國也研發(fā)了多平臺態(tài)勢感知演示驗證系統(tǒng)（ TsMPF）。此外，英國陸軍開發(fā)了炮兵智能信息融合系統(tǒng)（ AIDD）和機動與控制系統(tǒng) (WAVELL）。 1988年，美國將 CI(Command， Control， Commication and Intelligence）系統(tǒng)中的數(shù)據(jù)融合技術列為國防部重點開發(fā)的二十項關鍵技術之一。在美國研發(fā)成功聲納信號處理系統(tǒng)之后，信息融合技術在軍事應用中受到了越來越廣泛的青睞。 1973年美國國防部資助開發(fā)的聲納信號處理系統(tǒng)，其概念在 20世紀 70年代就出現(xiàn)在一些文獻中。 信息融合技術 20世紀 80年代形成和發(fā)展起來了一種自動化信息綜合處理技術 ——信息融合，這對企業(yè)獲取和保持競爭優(yōu)勢至關重要。目前，信息融合技術己在許多民用領域取得成效。當前，信息融合技術在軍事中的應用研究己經(jīng)從低層的目標檢測、識別和跟蹤轉向了態(tài)勢評估和威脅估計等高層應用。軍事領域是信息融合的誕生地，也是信息融合技術應用最為成功的地方。歐洲五國還制定了聯(lián)合開展多傳感器信號與知識綜合系統(tǒng)（ SKIDS）的研究計劃。由于信息融合技術在海灣戰(zhàn)爭中表現(xiàn)出的巨大潛力，在戰(zhàn)爭結束后，美國國防部又在 CI系統(tǒng)中加入計算機（ puter），開發(fā)了以信息融合為中心的 CI系統(tǒng)。20世紀 80年代，為了滿足軍事領域中作戰(zhàn)的需要，多傳感器數(shù)據(jù)融合 MSDF (Multisensor Data Fusion）技術應運而生。在 20世紀 90年代，隨著信息技術的廣泛發(fā)展，具有更廣義化概念的“信息融合”被提出來。 信息融合技術 20世紀 80年代形成和發(fā)展起來了一種自動化信息綜合處理技術 ——信息融合，這對企業(yè)獲取和保持競爭優(yōu)勢至關重要。現(xiàn)在，當進行更具針對性的營銷活動時，銀行能夠區(qū)別對待不同的客戶群，以提升產品和服務質量，同時還能制訂適當?shù)膬r格和設計各種獎勵方案，甚至確定利息費用。該系統(tǒng)能夠通過瀏覽器窗口進行觀察，使得管理人員不必分析基礎數(shù)據(jù)，因此非常適合于非統(tǒng)計人員。 幾年前，該銀行開始采用 IBM DB2 Intelligent Miner Scoring，基于銀行賬戶余額、客戶已擁有的銀行產品以及所處地點和信貸風險等標準來評價記錄檔案。但是，正如每個處于接受端的人所了解的那樣，大多數(shù)人在工作結束后對于兜售并不感興趣。然后，銀行需要開發(fā)相應商品并進行營銷活動， 從而滿足這些需求。銀行智能化商業(yè)高級經(jīng)理 Jan Mrazek 說，這反映了銀行的一個新焦點 客戶 (而不是商品 )。 數(shù)據(jù)挖掘技術 數(shù)據(jù)挖掘應用的案例： 蒙特利爾銀行是加拿大歷史最為悠久的銀行，也是加拿大的第三大銀行。 6 生物醫(yī)學和 DNA分析 中的應用 7 農業(yè) 中的應用 找出與土壤質量相似區(qū)域種植農作物，控制植物品種等。 5 工程與科學研究 中的應用 數(shù)據(jù)挖掘以其強大的職能性和自動性，在工程和科學研究中得到廣泛應用。 數(shù)據(jù)挖掘技術 3 電信業(yè) 中的應用 通過呼叫源、呼叫目標、呼叫量和呼叫類型等電信數(shù)據(jù)發(fā)現(xiàn)電信服務中的使用模式和客戶分組，進行細分服務。 聚類分析 技術對數(shù)據(jù)庫里的數(shù)據(jù)項進行分類。如，網(wǎng)購 A產品的人在 2小時內又網(wǎng)購 B產品。 2 互聯(lián)網(wǎng) 中的應用 1）互聯(lián)網(wǎng)中挖掘的 數(shù)據(jù) ：用戶的背景信息，比如用戶注冊信息；用戶瀏覽信息，主要是用戶的一種網(wǎng)頁瀏覽行為；互聯(lián)網(wǎng)自身的信息，比如網(wǎng)頁內容，互聯(lián)網(wǎng)結構等。 2 數(shù)據(jù)挖掘與 OLAP的 聯(lián)系 1） OLAP可用于驗證數(shù)據(jù)挖掘預測的結果 2）經(jīng)清理、變換和集成的數(shù)據(jù)倉庫可同時做 OLAP和數(shù)據(jù)挖掘數(shù)據(jù)源 3）利用聯(lián)機分析技術將使得數(shù)據(jù)挖掘更加高效靈活 4）數(shù)據(jù)挖掘功能的聯(lián)機選擇，用戶往往無法明確希望挖掘的知識類型，通過將 OLAP與多種數(shù)據(jù)挖掘功能集成在一起，可靈活地為用戶選擇所期望的數(shù)據(jù)挖掘功能，動態(tài)地改變數(shù)據(jù)挖掘任務。 數(shù)據(jù)挖掘是一種挖掘性的分析工具，它主要利用各種分析方法主動地去挖掘大量數(shù)據(jù)中蘊含的規(guī)律，本質上是一個歸納的過程。 數(shù)據(jù)挖掘技術 數(shù)據(jù)挖掘與 OLAP 1 數(shù)據(jù)挖掘與 OLAP的 區(qū)別 OLAP是在聯(lián)機事務處理基礎上發(fā)展起來的一種共享多維信息的快速分析技術。 6 實施 對整個數(shù)據(jù)挖掘項目實施，并產生最終報告。由于不同技術對數(shù)據(jù)的格式有不同要求，因此常常需要返回到數(shù)據(jù)準備階段。 3 數(shù)據(jù)準備 完成將原始數(shù)據(jù)轉換為數(shù)據(jù)挖掘可操作的目標數(shù)據(jù)的任務，一般要經(jīng)過數(shù)據(jù)選擇，數(shù)據(jù)清洗、數(shù)據(jù)構建、數(shù)據(jù)集成、數(shù)據(jù)格式化等操作，但這些操作并不一定按固定次序執(zhí)行，常常要反復數(shù)次。 數(shù)據(jù)挖掘技術 16張牌，如何分組？ A K Q J 數(shù)據(jù)挖掘技術 第一組：花色相同 第二組：符號相同 第三組：顏色相同 第四組：大小形狀相近 A K Q J A K Q J A K Q J A K Q J 數(shù)據(jù)挖掘技術 數(shù)據(jù)挖掘過程 由一些軟件供應商和用戶組織成立的跨行業(yè)數(shù)據(jù)挖掘過程標準協(xié)會開發(fā)了一個與行業(yè)無關、與工具無關的數(shù)據(jù)挖掘過程模型，整個過程劃分為六個階段： 1 業(yè)務理解 指從業(yè)務角度理解項目的目標和需求，它的主要目的是把項目的目標和需求轉化為一個數(shù)據(jù)挖掘問題的定義和一個實現(xiàn)這些目標的初步計劃。 早在孩提時代，人就通過不斷改進下意識中的聚類模式來學會如何區(qū)分貓和狗，動物和植物 5 孤立點分析 數(shù)據(jù)庫中可能包含一些數(shù)據(jù)對象，它們與數(shù)據(jù)的一般行為或模型不一致，這些數(shù)據(jù)對象就是孤立點。 4 聚類分析 根據(jù)物以類聚的原理，將整個數(shù)據(jù)分成不同組，并使組與組之間的差距盡可能大，組內數(shù)據(jù)的差異盡可能小。預測是利用歷史數(shù)據(jù)找出變化規(guī)律，即建立模型，并用此模型來預測未來數(shù)據(jù)的種類特征。設最小支持度為 30%，最小置信度為 60%，可得到如下的關聯(lián)規(guī)則： 從顧客購買籃球來推斷 足球 （支持度＝ 40%，置信度為 66% ） 這條規(guī)則其實是錯誤的，因為購買足球的比例是 75%，甚至大于 66%。這樣的結構有時會產生一些錯誤的結果。這些規(guī)律即關聯(lián)規(guī)則。 數(shù)據(jù)挖掘技術 關聯(lián)分析的目的在交易數(shù)據(jù)、關系數(shù)據(jù)或其他信息載體中，查找存在于項目集合或對象集合間的頻繁模式、關聯(lián)、相關性或因果結構。結果描述可能是一般的比較輪廓，如經(jīng)常購買的顧客 80%為 2040歲，受過良好教育；而不經(jīng)常購買的顧客 60%為老人或小孩，未受良好教育。 數(shù)據(jù)區(qū)分是將目標對象與一個或多個對比對象的一般特性比較。 數(shù)據(jù)特征化是對數(shù)據(jù)一般特征或特性的匯總。 數(shù)據(jù)挖掘技術 數(shù)據(jù)挖掘的主要功能 1 概念描述 從數(shù)據(jù)分析的角度看，數(shù)據(jù)挖掘可分為描述式數(shù)據(jù)挖掘和預測式數(shù)據(jù)挖掘。 2）計算機性能提高和體系結構的進化：摩爾定律指出了計算機硬件的關鍵指標大約以每 18個月翻一番的速度增長；計算機體系結構中的并行處理技術已經(jīng)成熟和普及。數(shù)據(jù)倉庫作為一種新型的數(shù)據(jù)存儲和處理手段，成為多數(shù)據(jù)源集成的一種有效的技術支撐環(huán)境。 2 商業(yè)發(fā)展的需求 商業(yè)管理與運作的自動化和計算機化產生了大量的數(shù)據(jù)記錄，但傳統(tǒng)數(shù)據(jù)庫的應用只是一種簡單的查詢輸出，遠遠不能達到分析預測、決策支持等目的，而企業(yè)間的競爭也加劇了企業(yè)需要從內部進行知識管理、數(shù)據(jù)挖掘，從而找出與企業(yè)競爭相關的外部數(shù)據(jù)和信息。一方面，信息量像滾雪球一樣越來越大，信息爆炸的威力效果明顯；另一方面，豐富的數(shù)據(jù)和知識貧乏的矛盾又亟待解決。數(shù)據(jù)挖掘的對象不僅是數(shù)據(jù)庫，也可以是文件系統(tǒng)或其他任何數(shù)據(jù)。 3 OLAP與高級數(shù)據(jù)庫技術的結合 高級數(shù)據(jù)庫的數(shù)據(jù)類型通常結構復雜，長度很大，數(shù)據(jù)之間的關系也很復雜，一般的 OLAP工具不能夠滿足高級數(shù)據(jù)庫中數(shù)據(jù)類型的處理要求，因此針對各種不同的高級數(shù)據(jù)庫的 OLAP是其未來研究的新領域。數(shù)據(jù)倉庫有三種體系結構：企業(yè)倉庫型、數(shù)據(jù)集市型和分布型。采用 B/S結構的系統(tǒng)具有很大靈活性，能將應用邏輯、用戶界面及數(shù)據(jù)管理系統(tǒng)嚴格區(qū)分開來，復雜的應用邏輯集中存放在 OLAP服務器上，由服務器提供高效的數(shù)據(jù)存取和分析預處理。 2 實現(xiàn)的關鍵技術 1） 實視圖及其維護技術 2）立方體計算技術 3）查詢優(yōu)化與并行處理技術 4）數(shù)據(jù)集成技術 OLAP技術 OLAP評價準則 準則 1： OLAP模型必須提供多維概念模型； 準則 2：透明性準則，即能對不同數(shù)據(jù)源進行直接訪問，格式兼容； 準則 3：存取能力推測； 準則 4：穩(wěn)定的報表能力； 準則 5：客戶機 /服務器體系結構； 準則 6：維的等同性準則； 準則 7：動態(tài)的稀疏矩陣處理準則； 準則 8：多用戶支持能力準則； 準則 9：非受限的跨維操作； 準則 10：直觀的數(shù)據(jù)操縱； 準則 11：靈活的報表生成； 準則 12：不受限的維與聚集層次。第一層為客戶機，實現(xiàn)最終用戶功能；第二層為分析服務器，存儲數(shù)據(jù)倉庫中的綜合數(shù)據(jù)；第三層為企業(yè)服務器，存儲數(shù)據(jù)倉庫中的細節(jié)數(shù)據(jù)，即來自基層的數(shù)據(jù)。 OLAP支持最終用戶進行動態(tài)多維分析，其中包括：跨緯、在不同層次之間跨成員地計算和建模；在時間序列上的趨勢分析、預測分析；切片和切塊，在屏幕上顯示，從宏觀到微觀，對數(shù)據(jù)進行深入分析；可查詢到底層的細節(jié)數(shù)據(jù)；在觀察區(qū)域中旋轉，進行不同維間比較。 部門 銷量 部門 1 90 部門 2 60 部門 3 80 部門 1季度 2季度 3季度 4季度