天體光譜數據挖掘技術-在線瀏覽
2025-07-18 00:00本頁面
【正文】 新的、特殊類型的天體，因此，如何利用數據挖掘技術從海量天體光譜數據中發(fā)現未知的、特殊的天體及天體規(guī)律是數據挖掘值得研究和探索的新應用領域。以 LAMOST項目為背景，對天體光譜數據挖掘技術進行了研究，其研究成果不僅具有重要的理論價值，而且可直接應用到 LAMOST中，為國家重大科學工程提供技術支撐。 ? 利用關聯規(guī)則來描述天體光譜數據特征與其物理化學性質之間存在的、未知的相關性是可行性的，具有重要的應用價值。 ? 頻繁模式生成主要有： Apriori和 FP兩類算法。 ? FP算法 優(yōu)點 : (l) 通過對 FP樹的遞歸訪問，產生頻繁模式集，僅需要構造 FP樹和條件 FP樹，不需要產生候選項集； (2) 對事務數據庫僅需兩次遍歷，第 l次遍歷產生頻繁l項集，第 2次遍歷用于構造 FP樹，從而降低了訪問數據庫的次數。 約束 FP樹及其構造 ? 一階謂詞邏輯與背景知識 數據挖掘是從宏觀角度利用積累的巨量數據進行知識抽象的高級階段，是一項高級的智能活動，因此數據挖掘過程離不開背景知識的支持。 面向關聯規(guī)則挖掘的背景知識實際上是描述數據集中的對象與屬性之間、屬性與屬性之間的約束關系，因此采用一階謂詞邏輯描述關聯規(guī)則挖掘中的背景知識是可行的。 (1) Interesting (f(r)) (2) support(f(r),k) ??Interesting (f(r)) (3) Interested(f(r)) ? Interesting (f(r)) (4) P(f(r)) 217。 ? CFPtree及構造 定義 34 設 G為背景知識，對于任意頻繁模式樹 FPtree，如果從根節(jié)點到葉子節(jié)點的路徑中，所描述的任一頻繁模式 P，使得 G（ P） =True，則稱 FPTree為約束頻繁模式樹 CFPtree。 定理 21 設 D為一個交易數據庫、 ?min為最小支持度、 G為背景知識，所構造出的約束 FP樹為 CFPtree，則從CFPtree提取出的任意頻繁模式 P，一定是滿足 G（ P）=true（即約束頻繁模式）。 定理 23 CFPtree是 FPtree的子集。（約束的單調性） 推論 31 設 D為一個交易數據庫、 G1， G2為背景知識，T1， T2分別是基于 G1， G2構造的 CFPtree，當G1=G2時 T1=T2。 定理 35 設 D為一個交易數據庫、 ?min為一個最小支持度、 G為背景知識，構造出的約束 FP樹為 CFPtree，由 G將交易數據庫分為兩部分，即： D=D1∪ D2,其中：?T∈ D1，那么 G（ T） =True， ?T∈ D2， G（ T）=False， 如果對于 D1，采用傳統 FPtree構造方法的 FP樹為 FPTree1，則 CFPtree與 FPTree1是同一棵樹。的 200個波長，離散化為十三種值； 2）溫度等間隔離散化為三種值，七類恒星溫度離散化為二十一種值； 3）光度、化學分度、微湍流等間隔離散化為三種值。 定義 35 設 r 是天體光譜數據庫中的關系表名個體變量， f 是表示關系表到屬性的映射的函詞， ?min 是最小支持度（ 0≤?min≤1），則天體光譜知識 G可由如下謂詞公式，通過邏輯運算符組成合適公式。 定理 36 設 S是表示天體光譜知識 G的子句集，任一子句s∈ S是由謂詞 Interesting (f(r)) 、 support(f(r), ?min) 、 Interested(f(r))所表達的若干有限文字析取式，且下列公式成立。 推論 31 設 G為天體光譜知識，則 G描述了一組感性趣的天體光譜模式，即天體光譜模式集。提取過程從 1頻繁模式開始，構造它的條件模式基； 然后構造它的條件 CFP樹，并遞歸地在該樹上進行提取。 ? 體系結構與功能 主 程 序 數據預處理 背景知識獲取 CFP樹構造 頻繁模式提取 關聯規(guī)則挖掘 預處理參數輸入 挖掘結果輸出 用戶接口 規(guī)則提取 FP樹的構造 頻繁模式挖掘 歸一化 恒星光譜庫 恒星光譜數據 離散化 ? 運行結果及分析 退回 引言 離群數據識別的主要方法： 距離的方法、統計的方法、局部密度的方法和基于偏離模型的方法等。 C 2021年提出了一種基于子空間的高維離群數據識別算法，該算法采用遺傳算法搜索離群數據。 概念格 , 由 Wille R 提出 , 是
教學課件相關推薦
鄂ICP備17016276號-1