跳远技术现状研究综述

摘要：在田径项目中，跳远是一个对技术要求很高的项目。近年来跳远成绩不断提高,根本原因是运动员通过科学训练、身体素质和专项素质得到全面发展,技术取得长足进步的体现。本文运用文献资料综述法，从跳远技术的多个环节，对国内外跳远技术的研究现状和结果做了系统的分析和整理。

关键词：助跑起跳腾空落地

前言

跳远是由助跑、起跳、腾空和落地四个部分组成的。它们是一个完整的统一体。因此，正确地完成跳远技术的各个部分动作，以及实现各部分动作的有机结合是跳远技术的关键。现代跳远始于19世纪末，自美国名将迈克·鲍威尔（Mike Powell ）在第三届世界田径锦标赛创造的8米95跳远世界纪录以来，打破此记录一直成为许多世界优秀选手追求的梦想。从跳远技术的发展来看，有一个由简单到复杂的过程。最初是简单的蹲踞式，之后有了挺身式，又有了走步式。今天的跳远技术，正向着快速的助跑。迅速而有力的起跳和较高的跳跃高度方向发展，运动员必须具备全面和良好的身体素质，熟练而准确地掌握先进的技术，才能在赛场上取得好的成绩。因此，当前应该认真总结经验，运用先进的理论、技术与科学的训练方法，以迅速提高我国运动员跳远水平。

助跑

跳远的助跑速度与跳远成绩密切相关。跳远助跑的任务就是获得最高的水平速度，并为准确踏板和快而有力的起跳做好技术、身体和心理上的准备。

跑是跳的基础，跳是跑的发展与结果。跑不好，就跳不好。日常生活中经常可以见到这种现象，当欲跳越一定宽度的壕沟时，人总要加上几步助跑。当汽车穿越同样的坡度时，快速行驶的汽车总比慢速行驶的汽车冲得要远得多。这足以说明，快速助跑对提高跳远成绩的积极作用。

1.1助跑起动及加速方式

助跑的起动姿势直接影响助跑的稳定性与准确性。赵承业在《跳远技术分析》一文中将助跑的起动姿势有两种：一种是从静止状态开始，一般采用两腿微曲、两足左右平行站立的“半蹲式”，或两腿前后分立的“站立式”起动姿势。另一种是走几步或走跳步结合踩上第一个标志点，行进间开始的起动。第一种方法，前三步的和速度变化较小，有利于提高助跑的准确性。第二种方法，助跑则比较自然，动作比较放松。但由于是动态，每次踩上标志的位置和速度不易控制，对准确踏

板提出了更高的要求。

助跑的加速方式有两种：一种是积极加速，一种是逐渐加速。积极加速方式是从助胞一开始就跑得很积极。步频始终保持在较高水平上，这种加速方式能较早地摆脱静止状态，并获得较高的助跑速度。其特点是助跑开始几步的步长较短，步频较快，上体前倾也较大。这种助跑方式适合于绝对速度较快的运动员。但因助跑动作紧张，起跳的准确性差，所以世界优秀运动员很少采用这种方法。逐渐加速方式一股是在加大步长或保持步长的基础上提高步频。这种加速时间较长，加速过程比较均匀平稳。因此，跑的动作比较轻松、自然。起跳的准确性较好，每次试跳成绩也较稳定。刘易斯、鲍威尔等优秀运动员大部采用这种方式。

1.2助跑的距离和速度

助跑距离由于运动员的步幅大小不一，加速能力的不同而有所差别。郭爱斌在《跳远运动中助跑与起跳技术分析》一文中表达这样的观点：只有适宜的助跑距离才能使自己水平速度充分发挥。这是一个重要而又常常被忽视的问题。如果距离不够长,则不能充分发挥出速度水平;如果过长,则又会造成无效的体力消耗,甚至起跳时速度下降。所以每个运动员确定适宜的助跑距离是训练中的任务。助跑距离的长短应因人而异。我们一般的助跑距离,男为35~40 m,女为30~35 m。但是还有更长的助跑距离,如美国刘易斯的助跑距离为51. 3 m之多,这跟他个人的最高速度的发挥有关系,随其专项成绩、训练水平及绝对速度水平的不断变化而进行必要的调整。

运动员高速助跑的目的就是在起跳时获得最大的起跳速度。大量研究表明,助跑速度在决定跳远成绩的所有因素中所占的作用大于70%,它与跳远成绩的相关系数男运动员高达0. 943,美国人认为:提高0. 1 m /s的腾起速度时,跳远成绩将增加9. 5 cm,所以现代跳远技术提倡在高速助跑下迅速完成起跳,如世界部分优秀跳远运动员最后10m的助跑速度可达10 m /s以上。

1.3最后几步的助跑技术

最后6-8步的助跑技术，主要表现为两种技术特征，一种是最后几步的步长相对缩短，步频明显加快，形成快速进入起跳的助跑技术节奏；另一种是在步长相对稳定的情况下，加快步频，形成快速上板的助跑技术特征。

阳剑在《跳远助跑、起跳技术分析》一文中指出：在最后两步里,倒数第二步较大,其原因是由于身体重心下降和支撑腿膝、踝弯曲所致,这一步是以全脚掌着地。倒数第二步与正常跑是不同的,不能仅仅是跑过这一步,而是必须在这一步为起跳做准备。最后两步是一长一短,最后一步由于身体重心的提高而使其小于倒数第二步,这样有利于有效地做好起跳的准备。在最后两步要放松并保持助跑速度,继续摆臂动作,否则会减慢起跳前的速度。助跑速度的损失,反映在两个方面:

一是助跑距离过短,踏跳时尚未达到最高速度;二是助跑距离过长,在踏跳前早已达到最高速度。在训练中要使运动员建立助跑的速度由慢到快,最后达到运动员能控制的最高速度的节奏。

起跳

起跳的主要任务是使身体按适当的腾起角（一般为18~24度）腾起。腾起的初速度越大，越有可能取得优良的成绩。优秀运动员的腾起初速度可达9.2~9.6米/秒，身体重心腾起高度可达50~75厘米。起跳时，从脚掌着地离地的过程中，身体重心向前移动的距离约1米左右，起跳时间为0.1~0.13秒。起跳过程可分为着地、缓冲和蹬伸三阶段。

2.1起跳脚着地

在助跑最后一步，为了加快着板动作，起跳大腿前摆得比短跑低一些，采用象跑时那样“扒地”动作，积极下落着板，脚跟与脚掌几乎同时接触起跳板。岳新坡、孔祥宁《对跳远起跳时几个不同角度之间关系的研究》表明此时，着地角、蹬地角的适宜与否，反应了运动员踏板技术的好坏，可根据运动员个体特点确定合适的着地角；扇面角的转化时机（即着地向蹬伸的过度）应在重心投影点之前；起跳时躯干与地面角度为90~107度，小腿与起跳板夹角为65度左右，膝关节为175到178度。

2.1缓冲

缓冲是指踏跳过程中从起跳脚着板开始到膝关节的最大弯曲环节，它的作用降低了运动惯性力对身体的压力，缓冲了对水平速度的制动，并为起跳蹬伸创造有利条件。由此可见，缓冲虽然不能直接影响跳远成绩，但它连接着助跑与起跳这两个关键环节，直接影响着助跑速度的发挥与利用以及起跳效果的好坏。刘德松《论缓冲能力对跳远助跑速度和起跳效果的影响》研究认为：缓冲能力强，有利于助跑速度的发挥和利用，可以加快踏跳时工作肌收缩方式的装换速度，有利于起跳时肌肉弹性势能的储存和利用，并能提高蹬伸的力学效果，从而提高起跳效果。

2.3蹬伸

蹬伸阶段是由起跳腿膝关节最大弯曲时始,至起跳脚跳离地面瞬间为止。此时，上体保持正直，提肩，拔腰，同时下肢快速蹬伸，髋、膝、踝三个关节充分伸直，身体向前上方腾起，蹬伸动作越快越充分腾起初速度和腾起角越大,要想做到这些必须注意蹬伸的时机和其它环节。前苏联的丘帕等人研究表明,在最大缓冲身体重心处于垂直支撑面3~ 8度有利于提高蹬伸力量,使支撑的作用力更宜通过身体重心,有利于起跳腿由退让性收缩转成主动性收缩,发挥最大的收缩肌力,

获得较大的蹬伸冲量。郭爱斌在《跳远运动中助跑与起跳技术分析》指出摆动环节对蹬伸也起着重要作用,蹬伸的目的是使髋、膝、踝三关节充分伸直,而摆动加大的动作幅度,上肢有意识的向前上方的摆动起到提肩、拔腰的作用,提高了身体重心。下肢摆腿的作用更不可忽视,现在跑步式起跑加快了摆动腿的速度,减短了起跳的缓冲时间,加快了蹬伸速度。摆动腿的幅度加大,带动髋关节的快速移动,

有利于起跳腿的充分伸直,所以在蹬伸过程中,要更合理利用摆动的作用。

腾空

人体离开地面后的空中腾越阶段，叫腾空。腾空技术是指人体在腾空运动时，通过身体上下肢动作变化实现的收腹抬腿动作，此时跳远运动员会产生向前翻转的特点，简称前旋。腾空技术也对成绩起着重要的作用。腾空技术包括：蹲踞式、挺身式、走步式三种。目前国内外教科书和文献资料以及跳远运动实践都普遍认为：走步式腾空技术克服身体前旋较挺身式腾空技术优越；挺身式腾空技术克服身体前旋较蹲踞式腾空技术优越。

落地

最后一个环节落地在平时的训练中常常不被重视，但细节决定成败，经济适用的落地能够有效的提高成绩。吕国栋在《影响跳远成绩的因素分析》一文中总结跳远比赛中，低水平运动员常常出现以下几种情况：（1）落地时滑行不够加之屈膝不够，臀部落在落地点的后方，使得成绩大大减少；（2）落地后习惯性的手撑地，犯了低级错误；而高水平运动员可通过身体的控制，将双腿充分向前伸展，落地时与地面的夹角降至最低，这样有利于运动员延缓落地时间，从而增加落地时的水平距离；（3）可以更好让身体落地时向前滑行，使得双脚以上的部位落地时落在远离双脚落地点的位置，不至于损失有效成绩。有些的运动员采取侧倒的动作落地，都是为了避免成绩无谓损失的有效方法。可见良好的落地技术是在控制好躯干稍有前倾的同时，使两腿高抬和向前伸展，并一直保持到脚跟即将触沙前，而当脚跟一接触沙坑，膝关节就要弯屈缓冲髋部前移，两臂由后向前摆动，使身体重心尽快移过落地最近点。所以训练时一定要通过关注以上细节来提升比赛成绩以及比赛时成绩的稳定性。

总结

根据阅读的文献发现，随着科技水平的提高，体育科研的发展，在许多跳远有关的文章中，人们对跳远助跑、起跳、腾空、落地等环节做出了大量的研究工作。对跳远项目的研究更加深入、细致。跳远各个环节的指标不断丰富，并且逐步揭示其本质特征，形成更加正确的理论。以此理论的指导，实践中运动员必将少走很多弯路，从而推动跳远成绩不断提高。

参考文献：

【1】赵承业《跳远技术分析》

【2】郭爱斌《跳远运动中助跑与起跳技术分析》

【3】阳剑《跳远助跑、起跳技术分析》

【4】岳新坡、孔祥宁《对跳远起跳时几个不同角度之间关系的研究》【5】刘德松《论缓冲能力对跳远助跑速度和起跳效果的影响》

【6】吕国栋《影响跳远成绩的因素分析》

【7】丁伟，蔡犁《跳远助跑与起跳技术研究综述》

数据挖掘研究现状综述

数据挖掘引言数据挖掘是一门交叉学科，涉及到了机器学习、模式识别、归纳推理、统计学、数据库、高性能计算等多个领域。所谓的数据挖掘（Data Mining）指的就是从大量的、模糊的、不完全的、随机的数据集合中提取人们感兴趣的知识和信息，提取的对象一般都是人们无法直观的从数据中得出但又有潜在作用的信息。从本质上来说，数据挖掘是在对数据全面了解认识的基础之上进行的一次升华，是对数据的抽象和概括。如果把数据比作矿产资源，那么数据挖掘就是从矿产中提取矿石的过程。与经过数据挖掘之后的数据信息相比，原始的数据信息可以是结构化的，数据库中的数据，也可以是半结构化的，如文本、图像数据。从原始数据中发现知识的方法可以是数学方法也可以是演绎、归纳法。被发现的知识可以用来进行信息管理、查询优化、决策支持等。而数据挖掘是对这一过程的一个综合性应用。

目录引言 (1) 第一章绪论 (3) 1.1 数据挖掘技术的任务 (3) 1.2 数据挖掘技术的研究现状及发展方向 (3) 第二章数据挖掘理论与相关技术 (5) 2.1数据挖掘的基本流程 (5) 2.2.1 关联规则挖掘 (6) 2.2.2 .Apriori算法：使用候选项集找频繁项集 (7) 2.2.3 .FP-树频集算法 (7) 2.2.4.基于划分的算法 (7) 2.3 聚类分析 (7) 2.3.1 聚类算法的任务 (7) 2.3.3 COBWEB算法 (9) 2.3.4模糊聚类算法 (9) 2.3.5 聚类分析的应用 (10) 第三章数据分析 (11) 第四章结论与心得 (14) 4.1 结果分析 (14) 4.2 问题分析 (14) 4.2.1数据挖掘面临的问题 (14) 4.2.2 实验心得及实验过程中遇到的问题分析 (14) 参考文献 (14)

岩心分析报告技术(简版)

岩心分析技术及应用一、X射线衍射 1．X射线衍射分析技术全岩矿物组分和粘土矿物可用X射线衍射（XRD）迅速而准确地测定。XRD分析借助于X射线衍射仪来实现，它主要由光源、测角仪、X射线检测和记录仪构成。由于粘土矿物的含量较低，砂岩中一般3%~15%。这时，X射线衍射全岩分析不能准确地反映粘土的组成与相对含量，需要把粘土矿物与其它组分分离，分别加以分析。首先将岩样抽提干净，然后碎样，用蒸馏水浸泡，最好湿式研磨，并用超声波振荡加速粘土从颗粒上脱落，提取粒径小于2μm（泥、页岩）或小于5μm（砂岩）的部分，沉降分离、烘干、计算其占岩样的重量百分比。粘土矿物的XRD分析使用定向片，包括自然干燥的定向片（N片）、经乙二醇饱和的定向片（再加热至550℃），或盐酸处理之后的自然干燥定向片。粒径大于2μm或5μm的部分则研磨至粒径<40μm的粉末，用压片法制片，上机分析。此外还可以直接进行薄片的XRD分析，它对于鉴定疑难矿物十分方便，并可与薄片中矿物的光性特征对照，进行综合分析。 2．X射线衍射在保护油气层中的应用 1）地层微粒分析地层微粒指粒径小于37μm（或44μm）即能通过美国400目（或325目）筛的细粒物质，它是砂岩中重要的损害因素，砂岩中与矿物有关的地层损害都与其有密切的联系。地层微粒的分析为矿物微粒稳定剂的筛选、解堵措施的优化提供依据。除粘土矿物外，常见的其它地层微粒有长石、石英、云母、菱铁矿、方解石、白云石、石膏等。 2）全岩分析对粒径大于5μm的非粘土矿物部分进行XRD分析，可以知道诸如云母、碳酸盐矿物、黄铁矿、长石的相对含量，对酸敏（HF，HCl）性研究和酸化设计有帮助。长石含量高的砂岩，当酸液浓度和处理规模过大时，会削弱岩石结构的完整性，并且存在着酸化后的二次沉淀问题，可能导致土酸酸化失败。 3）粘土矿物类型鉴定和含量计算

数据挖掘研究的现状与发展趋势_郑继刚

数据挖掘研究的现状与发展趋势郑继刚,王边疆 (保山学院数学系,云南保山678000) 影响其空间分布的因素之间的关系;预测型的模型用来根据给定的一些属性预测某些属性,如分类模型和回归模型等. 目前,主要在空间数据挖掘的体系结构和挖掘过程做了大量研究,包括面向对象的空间数据库的数据挖掘、模糊空间关联规则的挖掘、不确定性挖掘、聚类挖掘、挖掘空间数据的偏离和演变规则、基于多专题地图的挖掘、交叉概化、基于时空数据的概化、并行数据挖掘、统计分析与数据挖掘的协同和遥感影像的挖掘等,主要采用了基于统计学和概率论、集合论、机器学习、仿生物学、地球信息学的研究方法. 4.2多媒体数据挖掘多媒体数据,包括图形、图像、文本、文档、超文本、声音、视频和音频数据等,数据类型复杂.随着信息技术的进步,人们所接触的数据形式越来越丰富, 多媒体数据的大量涌现,形成了很多海量的多媒体数据库[8].这些数据大多是非结构化数据、异构数据, 特征向量通常是数十维甚至数百维,转化为结构数据和降维成了多媒体数据挖掘的关键技术. 有研究者提出了多媒体数据挖掘的系统原型ＭＤＭＰ,将多媒体数据的建模表示、存储和检索等多媒体数据库技术与数据挖掘技术有机地结合在一起, 采用多媒体图像数据的相似性搜索、多维分析、关联规则挖掘、分类与聚类分析等挖掘方法,广泛地应用于医学影像诊断分析、卫星图片分析、地下矿藏预测等各种领域. 4.3时序数据挖掘时序数据挖掘通过研究信息的时间特性,深入洞悉事物进化的机制,揭示其内在规律(如波动的周期、振幅、趋势的种类等),成为获得知识的有效途径.关键问题是要是寻找一种合适的序列表示方式,基于点距离和关键点是常用的算法,但都不能完整表示出序列的动态属性.时序数据挖掘的主要技术有趋势分析和相似搜索,在宏观的经济预测、市场营销、客流量分析、太阳黑子数、月降水量、河流流量、股票价格波动等众多领域得到了应用.

文献综述_数据挖掘

数据挖掘简介数据挖掘的任务数据挖掘的任务就是从实例集合中找出容易理解的规则和关系。这些规则可以用于预测未来趋势、评价顾客、评估风险或简单地描述和解释给定的数据。通常数据挖掘的任务包括以下几个部分: 数据总结目的是对数据进行浓缩，给出它的紧凑描述。传统的也是最简单的数据总结方法是计算出数据库的各个字段上的求和值、平均值、方差值等统计值，或者用直方图、饼图等图形方式表示。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。数据泛化目前主要有两种技术:多维数据分析方法和面向属性的归纳方法。多维数据分析方法是一种数据仓库技术，也称作联机分析处理(OLAP，onLineAnalysisProeess)。数据仓库是面向决策支持的、集成的、稳定的、不同时间的历史数据集合。决策的前提是数据分析。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大。因此一种很自然的想法是，把汇集操作结果预先计算并存储起来，以便于决策支持系统使用。存储汇集操作结果的地方称作多维数据库。多维数据分析技术已经在决策支持系统中获得了成功的应用，如著名的SAS数据分析软件包、Businessobject公司的决策支持系统Businessobjeet，以及IBM公司的决策分析工具都使用了多维数据分析技术。采用多维数据分析方法进行数据总结，它针对的是数据仓库，数据仓库存储的是脱机的历史数据。为了处理联机数据，研究人员提出了一种面向属性的归纳方法。它的思路是，直接对用户感兴趣的数据视图(用一般的SQL查询语言即可获得)进行泛化，而不是像多维数据分析方法那样预先就存储好了泛化数据。方法的提出者对这种数据泛化技术称之为面向属性的归纳方法。原始关系经过泛化操作后得到的是一个泛化关系，它从较高的层次上总结了在低层次上的原始关系。有了泛化关系后，就可以对它进行各种深入的操作而生成满足用户需要的知识，如在泛化关系基础上生成特性规则、判别规则、分类规则，以及关联规则等。数据挖掘的分类数据挖掘所能发现的知识有如下几种: .广义型知识，反映同类事物共同性质的知识; .特征型知识，反映事物各方面的特征知识; .差异型知识，反映不同事物之间属性差别的知识; .关联型知识，反映事物之间依赖或关联的知识; .预测型知识，根据历史的和当前的数据推测未来数据; .偏离型知识。揭示事物偏离常规的异常现象。所有这些知识都可以在不同的概念层次上被发现，随着概念树的提升，从微观到中观再到宏观，以满足不同用户、不同层次决策的需要。例如，从一家超市的数据仓库中，可以发现的一条典型关联规则可能是“买面包和黄油的顾客十有八九也买牛奶”，也可能是“买食品的顾客几乎都用信用卡”，这种规则对于商家开发和实施客户化的销售计划和策略是非常有用的。数据挖掘的方法数据挖掘并非一个完全自动化的过程。整个过程需要考虑数据的所有因素和其预定的效用，然后应用最佳的数据挖掘方法。数据挖掘的方法很重要。在数据挖掘的领域里.有一点已经被广泛地接受，即不管你选择哪种方法，总存在着某种协定。因此对实际情况，应该具体分析，根据累积的经验和优秀的范例选择最佳的方法。数据挖掘中没有免费的午餐，也没

数字隐写分析

信息隐藏理论与技术论文题目：数字隐写分析术方法研究与实现姓名张思琪院（系）计算机学院专业班级2012110309 学号2012110760 指导教师杨榆仲恺农业工程学院教务处制摘要本文主要研究以数字图像为载体的信息隐写分析技术。隐写算法中利用图像DCT 系数最不重要位隐藏信息的隐写算法具有透明性好，鲁棒性强等特点，这类隐写算法包括JSteg,Outguess等。本文研究了针对DCT系数LSB算法的隐写分析算法。主要对针对

JSteg隐写的检测进行研究。实验结果表明，采用基于DCT系数对值（pair values）的变化的卡方统计攻击方法来检测Jsteg顺序隐写，具有很好的检测效果。由于Westfeld等人提出的卡方检验方法的耗时很大，且不能检测出Jsteg随机隐写，故引出一种改进的卡方检验方法：快速卡方检验方法。快速卡方检验方法不仅能够检测出Jsteg顺序隐写，而且能检测出Jsteg随机隐写。同时能有效地估计出嵌入率。关键词：隐写隐写分析 DCT 卡方检验 JSteg 目录 1 绪论 (1) 1.1 引语 (1) 1.2 信息隐藏技术的历史、应用和发展 (1)

1.2.1 信息隐藏技术的历史 (1) 1.2.2信息隐藏技术的应用 (1) 1.2.3 信息隐藏技术的发展 (2) 1.3 数字图像隐写检测技术 (2) 1.3.1隐写信息检测技术 (3) 1.3.2隐写信息的提取技术 (3) 2 基于图像统计模型的隐写分析 (4) 2.1 针对LSB替换隐写分析 (4) 2.1.1卡方检测方法 (6) 2.1.2 RS方法 (11) 2.1.3 SPA方法 (13) 2.2 针对K ±及随机调制隐写的隐写分析 (13) 2.2.1±1隐写的信息比率估计 (13) 2.2.2K ±隐写信息比率估计 (14) 2.3 随机调制隐写的信息比率估计 (14) 3 针对JSteg隐写的检测 (14) 3.1 卡方检测方法 (14) 3.2 快速卡方检验方法 (15) 3.2.1针对顺序JSteg隐写 (18) 3.2.2针对随机JSteg隐写 (18) 3.3 快速卡方检验方法—matlab实现 (18) 4 结论 (19) 参考文献 (20) 英语摘要 (22) 附录 (22) 致谢 (29) 仲恺农业工程学院毕业论文(设计)成绩评定表 ....................................................错误！未定义书签。

数据挖掘现状与前景

数据挖掘，这是个听起来既神秘，又具有诱惑性的词。就好像要去一片热带沙漠搜寻宝藏，宝藏的诱惑性很强，但是黄沙远处却看不透彻，不知此行是对是错，看到的光亮又是否只是虚幻的海市蜃楼。所以很多学习数据挖掘的，或是想选择数据挖掘方向的人会在是否踏出第一脚时犹豫不决。以下，我们就来分析看看数据挖掘的现状及前景。首先看看百科中数据挖掘的定义：数据挖掘（Data Mining，DM）是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。基于数据挖掘可能产生的巨大价值，我国的各大重点院校都针对数据挖掘开了专业课程以及研究课题，不仅如此，政府以及大型企业也开始重视这一领域，投资人力物力支持数据挖掘项目。或许这样说还不够直观，那就就数字佐证。据IDC对欧洲和北美62家采用了商务智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过600%。调查结果还显示，一个企业要想在复杂的环境中获得成功，高层管理者必须能够控制极其复杂的商业结构，若没有详实的事实和数据支持，是很难办到的。因此，随着数据挖掘技术的不断改进和日益成熟，它必将被更多的用户采用，使更多的管理者得到更多的商务智能。国外如此，那中国呢？随着我国信息化的发展，数据的积累及计算机的广泛应用，加上来自外资企业商业智能数据挖掘应用带来的竞争压力，商业智能及数据挖掘也逐渐在中国也形成了一个产业。随着成功案例的增多，不仅仅是金融保险电信等行业或是政府机构，中小企业也逐渐将商业智能应用于业务之中。信息化时代数据的潜力不容小觑，IT部门一直是企业的核心，而数据挖掘技术更是得到了前所未有的重视和期待。目前我国数据挖掘、商业智能技术的人才培养体系还未健全，而企业对这方面的需求却一直在增长。数据知识发展为核心竞争力是现在及未来必然的形势。因此数据挖掘、商业智能行业的前景还是非常可观的。所以，请坚定勇敢地踏出迈向数据挖掘的那一步吧，然后扎实地学好所需的知识理论及实践技巧，最后所收获到的，或许比你所期待的还多。

数据挖掘在中国的现状和发展研究

数据挖掘在中国的现状和发展研究导读：本文以科学引文索引数据库(SCI)、工程索引数据库(EI)以及清华全文数据库(CNKI)中有关“数据挖掘”研究文章的统计数据为研究基础，对数据挖掘在我国研究的总体趋势、研究热点、研究分支三个方面进行分析和研究。本文分析了数据挖掘在我国的发展，并对进一步发展我国数据挖掘的理论研究和实际应用提出了建议。关键字：数据挖掘 0 引言近年来，随着计算机对数据的生成、收集、存贮和处理能力的大大提高，数据量与日俱增，传统的数据分析工具对海量数据的处理力不从心，数据挖掘技术应运而生。中国科研工作者近几年来积极开展了对数据挖掘的研究，并在理论研究和实际应用上取得了一定的成绩，但是有关数据挖掘的成功应用还比较少。本文通过对中国有关数据挖掘研究文章数量的统计，对数据挖掘在中国发展的现状及发展趋势进行分析和研究，通过分析有关论文的发表，对数据挖掘在中国的理论研究和实际应用提出建议。 1 数据挖掘的应用与研究发展数据挖掘是指从存放在数据库、数据仓库或其他信息库中的大量数据中挖掘有用知识的过程。数据挖掘是一门新兴的边缘学科，近年来引起了中国学术界和产业界的广泛关注。数据挖掘出现于20世纪80年代后期，90年代有了突飞猛进的发展。2001年，Gartner Group的一次高级技术调查将数据挖掘和人工智能列为“未来三到五年内将对工业产生深远影响的五大关健技术”之首，并且还将并行处理体系和数据挖掘列为未来五年内投资焦点的十大新兴技术前两位。美国麻省理工学院在2001年1月份的《科技评论》(Technology Review)提出将在未来5年对人类产生重大影响的10大新兴技术，其中第3项就是数据挖掘。数据挖掘技术已被广泛的应用于各个领域，其中一些典型应用如加州理工学院喷气推进实验室与天文科学家合作开发的SKICAT系统，能够帮助天文学家发现遥远的类星体，是人工智能技术在天文学和空间科学上的第一批成功应用之一；生物学研究中用数据挖掘技术对DNA进行分析利用数据挖掘技术识别顾客的购买行为模式，对客户进行了分析；对银行或商业上经常发生的诈骗行为进行预测IBM公司

数据挖掘研究现状及发展趋势

数据挖掘研究现状及发展趋势摘要：从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展趋势。关键词：数据挖掘；挖掘算法；神经网络；决策树；粗糙集；模糊集；研究现状；发展趋势 Abstract：From the definition of data mining，the paper introduced concepts and advantages and disadvantages of neural network algorithm，decision tree algorithm，genetic algorithm，rough set method，fuzzy set method and association rule method of data mining，summarized domestic and international research situation and focus of data mining in details，and pointed out the development trend of data mining. Key words：data mining，algorithm of data mining，neural network，decision tree，rough set，fuzzy set，research situation，development tendency 1引言随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，迫切需要能自动地、智能地将待处理的数据转化为有价值的信息，从而达到为决策服务的目的。在这种情况下，一个新的技术———数据挖掘(Data Mining，DM)技术应运而生[2]。数据挖掘是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。江西理工大学

数据挖掘文献综述

湘潭大学本科生专业文献综述题目: 数据挖掘文献综述姓名: 林勇学院: 信心工程学院学院专业: 自动化班级: 一班学号: 2010550113 指导教师: 张莹

0前言随着计算机技术的迅猛发展，人类正在步入信息社会。面对今天浩如烟海的信息，如何帮助人们有效地收集和选择所感兴趣的信息，更关键的是如何帮助用户在日益增多的信息中自动发现新的概念并自动分析它们之间的关系，使之能够真正地做到信息处理的自动化，这已成为信息技术领域的热点问题。数据挖掘就是为满足这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。 1什么是数据挖掘数据挖掘(Data Mining)，也叫数据开采，数据采掘等，是按照既定的业务目标从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。在较浅的层次上，它利用现有数据库管理系统的查询、检索及报表功能，与多维分析、统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。在深层次上，则从数据库中发现前所未有的、隐含的知识。OLAF'的出现早于数据挖掘，它们都是从数据库中抽取有用信息的方法，就决策支持的需要而言两者是相辅相成的。OLAP可以看作一种广义的数据挖掘方法，它旨在简化和支持联机分析，而数据挖掘的目的是便这一过程尽可能自动化。数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库(Data Warehouse)等。而挖掘后获得的知识包括关联规则、特征规则、区分规则、分类规则、总结规则、偏差规则、聚类规则、模式分析及趋势分析等。 1.1 数据挖掘的任务数据挖掘的两个高层目标是预测和描述。前者指用一些变量或数据库的若干已知字段预测其它感兴趣的变量或字段的未知的或未来的值；后者指找到描述数据的可理解模式。根据发现知识的不同，我们可以将数据挖掘任务归纳为以下几类： (1)特征规则。从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征．例如可以从某种疾病的症状中提取

数据挖掘中的软计算方法及应用综述

摘要文章对数据挖掘中软计算方法及应用作了综述。对模糊逻辑、遗传算法、神经网络、粗集等软计算方法，以及它们的混合算法的特点进行了分析，并对它们在数据挖掘中的应用进行了分类。关键词数据挖掘；软计算；模糊逻辑；遗传算法；神经网络；粗集 1 引言在过去的数十年中，随着计算机软件和硬件的发展，我们产生和收集数据的能力已经迅速提高。许多领域的大量数据集中或分布的存储在数据库中[1][2]，这些领域包括商业、金融投资业、生产制造业、医疗卫生、科学研究，以及全球信息系统的万维网。数据存储量的增长速度是惊人的。大量的、未加工的数据很难直接产生效益。这些数据的真正价值在于从中找出有用的信息以供决策支持。在许多领域，数据分析都采用传统的手工处理方法。一些分析软件在统计技术的帮助下可将数据汇总，并生成报表。随着数据量和多维数据的进一步增加，高达109的数据库和103的多维数据库已越来越普遍。没有强有力的工具，理解它们已经远远超出了人的能力。所有这些显示我们需要智能的数据分析工具，从大量的数据中发现有用的知识。数据挖掘技术应运而生。数据挖掘就是指从数据库中发现知识的过程。包括存储和处理数据，选择处理大量数据集的算法、解释结果、使结果可视化。整个过程中支持人机交互的模式[3]。数据挖掘从许多交叉学科中得到发展，并有很好的前景。这些学科包括数据库技术、机器学习、人工智能、模式识别、统计学、模糊推理、专家系统、数据可视化、空间数据分析和高性能计算等。数据挖掘综合以上领域的理论、算法和方法，已成功应用在超市、金融、银行[4]、生产企业 [5]和电信，并有很好的表现。软计算是能够处理现实环境中一种或多种复杂信息的方法集合。软计算的指导原则是开发利用那些不精确性、不确定性和部分真实数据的容忍技术，以获得易处理、鲁棒性好、低求解成本和更好地与实际融合的性能。通常，软计算试图寻找对精确的或不精确表述问题的近似解[6]。它是创建计算智能系统的有效工具。软计算包括模糊集、神经网络、遗传算法和粗集理论。 2 数据挖掘中的软计算方法目前，已有多种软计算方法被应用于数据挖掘系统中，来处理一些具有挑战性的问题。软计算方法主要包括模糊逻辑、神经网络、遗传算法和粗糙集等。这些方法各具优势，它们是互补的而非竞争的，与传统的数据分析技术相比，它能使系统更加智能化，有更好的可理解性，且成本更低。下面主要对各种软计算方法及其混合算法做系统性的阐述，并着重强调它们在数据挖掘中的应用情况。 2.1 模糊逻辑模糊逻辑是1965年由泽德引入的，它为处理不确定和不精确的问题提供了一种数学工具。模糊逻辑是最早、应用最广泛的软计算方法，模糊集技术在数据挖掘领域也占有重要地位。从数据库中挖掘知识主要考虑的是发现有兴趣的模式并以简洁、可理解的方式描述出来。模糊集可以对系统中的数据进行约简和过滤，提供了在高抽象层处理的便利。同时，数据挖掘中的数据分析经常面对多种类型的数据，即符号数据和数字数据。nauck[7]研究了新的算法，可以从同时包含符号数据和数字数据中生成混合模糊规则。数据挖掘中模糊逻辑主要应用于以下几个方面：（1）聚类。将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。聚类分析是一种重要的人类行为，通过聚类，人能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的关系。模糊集有很强的搜索能力，它对发现的结构感兴趣，这会帮助发现定性或半定性数据的依赖度。在数据挖掘中，这种能力可以帮助

数据挖掘分类算法研究综述终板

数据挖掘分类算法研究综述程建华 (九江学院信息科学学院软件教研室九江332005 ) 摘要：随着数据库应用的不断深化,数据库的规模急剧膨胀,数据挖掘已成为当今研究的热点。特别是其中的分类问题,由于其使用的广泛性,现已引起了越来越多的关注。对数据挖掘中的核心技术分类算法的内容及其研究现状进行综述。认为分类算法大体可分为传统分类算法和基于软计算的分类法两类。通过论述以上算法优缺点和应用范围，研究者对已有算法的改进有所了解，以便在应用中选择相应的分类算法。关键词：数据挖掘；分类；软计算；算法 1引言 1989年8月，在第11届国际人工智能联合会议的专题研讨会上，首次提出基于数据库的知识发现(KDD，Knowledge DiscoveryDatabase)技术[1]。该技术涉及机器学习、模式识别、统计学、智能数据库、知识获取、专家系统、数据可视化和高性能计算等领域，技术难度较大，一时难以应付信息爆炸的实际需求。到了1995年，在美国计算机年会(ACM)上，提出了数据挖掘[2](DM，Data Mining)的概念，由于数据挖掘是KDD过程中最为关键的步骤，在实践应用中对数据挖掘和KDD这2个术语往往不加以区分。基于人工智能和信息系统，抽象层次上的分类是推理、学习、决策的关键，是一种基础知识。因而数据分类技术可视为数据挖掘中的基础和核心技术。其实，该技术在很多数据挖掘中被广泛使用，比如关联规则挖掘和时间序列挖掘等。因此，在数据挖掘技术的研究中，分类技术的研究应当处在首要和优先的地位。目前，数据分类技术主要分为基于传统技术和基于软计算技术两种。 2传统的数据挖掘分类方法分类技术针对数据集构造分类器，从而对未知类别样本赋予类别标签。在其学习过程中和无监督的聚类相比，一般而言，分类技术假定存在具备环境知识和输入输出样本集知识的老师，但环境及其特性、模型参数等却是未知的。 2.1判定树的归纳分类判定树是一个类似流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个树叶节点代表类或类分布。树的最顶层节点是根节点。由判定树可以很容易得到“IFTHEN”形式的分类规则。方法是沿着由根节点到树叶节点的路径，路径上的每个属性-值对形成“IF”部分的一个合取项，树叶节点包含类预测，形成“THEN”部分。一条路径创建一个规则。判定树归纳的基本算法是贪心算法，它是自顶向下递归的各个击破方式构造判定树。其中一种著名的判定树归纳算法是建立在推理系统和概念学习系统基础上的ID3算法。 2.2贝叶斯分类贝叶斯分类是统计学的分类方法，基于贝叶斯公式即后验概率公式。朴素贝叶斯分类的分类过程是首先令每个数据样本用一个N维特征向量X={X1，X2，?X n}表示，其中X k是属性A k的值。所有的样本分为m类：C1，C2，?，C n。对于一个类别的标记未知的数据记录而言，若P(C i/X)>P(C j/X)，1≤ j≤m，j≠i，也就是说，如果条件X下，数据记录属于C i类的概率大于属于其他类的概率的话，贝叶斯分类将把这条记录归类为C i类。建立贝叶斯信念网络可以被分为两个阶段。第一阶段网络拓扑学习，即有向非循环图的——————————————————— 作者简介：程建华（1982-），女，汉族，江西九江，研究生，主要研究方向为数据挖掘、信息安全。

中国钻探技术发展研究综述

中国钻探技术发展研究综述黄永明 2012年5月9日，“海洋石油981”在南海海域正式开钻，是中国石油公司首次独立进行深水油气的勘探，标志着中国海洋石油工业的深水战略迈出了实质性的步伐。最初国家决定完全自主设计建造，包括初步设计，由于深海钻探装备设计基础与发达国家仍有相当的差距，而且南海开发形势紧迫，所以退而求其次，由国外设计，这也是一个吸收学习的过程，积蓄力量，不久应该可以实现真正的完全自主知识产权的深海钻探装备的设计与建造，逐步缩短与海洋能源开发强国的差距，为中国海洋能源战略铺路。一、当代中国钻探技术发展历程古代钻井技术的发展为我国当代钻探技术发展提供坚实的基础。我国古代钻井技术就已经相当成熟，逐渐形成了一整套具有中国特色的深钻井工艺技术。除了盐井之外，天然气开采技术也得到了极大的发展，1855年，钻成了一口最大的天然气井——磨子井。 20世纪初，长年公司开发了立轴式给进“UG”型金刚石钻机，此钻机以具有现代钻机的雏形，并在1947年开始引进中国。二战后，工业发达国家钻探工业得到了极大发展，已经用新型水压给进钻进代替了蒸汽驱动钻机，并发明了用粉末冶重技术烧结制成的“铸镶”天然金刚石表镶、孕镶钻头，并在1947年引入，开始了中国的钻探历史。中国和苏联的合作，对我国钻探起了很大作用。当时主要是引进和仿制手把钻机，比如前苏联的XB-300、XB-500及瑞典的XB-1000型手把钻机，后期引进了BW100/30、BW200/400型泥浆泵和四脚金属钻塔，钻探技术得到了不断提高。 1954年12月，国务院责成地质部（1952年成立）从1955年起承担石油普查任务。1956年3月3日至6月22日，我国第一口定向双筒井钻成。 1963年研制成功的第一颗人造金刚石，开启了中国人造金刚石钻进的篇章，并在1998年生产量达到4-5亿克拉，居世界首位，成为人造金刚石大国。 “七五”期间，金刚石钻探技术、冲击回转钻探、受控定向钻探、气举、泵吸、潜空锤等各种反循环钻探和多工艺空气钻探、反循环中心连续取样、绳索取芯及绳索取芯冲击回转技术、电镀金刚石钻头制造工艺、小口径螺杆钻、射流式冲击回转钻具、不提钻钻头装置、改进膨胀润土等技术都取得了巨大成效。 2000年以后，钻探技术在原有基础上，积极思考科学钻探的发展和未来，并将地球科学的研究领域延伸到了地球深部、海洋底部、冰川、冰层冻土层等，同时扩大了地质学的范畴，形成了全新的、多学科多工种东层次的地球科学。二、新形势下钻探发展领域和趋势钻探技术的研究、提高和进展既是专业领域进展的结果，也是各学科进展的共同成果。从经改进、能深入了解地下情况的地震技术到洞察超压地层状态的各种方法，新技术的应用甚广。材料、传感器、微处理机、制造工艺、遥测技术和计算机技术，引起直接应用的各种设想。目前一些明显的趋势是，在随钻测量、岩石切削技术和钻头研制、孔底泥浆马达、最优化理论、钻探模拟器、地热应用、泥浆和动井等方面把重要进展组合到钻探技术中去。

多域数字图像隐写技术的实现与讨论

多域数字图像隐写技术的实现与讨论制作日期：2014.6.3

摘要随着科技的发展,信息安全技术已经成为不可忽略的因素。而网络的普及及应用，让多媒体技术得到了广泛的发展，因此图像及视频的安全变得越来越重要。本文正是在这种时代背景下，介绍一种关于图像处理的信息隐藏技术。用于进行隐蔽通信的图像信息隐藏算法可以分为两大类：基于空域的信息隐藏算法和基于变换域的信息隐藏算法。基于变换域的算法以F5为代表算法。下面我们介绍一下变换域的算法。关键字：隐藏嵌入信息图像

目录一、常用的变换域的数字图像隐写方法。 (4) 1.1 JSteg隐写。 (4) 1.1.1 主要思想： (4) 1.1.2 具体嵌入过程： (4) 1.2 F5隐写。 (4) 1.2.1 具体嵌入过程： (4) 1.3 F4隐写。 (4) 1.3.1具体嵌入过程： (4) 1.4 F3隐写。 (4) 二、基于MATLAB的F3数字图像隐写技术。 (5) 2.1 F3隐写的原理。 (5) 2.2 F3隐写的算法。 (5) 2.3 运用F3隐写技术进行信息隐藏。 (5) 2.3.1 嵌入流程图。 (5) 2.3.2 实现过程。 (6) 三、讨论与分析。 (9) 3.1 对F3隐写技术的分析。 (9) 四、附录。 (9) 4.1使用的软件。 (9) 4.2软件的简介。 (9) 4.3 关键代码。 (10)

一、常用的变换域的数字图像隐写方法。 1.1 JSteg隐写。 1.1.1 主要思想：用秘密信息比特直接替换JPEG图像量化后DCT系数的最低比特位，但不在量化后值为0或1的DCT系数中嵌入信息。 1.1.2 具体嵌入过程：（1）部分解码JPEG图像，得到二进制存储的AC系数，判断该AC系数是否等于1或0，若等于则跳过该AC系数，否则，执行下一步。（2）判断二进制存储的AC系数的LSB是否与要嵌入的秘密信息比特相同，若相同，则不对其进行更改，否则，执行下一步。（3）用秘密信息比特替换二进制存储的AC系数的LSB，将修改后的AC系数重新编码得到隐密的JPEG图像。 1.2 F5隐写。 1.2.1 具体嵌入过程： 1）获取载体图像，进行JPEG压缩，得到量化后的DCT系数。 2）对1）中得到的DCT系数进行混洗。 3）对可用的DCT系数计数，并根据欲嵌入的秘密信息长度计算嵌入信息所使用的三元组（1，n，k）。 4）取出n个混洗后的非0的AC DCT系数及欲嵌入的k比特信息，采用矩阵编码进行嵌入。 a）计算载体数据是否需要更改。若不需要，则继续下一组的嵌入；若需要，则更改相应的数据LSB。 b）对经过更改后的数据，判断是否产生了新的值为0的系数。若有，则此次嵌入无效，重新取出n个可用系数，执行a）；若没有，重复执行4），直到秘密信息全部嵌入。 5）逆混洗，恢复DCT系数为原来的顺序。 6）生成隐密图像。 1.3 F4隐写。 1.3.1具体嵌入过程：和F3过程差不多，只是用正奇系数和负偶系数代表1，正偶系数和负奇系数代表0. 1.4 F3隐写。 1）信息嵌入式，若DCT系数的LSB与要嵌入的秘密信息比特相同，则不作改动；否则，将该DCT系数的绝对值减1。 2）秘密信息嵌入在非0的DCT系数上，为0的系数不嵌入任何信息。另外，

数据挖掘在中国的现状和发展研究.

万方数据万方数据万方数据万方数据万方数据Ｖｏ．ｌ１８．Ｎ．ｏ３管理工程学报２００４年第３期圈回［ｌ４ｊ网［ｌ６ｊ皿［ｌｓｊ［ｌ９ｊ厂．Ｌｌ周生炳，张钱，成栋．于规则面向属性的数据库归纳的无回基溯算法［７软件学报，９，（）６３６８１．１９１７：７一７．９０蒋嵘，李德毅，范建华．数值型

数据的泛概念树的自动生成方法【１计算机学报，０，（）４０４６ｉ．２０２５：一７．０３７一」一一尸十勺，１，刁［７软件学报，０，（）７５７４Ｊ．２０１６：一４．０１３周水庚，周傲类，曹晶．基于数据分区的ＤＳＡＢＣＮ算法【ｌ计Ｊ．算机研究与发展，０，０）１３１９２０３０：一１．０７１５５「一－，，‘ ，郭建生，，赵奕施鹏飞一种有效的用于数据挖掘的动态概念毛国君，椿年．于项目序列集操作的关联规则挖掘算法刘基］ｉ计算机学报，０，（）４７４２Ｉ．２２２４：１一２．０５ＩＬ尸聚类算法［ｌ软件学报，０，（）一９．Ｊ．２１１４：２５１０２５８内、内ｊ「一一Ｊ魏李，宫学庆，钱卫宁，高维空间中的离群点发现〔ｌ软件等．Ｊ．学报，０，３２：８一９．２２１（）２０２００门仁」程岩，黄梯云．粗糙集中定量关联规则的发现及其规则约简的方法研究【〕管理工程学报，０，（）７－７Ｊ２１１３：７．０５３ｅｓＬＦ飞）４俞蓓，王军，叶施仁．基于近邻方法的高维数据可视化聚类方苑森森，程晓青，数量关联规则发现中的聚类方法研究【ｌ计ｉ．法〔７计算机研究与发展，０，（）７４７．Ｊ．２０３６：－０７１２０ｒ．．Ｌ算机学报，０，（）８７８１２０２８：一７．０３６倪志伟，蔡庆生，方瑾．用神经网络来挖掘数据库中的关联规内、〕‘ 一一Ｊ「陈宁，陈安，周龙骥．大规模交易数据库的一种有效聚类算法［７软件学报，０，（）４５４４Ｊ．２１１４：７一８．０２Ｌ则【ｌ系统仿真学报，０，（）６５６７１．２０１６：－．０２８８Ｊ内几６ｌｅｓＥｔＭ，ｒＳｎｅＪＡｇｉｍａｄｌａｏｓｓｔｌｓｒＰｔＫａｄｒｌｒｈｓａｐｃｉｆｐｉｅｅＨ，ｅ．ｔｏｎｐｉｔｎｏａａｒ陆建江．数据库中布尔型及广义模糊型加权关联规则的挖掘ｄａｉ仁ｌＩｉｃｐｒＧｏａｉＤｔＭｎｇａｍｎＺ．ｖｅｈｔｆｅｒｈａｉｎａｔｉｇｎｎｔａｅｏｇｐｃａｉｎｄｒｄＫｏｌｇＤｓｖｒ，ｅｒｏｏｒｈｉＧＳＴｙｒｄｎｗｅｅｃｅＲｓｃＭｎｇｐｓＩ，ｌａｄｉｏｙｅａｈａｎａｏｎＦａｃｓ２０．一３．ｒｎｉ，１１２

数据挖掘综述

数据挖掘综述 1、产生背景随着计算机的产生和大量数字化的存储方法的出现，我们借助计算机来收集和分类各种数据资料，但是不同存储结构存放的大量数据集合很快被淹没，便导致了结构化数据库以及DBMS的产生。但是随着信息时代的到来，信息量远远超过了我们所能处理的范围，从商业交易数据、科学资料到卫星图片、文本报告和军事情报，以及生活中各种信息，这也就是“数据爆炸但知识贫乏”的网络时代，面对巨大的数据资料，出现了新的需求，希望能够更好的利用这些数据，进行更高层次的分析，从这些巨大的数据中提取出对我们有意义的数据，这就是知识发现（KDD,Knowledge Discovery in Databases），数据挖掘应运而生。 2、数据库系统技术的演变 1）20世纪60年代和更早这个时期是数据收集和数据库创建的过程，原始文件的处理2）20世纪70年代---80年代初期有层次性数据库、网状数据库、关系数据库系统 3）20世纪80年代中期—现在高级数据库系统，可以应用在空间、时间的、多媒体的、主动的、流的和传感器的、科学的和工程的。 4）20世纪80年代后期—现在

高级数据分析：数据仓库和数据挖掘 5）20世纪90年代—现在基于web的数据库，与信息检索和数据信息的集成6）现在---将来新一代的集成数据域信息系统 3、数据挖掘概念数据挖掘（Data Mining），就是从大量数据中获取有效的、新颖的、潜在的有用的，最终可以理解的模式的非平凡过程。数据挖掘，又称为数据库中知识发现（KDD,Knowledge Discovery in Databases），也有人把数据挖掘作为数据库中知识发现过程的一个基本步骤。数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库等。 4、数据挖掘特点和任务 4.1数据挖掘具有以下几个特点： 1）处理的数据规模十分庞大，达到GB,TB数量级，甚至更大2）查询一般是决策制定者（用户）提出的即时随机查询，往往不能形成精确的查询要求，需要靠系统本身寻找其可能感兴趣的东西。 3）在一些应用（如商业投资等）中，由于数据变化迅速，因此

数据挖掘研究及发展现状

数据挖掘技术的研究现状及发展方向摘要：数据挖掘技术是当前数据库和人工智能领域研究的热点。从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展方向。关键词：数据挖掘；神经网络；决策树；粗糙集；模糊集；研究现状；发展方向 The present situation and future direction of the data mining technology research Abstract: Data mining technology is hot spot in the field of current database and artificial intelligence. From the definition of data mining, the paper introduced concepts and advantages and disadvantages of neural network algorithm, decision tree algorithm, genetic algorithm, rough set method, fuzzy set method and association rule method of data mining, summarized domestic and international research situation and focus of data mining in details, and pointed out the development trend of data mining. Key words: data mining, neural network, decision tree, rough set, fuzzy set, research situation, development direction 0 引言随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，数据和信息之间的鸿沟要求系统地开发数据挖掘工具，将数据坟墓转换成知识金砖，从而达到为决策服务的目的。在这种情况下，一个新的技术——数据挖掘(Data Mining，DM)技术应运而生[2]。数据挖掘正是为了迎合这种需要而产生并迅速发展起来的、用于开发信息资源的、一种新的数据处理技术。数据挖掘通常又称数据库中的知识发现（Knowledge Discovery in Databases），是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。 1 数据挖掘算法数据挖掘就是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效的、新颖的、潜在有用的知识的非平凡过程[3]。所得到的信息应具有先前未知、有效和实用三个特征。数据挖掘过程如图1所示。这些数据的类型可以是结构化的、半结构化的、甚至是异构型的。发现知识的方法可以是数学的、非数学的、也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等[4]。数据选择：确定发现任务的操作对象,即目标对象；预处理：包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换等；转换：消减数据维数或降维；数据开采：确定开采的任务，如数据总结、分类、聚类、关联规则发现或序列模式发现等，并确定使用什么样的开采算法；解释和评价：数据挖掘阶段发现的模式，经过用户和机器的评价，可能存在冗余或无关的模式，这时需要剔除，使用户更容易理解和应用。十大经典算法如图2：目前，数据挖掘的算法主要包括神经网络法、决策树法、遗传算法、粗糙集法、模糊集法、关联规则法等。

数字岩心三维可视化技术研究发展与应用

数字岩心三维可视化技术研究发展与应用摘要：近年来，随着石油生产对数字仿真技术需求的不断增长，数字核三维可视化技术不断拓展，为推动数字核模型的模拟和再现提供了重要的技术支持[1]。众所周知，岩石的微观结构和孔隙分布决定了油水的分布，岩石中的油气也将是影响油气产量的主要原因。传统的岩心分析主要基于二维图像分析或使用：构建虚拟数字的数值重建方法。X射线立体成像法是确定数字核的最精确方法。该方法利用显微成像设备以纳米级分辨率扫描，直接确定其数字模型，使模型重建简单，精度显著提高，研究了二维岩心图像的三维重建与可视化，建立了用于分析的数字可视化系统，计算机图形学和数字成像技术使本文对数字中心可视化系统进行了深入的研究。通过文献阅读和研究，了解了国内外数字核心和数字核心三维重建的研究现状[2]。在了解数字中央可视化系统功能要求的基础上，确定数字核心可视化系统的总体设计框架。根据总体设计框架，对各个模块进行了检查和开发，并对岩心图像分割、岩心图像分割和三维重建进行了研究基于在几何平面三维模型和三维几何实体模型重建方面，并对三维可视化技术在核数字化领域的应用进行了研究，以期为数字智能油田的建设做出贡献。关键词：数字岩心；岩心分析；数字化油田三维模型随着石油工业数字化和智能化技术的发展，岩心数字化技术已广泛应用于储油评价和油田开发产能分析[3]。岩心数字核心的基本支撑之一在3D可视化技术中起着重要作用，中心三维模型设计，模型仿真，骨架可视化分析和流动模拟。掌握一套标准的三维数字可视化技术和流程具有重要的科学意义，因此，基于三维可视化技术在数字核心中的发展和应用，从微观模型的角度分析了数字核心可视化的研究，对油田的勘探开发起着重要作用。 1.研究背景地下水、石油、天然气等液体资源储存在山体的多孔基底中，因此山体的微观结构及其固体和孔隙分布成为控制地下水、石油、天然气等液体资源渗漏的主要因素。岩石其特征取决于孔隙的微观结构，为此，要想显著提高原油采收率，不仅要坚持岩石的宏观分析水平，而且要深入山区的多孔介质，在微观结构的基础上进行研究开发岩石。数字三维技术基于石油地质的分析是将实际岩心结构转换成三维数字图像，即将实际岩心样品转换成中心数字样品，然后利用计算机技术，如数值模拟、虚拟实验和物理参数计算等对数字岩心样品进行处理，然后加工岩心结果分析应用于油田分析和资源化评价，为油田勘探开发提供了第一手资料，在油田勘探开发中发挥了重要作用。 1.1.数字岩心三维可视化技术的现状数字岩心三维可视化技术的发展主要受计算机技术和图像分析技术的影响，目前基于计算机硬件技术的数字核三维可视化技术可以分为两种实现方式方向。一以计算机语言为基础；结合图形功能库，开发自我编程技术，实现以下三维可视化：模型研究。其他的可以通过三维建模或重建程序可视化。随着数字核技术和计算机技术的发展，有许多语言可以支持软件开发，包括VC++、VB、C、Java等常用语言，支持的图形库主要使用OpenGL、DirectX等常用图形文本；数字岩心三维可视化软件主要包括avizo成像和Fei模型软件；深圳能源科技有限公司的pergeos热物理和DNA viz数字核心程序软件[4]，为数字图像的三维可视化提供了良好的技术支持。通过自编程来实现数字岩心三维可视化；或者通过现有的软件来实现岩心