挖掘技术论文(6篇)

挖掘技术论文篇1

关键词：Web数据库；数据库挖掘技术

中图分类号：TP311.13

互联网是人类快捷获得信息的一种重要渠道，为社会做出了巨大贡献，随着经济技术的进步，互联网越来越复杂，在当前时代，既是机遇，也是挑战。信息资源数据库对信息的储存和查询很有帮助，使人们能够更为方便地获得所需信息，当Web技术与数据库系统相结合后，信息的开放性也引发了信息的安全质量问题，因此，需要对Web数据库进行深度挖掘，以更好地为人们服务。

1Web数据库及数据库挖掘技术

1.1Web数据库

近些年来，网络技术已深入到社会各个角落，数据库系统也有了极大的进步，将两者相结合来开发Web的深度资源已成为当前重点研究的问题。Web数据库技术是一种以Web查询接口方式对数据库资源进行访问而且能够实现远程操控的技术，通过数据库与Web的连接可以产生一个在任何地方皆可操作的动态页面，即对核心数据库的信息资源进行查询，系统会以Web页面作为访问接口，并将查询结果以Web页面的形式展现出来。目前的Web数据库通常有数据收集、数据供应以及元搜索三种集成方式。

1.2数据库挖掘技术

在当前信息化时代，人们的信息需求量骤增，信息资源储存量也不断扩大，加大了查询的难度，因此，如何在最短时间内获得所需信息是当前必须考虑的问题。深度挖掘技术具有关联分析、偏差分析以及分类等功能，能够从随机的海量数据中提取潜在有用的信息资源。须注意的是，并非每一个数据库信息的发现都是数据挖掘，如查询数据库管理系统中的记录等属于信息检索的领域。数据库挖掘技术在不断地改进，为进一步实现信息的传递，该技术融合了模式识别、统计学、进化计算以及搜索建模等知识。

2Web数据库挖掘技术分析

2.1数据的预处理

挖掘效果取决于被挖掘数据的质量，在实际采集中，数据存在着很多问题，如不完整性；在异常数据较多的情况下，常会带有噪声；数据的不一致性也是较为常见的问题，如数据名称的差异等。因此，预处理就显得尤为重要，在数据挖掘中的作用不可小觑，尤其是挖掘一些有残缺的数据资源时，为了提升挖掘质量，务必要提前对所挖掘的数据对象进行预处理。

2.2模式识别

挖掘技术具有相关分析及计算的功能，模式识别即是借助统计法对识别的结果进行挖掘计算。实现算法可以采取一般的统计方法，也可以利用其他形式的结果，主要包括页面的浏览时间、访问次数以及统计分析等。在此阶段，关联规则的作用是发现用户访问的各个页面之间的关系。当利用浏览器对相关Web站点进行访问时，可建立相应的模型，以方便统计用户的访问模式。

2.3模式分析

该环节即是采取科学的技术方法以及必须的操作工具对挖掘结果中的用户模式进行分析，经过对比，选择最为合理的模式，进而更好地对数据信息进行理解，充分利用各种用户模式。同时，在此阶段，有些比较特殊的信息结构，能够滤除诸如特定数据或超链接网页等模式。从当前的统计结果看，大约有30种商业性质的Web分析工具，合理地利用这些工具，有利于获得更多的信息，包括网页点击率、用户群特点及用户爱好等信息。须注意的是，这些数据在使用时常会很多问题，如维护较难、不够灵活、结果准确度得不到保障等。

3Web数据库挖掘方法及应用

3.1挖掘方法

（1）粗集方法

该方法对信息的要求较为简单，而且便于运算表达，但准确度上稍有瑕疵。利用该方法处理信息对象，和二维关系有所相似。连续属性在数据库信息表中较为普遍，而集合论是该方法的数学基础，采用粗集法不能直接处理一些连续的属性，因此，尽管数据库技术有了很大进步，为挖掘技术提供了必要的前提条件，但在实际操作中还是会有很大的制约。

（2）模糊集方法

该方法主要是在解决一些实际问题时，利用模糊集合理论对其进行的模糊识别分析。通常来说，数据库系统越是复杂，模糊性越强，在描绘模糊事物的属性时，模糊集合理论多采用隶属度进行。随着研究的进一步加深，以传统的模糊理论为基础，结合概率统计，专业研究人员提出了一种新的模型，即云模型，并建立了相应的云理论。

（3）覆盖正例排斥反例的方法

该方法的理论思想即是指覆盖所有的正例，或者排斥所有的反例，以此来寻找内在的规律。具体方法如下，在正例集合中任意选择一个正例种子，与反例集合中的所有种子逐一比较，若与字段取值构成的选择相容，则将之去除；若相反，则将其保留。按照这种方式对全部正例种子进行选择，最终得到正例的规则。

（4）统计分析法

一般而言，数据库的字段之间有函数和相关两种关系，利用统计学分析法可对二者进行仔细分析，即对统计学理论加以运用，从而更好地分析数据库中的信息资源。除了统计分析法，还可利用相关分析、差异分析等方式。

3.2应用分析

（1）电子商务应用

随着信息化技术的进步，电子商务的作用日益重要，同时也存在着些许不足，如客户量较大，不好处理；信息的安全性等。采取Web数据挖掘技术，能够深度挖掘来访客户的信息，并按照一定的标准对其进行分类，然后分析客户的具体特征，保证企业能够全面完整地了解客户，以便提供更好地服务。同时，利用挖掘技术的关联分析功能寻找相关的客户资源，或者保留客户在页面上出现的时间段，从而创造更大的利润空间。

（2）网络教育应用

如今，互联网已经很普及，许多行业都纷纷引进了网络技术，教育也朝着网络化的方向发展。通过网络，学生能够快速获得所需信息，而且知识比较全面，学校也能根据此对学生的学习需求作进一步的了解。因为学生不同，网络教学需要提供个性化的教学方式，Web数据库挖掘技术能够从海量的信息数据库中将学生感兴趣的、隐含的信息资源挖掘出来，从而为学生提供更加方便的网络教育服务。

4结束语

随着人们信息需求量的增加，数据库技术迅速发展，而互联网是当前获得信息的重要途径，二者结合将会构成一个巨大的数据库，同时也加大了信息传递的难度。以Web数据库为基础的数据库挖掘技术能够提高信息检索的速度和准确度，在网络教育、电子商务等领域得到了广泛应用。

参考文献：

[1]曾霖.基于Web数据库的数据库挖掘技术探究[J].软件，2013，27（2）：174-176.

[2]艾孜海尔江・艾合买提.基于Web数据库的数据库挖掘技术分析[J].科技致富向导，2012，24（27）：217-219.

[3]李琳.基于web的数据挖掘技术[J].自动化与议仪表，2007，21（2）：174-176.

挖掘技术论文篇2

关键词：Web数据挖掘，边防情报，应用模式

随着科学技术的突飞猛进，社会信息化的快速发展,以信息技术为主要标志的高新技术革命已经引起了社会各个领域的深刻变革，网络已经成为社会生活不可分割的一部分。每天有数以亿计的网民在互联网上浏览、信息，互联网已经成为信息时代最为重要的信息集散地。对于边防情报部门而言，研究如何通过互联网和公安网快速高效地进行情报收集，使各项工作都围绕收集、运用情报而展开，已经成为当务之急。Web数据挖掘技术的兴起，为边防情报部门开展工作提供了高效的工具与手段。

一、Web数据挖掘技术

Web数据挖掘技术是由传统数据库领域的数据挖掘技术演变而来。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的原始数据中，提取隐含在其中的、事先未知的、但又潜在有用的信息的过程；它是从数据仓库中提取出可信的、新颖的、有效的，并能被人理解的模式的高级处理过程。数据挖掘出现于20世纪80年代，它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行深入的统计、分析和推理，发掘数据间的相互关系，完成从业务数据到决策信息的转换。数据挖掘技术把人们对数据的应用，从低层次的末端查询提高到为决策者提供决策支持。随着互联网的蓬勃发展，数据挖掘技术被运用到网络上，并根据网络信息的特点发展出了新的理论与方法，演变成为Web数据挖掘技术。Web数据挖掘是指从与WWW有关的资源和行为中抽取人们感兴趣的、有用的模式和隐含信息，所挖掘出的知识能够用于信息管理、查询处理、决策支持、过程控制等方面。Web数据挖掘已经成为对互联网信息进行深度分析、开发与利用的重要手段。

二、Web数据挖掘的分类

（一）Web内容挖掘

Web内容挖掘是指从互联网上检索资源，从相关文件内容及描述信息中获取有价值的潜在信息。根据处理对象的不同，Web内容挖掘分为文本挖掘和多媒体挖掘。网上信息形式多以文本信息的形式存在。文本可以被看作是一种顺序数据，目前有许多适合于顺序数据的挖掘方法。Web文本信息挖掘的主要任务一般限定在文本特征的表示、文本的总结，以及文本的分类和聚类等方面。互联网现有大量多媒体信息。对该类信息进行分析挖掘，找出合适的描述模式，阐述并理解其中的意义，可提高该类信息的识别度及检索效率，也是Web多媒体挖掘的目标。论文大全。目前此方面应用的技术手段主要是语音信息的理解及识别、图形图像信息的理解及识别，以及信息检索等。

(二)Web结构挖掘

Web结构挖掘的目标是Web文档的链接结构，目的在于揭示蕴涵于文档结构中的信息，主要方法是通过对Web站点的结构进行分析、变形和归纳，将Web页面进行分类，以利于信息的搜索。对Web页的链接结构进行分类，可以识别判断页面与文档间的各种属性关系。由于Web页的内外部存在具有各种属性关系的结构信息，通过研究Web结构信息，可得到相关主题、相关分类的页面集合，生成关于某个Web站点的结构和页面结构的概括信息。因此，结构挖掘的重点在于链接信息。

(三)Web日志挖掘

Web日志挖掘是从服务器访问日志、用户策略、用户对话和事物处理信息中得到用户的访问模式和感兴趣的信息，并尽可能预测用户的行为。通过对用户所访问页面、文档等的技术分析，Web日志挖掘可以找出相关主题间、相关内容间的联系规律。访问分析又称使用分析，主要使用用户基本信息如IP、ID、URL、日期、时间等进行处理。由于Web服务器的Log日志存在完整的结构，当用户访问Web站点时，相关的页面、文档、链接等信息在日志中都做了相应的记录。Web日志挖掘不仅要找出用户经常访问的URL路径，而且也要找出用户有可能要访问的相关站点的链接。利用这种方法，可以获知互联网使用者的行为偏好。

三、Web数据挖掘的主要方法

（一）统计分析方法

统计分析（statistical）方法是通过对总体中的样本数据进行分析，从而描述和推断能够揭示总体中的内部规律的信息和知识的方法。为了适应复杂信息的挖掘需求，往往依赖有明确目标和任务的概率模型。数据挖掘的统计模型要适合于所要提取的对象。利用统计分析技术可以对我们感兴趣的内容进行蕴含信息的挖掘。如对互联网日志进行统计可以获得有关站点使用的基本信息，包括页面访问次数、日平均访问人数、最受用户欢迎的页面等。除此以外，还可以进行错误分析，如非法用户登录等。这些统计数据都是基于用户浏览页面的时间、用户的浏览路径和路径长度等信息。这些统计数据对于提高系统的性能、安全性以及优化站点结构大有帮助。目前已有许多互联网流量分析工具实现了这些基本的统计功能。

（二）关联分析方法

关联分析（associationanalysis）用于发现关联规则，所谓关联规则是指在大量的数据中所隐含的项集之间的关系以及项集的频繁模式。用户在浏览网页时，经常会在同一次访问中浏览一些无顺序关系的页面集合，挖掘发现的这些页面之间内在的联系，就是就表现为它们之间存在一定的关联。如果关联规则中的页面之间没有超链接，则应该引起我们的特别关注。通常使用可信度、支持度、期望可信度和作用度这四个参数来描述关联规则。

（三）分类方法

分类（classification）是找出描述并区分数据类或概念的模型（或函数），以便能够使用模型预测类标记未知的对象类。分类不同于聚类，聚类无须事先制定标准，而能从信息本身出发，利用算法自动分类；而分类的准则是事先定好的。在Web数据挖掘中，分类主要是将用户配置文件归属到既定的用户类别，网页根据内容的属性分类等。分类技术要求抽取关键属性描述已知的信息，可以通过指导性归纳学习算法进行分类，主要包括决策树分类法、贝叶斯分类法、最近邻分类法等。

（四）聚类分析方法

聚类（clustering）就是将数据对象分组成为多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。聚类分析能够将一批数据按照它们在性质上的亲密程度，在没有先验知识的情况下自动进行分类，每一类都是大量具有相似性个体的集合，不同类之间具有明显的区别。聚类分析是一种探索性分析，在分类过程中，人们不必事先给出一个分类的标准，聚类分析能够从信息本身出发，自动进行分类。例如在Web日志挖掘中，聚类分析主要集中于用户聚类和页面聚类。用户聚类将具有相似浏览行为的用户归类；页面聚类则是将内容相关的页面归类，搜索引擎可以利用这些信息为某个查询提供用户感兴趣的相关超链接。

四、Web数据挖掘在边防情报工作中的应用模式

（一）Web数据挖掘在建立公安网搜索引擎中的应用

目前，边防情报部门所需的公开信息大部分来源于互联网和公安网，情报人员通过使用搜索引擎来快速查询需要的信息，然而公安网的搜索引擎存在较大局限性，搜索出来的结果存在大量冗余信息，不能满足情报人员的需求。因此，在搜索引擎中通过借鉴Web数据挖掘技术可以有效地提高查准率和查全率，从而给情报人员提供较有准确的信息。具体应用方法如下:

1.根据公安网的页面内容，自动形成摘要

目前，使用公安网搜索引擎进行检索，检索的结果文档是以简单摘要形式出现的，它表现为机械地提取网页内容取前几句为摘要，这种仅通过位置进行自动摘要是很难真正反映出网页中的信息内容。论文大全。在文本挖掘中的文本抽取技术是指从文档中抽取出关键信息，然后以简洁的形式对文档的信息进行摘要或描述，即文本抽取技术是根据Web文档本身的内容，从Web页中提炼出重要信息形成文档摘要，而不是根据位置来进行文本内容的概括，因此它更能够反映出Web文档中的真正信息。论文大全。这样，情报人员通过浏览关键词就可以了解网页的大致内容，从而决定是否使用该信息。

2.根据检索结果，自动进行文档聚类

文本聚类是文本分类的逆向过程，是指将文档集中的文档分为更小的簇，要求同一簇内文档之间的相似性尽可能大，而簇与簇之间的关系尽可能小，这些簇相当于分类表中的类目。情报人员在使用搜索引擎时，会得到大量的返回信息组成的线性表，而其中很大一部分是与其查询请求不相关的，于是通过对检索结果的文档集合进行聚类，可以使得与用户检索结果相关的文档集中在一起，并远离那些不相关的文档。再将处理以后的信息以超链接结构组织的层次方式可视化地提供给情报人员，从而大大减短浏览时间。

（二）Web数据挖掘在建立公安网站中的应用

公安网网站是公安网信息的容纳处，我们可以利用Web数据挖掘技术有效地组织网站信息，建立一个资源优化的网站，也就是说通过对网站内容的数据挖掘，主要是对文本内容的挖掘，如采用自动归类技术实现网站信息的层次性组织；以及结合对用户访问日志记录信息的挖掘，把握用户的兴趣，开展网站信息推送服务。

1.采用自动归类技术，实现公安网网站信息层次化

一般而言，网站提供给访问者的信息和服务应该是按优先次序进行排列，网站维护人员应该把重要的信息放在醒目的位置，因此在网站维护时，通过对网站内容挖掘和Web日志挖掘，可以有效地组织网站信息。例如:采用自动归类技术实现网站信息层次化；分析访问者的访问行为，可为用户提供智能化、个性化服务。还可根据访问者的访问兴趣、访问频度、访问时间，动态地调整页面结构。

2.采用日志挖掘技术，实现公安网网站信息推送服务

网站可以根据访问者的浏览情况，发现访问者的兴趣，定期为注册用户提供相关信息，并且调整网站中网页的链接结构和内容，为访问者提供个人定制服务。具体步骤为：首先将日志文件中的数据经过预处理，形成原始数据库；然后获取用户的访问模式，放入用户访问模式数据库；再通过数据挖掘和模式分析形成知识数据库，Web服务器自动更新知识数据库，采用动态主页设计方法，根据用户的知识信息，提供相应的个性化主页。在数据预处理过程中会话识别是重要的一步，它取决于用户访问模式的有效性和准确性。为提高准确性，可采用Cookie法进行会话识别。在呈现个性化主页时，利用用户的IP地址和Cookie值查询知识数据库，发现用户频繁访问的路径，并自动形成相应链接，根据相似用户群和相关Web页推荐给用户。由于是经过挖掘和分析后所产生的动态主页，相对于一般的主页，其针对性更强，更受用户的欢迎。

参考文献：

[1]叶鹰.情报学基础教程[M].科学出版社,2006

[2]栗湘等.Web挖掘应用研究[J]情报理论与实践,2005,(6)

[3]曼丽春等.Web数据挖掘研究与探讨[J].现在电子技术,2006,(8)

[4]徐险峰.基于Web的网络数据挖掘技术[J].情报杂志,2005,(3)

挖掘技术论文篇3

[关键词]岩土工程；数据挖掘；知识发现；研究

中图分类号：TP223文献标识码：A文章编号：1009-914X（2014）35-0247-01

伴随着计算机技术的不断提升，岩土工程的数据处理也逐渐向信息化的方向发展。就目前的数据库系统来看，已经拥有了高效地数据录入、修改、查询、统计等等功能，但还缺少对未来数据发展趋势的预测，缺乏挖掘数据背后的知识手段，以便岩土工程的后期数据转化提供资源。实际的岩土工程施工中因存在很多的不确定性，好很多的工程设计取决于工程师的经验与判断，而为了提高工程设计与施工的效率与质量，就必须进行数据挖掘与知识发现措施，对岩土工程各个领域进行分析，扩充知识积累，构建良好的岩土工程信息化设计、施工决策平台。

一、岩土工程中的数据挖掘技术

1.1常用的数据挖掘技术方法

通常数据挖掘的主要对象就是结构化的关系数据库或者半结构化的网络数据，数据挖掘的任务则是特征规则、关联规则、辨识规则等规则的挖掘，根据不同的任务来分，数据挖掘主要有聚类法、决策树与规则推理法、神经网络法、遗传算法，还有关联规则算法以及粗糙集方法等等的算法。就这些方法来看，都有其一定的优越性，因此在岩土工程中要根据不同的因素来进行数据挖掘方法的选择。

1.2数据挖掘的一般步骤

岩土工程的数据挖掘原理就是通过对岩土工程的一些历史数据进行分类与聚类、推理记忆或者归纳、拟合等，并找出这些数据、与事实之间存在的潜在知识的过程。实现数据挖掘的一般步骤主要包括以下几个。首先，需要定义问题，先确定好数据挖掘的目的是解决岩土工程实际设计与施工、预测事实间存在的规律、关系与知识问题，并提出这些问题的阶段。然后需要建立数据库并进行有效的管理，建立数据库就是以便对数据进行分期、分类以及统一管理。其次，对数据的预处理主要包括归纳、孤立点分析以及数据变幻三个方面的数据整理，也是整个数据挖掘过程中最为关键的步骤之一。实际的岩土工程中的数据肯定是不完整的、不一致的，因此这个过程需要特别的注意。然后就是进行模型的搜索与管理，利用已经选择好的挖掘工具与技术，让系统自动进行数据处理。另外，要将数据挖掘发现的知识与已有的基础理论相比较、全面进行分析、推理、检验与验证，确保其合理性并进行评价，最后才能进行知识运用。

二、实际中的岩土工程数据挖掘应用

前面提到，岩土工程伴随着计算机技术的不断进步与发展，背后的许多重要信息也需要挖掘出来加以利用。传统的关系数据库能够满足日常的数据事物处理，但不能准确的预测未来的发展，因此，就需要取长补短，通过数据挖掘技术对地质因素进行内涵处理，彻底的改变传统的建模假设。

1、数据挖掘在岩土工程的规律统计与关联规则中的应用。

岩土工程的勘察组要大量的工民建、市政以及桥梁、铁路等各阶段的各类测试与室内试验数据的基础。勘察工作完成后会提供给一些勘察报告，而这些勘察数据中有大量的数据没有被利用起来，而这些勘察报告中的数据其实还是存在很大的价值的，就经验取值来按，这种数据包含了不少主观的因素。对此，有一些研究者也做了很多的尝试，在基于土工试验中产生的数据上提出了应用关联规则挖掘数据预处理的技术，还有利用判定书归纳法等等方法试图发掘岩土工程报告数据潜在价值的研究。当前我国岩土工程数据挖掘与知识发现技术主要要求就是可视化、智能化发展要求，对于此，基于GIS的地震砂土液化可视化评价系统应运而生，从设计准则与系统结构来说，该系统都是可以实现这些要求的技术。此外，在工程设计中，设计方案通常还要受很多的直接或者间接因素的影响，再加上这些因素的不确定性与复杂关联性，使得数据更加难以描述与挖掘。同样，在岩土工程设计与关联规则中，也有不少的数据挖掘研究。例如，新版的《岩土勘察规范》中就提到，是通过不同于传统的随机变量理论的随机场理论，更好地去模拟土的空间变异性与相关性。在完善测定分析方法的同时，加大相关数据挖掘工作，通过适当的方法去寻找工程的风险与变形数据特征，给判别与评价工程提供依据。

2、数据挖掘在岩土工程中的监测与检测应用。

当数据挖掘技术运用在岩土工程的边坡处理中时，因要受边坡稳定性的地质因素与工程因素的综合影响，其随机性、模糊性与可变性等不确定性影响是变化的，这些因素之间又存在复杂的非线性关系，因此数据挖掘就可以用分析边坡的稳定性与变形的预测。通过运用基于粗糙集理论数据挖掘技术，来分析边坡稳定性数据，能够实现从复杂的参数中提取有用决策规则，从而达到准确分析边批稳定性的目的。另外，在环境水文方面，当前也有相关研究是基于水文数据库的全局性多因素数据挖掘，但其研究现状还不成熟，因此，需要在此基础上，进一步对水文序列的相似性、周期性以及序列模式进行研究。总之，数据挖掘技术是融合人工智能、信息融合与数据统计等几方面的研究成功，但数据挖掘的目标必须是可靠的结果，因此要克服其他的辅助技术缺点，尽量避开这些弊端与缺陷。严格要求挖掘过程的数据样本与数据质量，保证高质高效的数据与处理技术，确保挖掘结果的准确性与可靠性、实用性。

结语：事实上，岩土工程中的数据挖掘技术是综合多年来的数理统计与人工智能与知识领域的研究成果的，数据挖掘不仅是一个集成数据库、人工智能、信息融合、可视化的计算机技术，也是挖掘岩土工程背后隐藏知识的一种重要手段。对于数据挖掘的未来发展，仍然需要我们不断的研究与探索，为岩土工程研究提供更准确、可靠的依据。

参考文献

[1]薛祥，孙宏伟，沈滨，于玮，张权益.岩土工程中的数据挖掘和知识发现探讨[J].工程勘察，2007，10：11-16+28.

[2]李德仁，王树良，史文中，王新洲.论空间数据挖掘和知识发现[J].武汉大学学报（信息科学版），2001，06：491-499.

[3]梅时春，李人厚，罗印升.过程监控中数据挖掘与知识发现理论及应用[J].微计算机信息，2002，02：1-3.

挖掘技术论文篇4

关键词：挖掘机；维修；保养

随着科技的进步，现代挖掘机一般都采用了机电液一体化控制模式，我们在排除一些故障时，解决的多是发动机、液压泵、分配阀、外部负荷的匹配问题。一般在挖掘机作业中，这几方面不能匹配，经常会表现为：发动机转速下降，工作速度变慢，挖掘无力以及一些常见问题。

1发动机转速下降

首先要测试发动机本身输出功率，如果发动机输出功率低于额定功率，则产生故障的原因可能是燃油品质差、燃油压力低、气门间隙不对、发动机的某缸不工作、喷油定时有错、燃油量的调定值不对、进气系统漏气、制动器及其操纵杆有毛病和涡轮增压器积炭。如果发动机输出动力正常，就需要查看是否因为液压泵的流量和发动机的输出功率不匹配。

液压挖掘机在作业中速度与负载是成反比的，就是流量和泵的输出压力乘积是一个不变量，泵的输出功率恒定或近似恒定。如果泵控制系统出现了故障，就不能实现发动机、泵及阀在不同工况区域负荷优化匹配状态，挖掘机从而将不能正常工作。此类故障要先从电器系统入手，再检查液压系统，最后检查机械传动系统。

2工作速度变慢

挖掘机工作速度变慢主要原因是整机各部磨损造成发动机功率下降与液压系统内泄。挖掘机的液压泵为柱塞变量泵，工作一定时间后，泵内部液压元件（缸体、柱塞、配流盘、九孔板、龟背等）不可避免的产生过度磨损，会造成内漏，各参数据不协调，从而导致流量不足油温过高，工作速度缓慢。这时就需要整机大修，对磨损超限的零部件进行修复更换。

但若不是工作时间很长的挖掘机突然变慢，就需要检查以下几方面。先查电路保险丝是否断路或短路，再查先导压力是否正常，再看看伺服控制阀-伺服活塞是否卡死以及分配器合流是否故障等，最后将液压泵拆卸进行数据测量，确认挖机问题所在。

3挖掘机无力

挖掘无力是挖掘机典型故障之一。对于挖掘无力可分为两种情况：一种为挖掘无力，发动机不憋车，感觉负荷很轻；第二种为挖掘无力，当动臂或斗杆伸到底时，发动机严重憋车，甚至熄火。

①挖掘无力但发动机不憋车。挖掘力的大小由主泵输出压力决定，发动机是否憋车取决于油泵吸收转矩与发动机输出转矩间的关系。发动机不憋车说明油泵吸收转矩较小，发动机负荷轻。如果挖掘机的工作速度没有明显异常，则应重点检查主泵的最大输出压力即系统溢流压力。如果溢流压力测量值低于规定值，表明该机构液压回路的过载溢流阀设定值不正确，导致该机构过早溢流，工作无力。则可以通过转动调整螺丝来调整机器。②挖掘无力，发动机憋车。发动机憋车表明油泵的吸收转矩大于发动机输出转矩，致使发动机超载。这种故障应首先检查发动机速度传感系统是否正常，检查方法与前文所述发动机检查方法类似。经过以上细致的检查与排除故障，发动机速度传感系统恢复正常功能，发动机憋车现象消失，挖掘力就会恢复正常。

4挖掘作业过程中的常见故障

挖掘机在施工作业中经常出现的一些普遍的故障，如：挖机行走跑偏，原因可能为行走分配油封（又称中心回转接头油封）损坏；两个液压泵流量大小不一；一边行走马达有问题。液压缸快速下泄则可能为安全溢流阀封闭不严，或缸油封严重损坏等等。多智网校诚招全国各地市独家线下商，共同开发网上教育市场。多智教育()！

5挖掘机的日常保养

为了防止挖掘机的故障发生，在日常使用过程中需要十分注意对挖掘机的保养。日常保养包括检查、清洗或更换空气滤芯；清洗冷却系统内部；检查和拧紧履带板螺栓；检查和调节履带反张紧度；检查进气加热器；更换斗齿；调节铲斗间隙；检查前窗清洗液液面；检查、调节空调；清洗驾驶室内地板；更换破碎器滤芯（选配件）。清洗冷却系统内部时，待发动机充分冷却后，缓慢拧松注水口盖，释放水箱内部压力，然后才能放水；不要在发动机工作时进行清洗工作，高速旋转的风扇会造成危险；当清洁或更换冷却液时，应将机器停放在水平地面上。

挖掘技术论文篇5

【关键词】Web数据库；数据挖掘；技术应用

一、基于Web数据库的数据库挖掘技术的相关概念

1.基于Web的数据库技术。在现今的网络时代，通过Web技术与数据库相结合来开发动态的Web数据库应用己然成为了Web技术研究的热点。Web数据库系统主要是通过将Web与数据库进行连接，以此来产生基于数据库的动态页面，以方便于客户在不同地域范围内实施操作，实现远程性的监控。由此可见，Web数据库技术是计算机网络技术与数据库技术相结合的产物，大量可供访问的信息的存放和管理的数据库系统，它可以将众多数据库服务器的各种信息资源系统的组织起来，便于网络用户的访问。

2.数据库挖掘的定义。数据库挖掘主要是指从大量的数据中获取有效的、潜在有用的以及可理解的模式的信息资源的过程。但是，并不是所有的数据库信息发现都可以被称为数据挖掘。例如，利用数据库管理系统来查找个别的记录，它则属于信息检索领域。随着数学理论的不断发展，数据库挖掘技术也有了相应的进步，它开始利用统计学技术、人工智能以及模式识别等的搜索建模技术和基本理论，同时也接纳了一些来自最优化、信息论、进化计算以及可视化等领域的思想，做出归纳性的推理，从中挖掘出数据之间的潜在关系，进而促进信息的传递。

二、基于Web的数据库的数据库挖掘方法

1.覆盖正例排斥反例方法。覆盖正例排斥反例方法主要是指通过覆盖所有正例或排斥所有反例的思想来寻找规则。首先，要在正例集合中任意选取一个种子，然后与反例集合的种子逐个进行比较，最后将与字段取值构成的选择子相容的舍去，保留与之相反的并按照这种思想循环所有的正例种子，这样便得到了正例的规则。

2.粗集方法。尽管粗集方法并不是十分精确，但其仍有以下几点优势，不需要给其额外的信息，对输入信息的表达和运算方法也十分简单，便于操作。对于粗集方法的处理对象一般都是类似于二维关系的信息资源。此外，日益发展起来的数据库管理系统为粗集式的数据库挖掘技术提供了必要的前提条件，但是，由于粗集方法的数学基础是集合论，所以很难对连续的属性进行直接的处理，并且实际的数据库信息表中的连续属性是非常常见的，因此，这也是制约粗集方法的实际应用的难点。

3.模糊集方法。模糊集方法主要是指通过模糊集合理论对一些实际问题进行模糊的识别、评判、决策以及分析。一般系统的复杂性越强，其模糊性就越高，大多数的模糊集合理论都是用隶属度来刻画模糊事物的属性的。目前，研究人员在传统模糊理论和概率统计的基础上，提出了定性定量不确定性转换模型，即云模型，并形成了相应的云理论。

4.统计分析方法。在一般的数据库字段项之间主要存在两种关系，即函数关系和相关关系。当需要对两者进行分析时，就可以采用统计学的分析方法，也就是指利用统计学的原理对数据库中的信息资源进行分析。此外，通常可以采用常用统计、回归分析、相关分析以及差异分析等四种分析方式。

三、Web数据库挖掘技术的应用分析

1.Web数据挖掘技术在电子商务中的应用。在电子商务中，通过利用Web数据库挖掘技术企业可对客户的访问信息进行挖掘，然后对客户进行分类，进而对分组中的客户特征进行分析，使企业更好地了解客户信息，以此来为客户提供更具有针对性的服务。另外，也可以利用挖掘并分类的技术为企业寻找潜在型的客户资源，同时也可以保留客户在网上的停留时间，进而为企业提供更大的利润空间。

2.Web数据挖掘在网络教育方面的应用。随着新课标的提出，教育也逐渐走向网络化趋势。它不仅提供了便利的学习方式，也方便于学校更加深入的了解学生的具体需求。与传统教学相似，网络教学也必须要面对不同的受教育个体，为学生提供个性化需求的教学方式，而我们正可以利用传统的数据库挖掘技术与Web数据库结合起来，从Web文档以及活动中来选取学生所感兴趣的潜在有用的隐藏和模式信息，有利于协助学校更好的为学生提供网络教育服务。

3.在网站设计方面的应用。在网站的设计方面，通过利用数据库挖掘技术对网站的内容进行挖掘，尤其是文本内容，便于有效地对网站信息进行组织，例如，运用自动归类技术来实现网站信息的层次型组织，通过对网络用户的访问记录进行挖掘，进而了解其兴趣方面的信息，以此来开展网站信息的推广或个人信息的定制服务。

四、总结

随着网络技术的不断发展与应用的推广，Web数据库作为世界上最大的信息库，为数据的挖掘技术提供了必要的条件。同时，社会的进步也离不开信息的传播与使用，基于Web数据库的数据库挖掘技术在为提高检索信息的准确性、开展具有针对性的电子商务以及提供个性化的信息服务方面具有极其重要的意义。

参考文献：

[1]陈京民等.数据仓库与数据挖掘技术[M].北京：电子工业出版社，2002.

挖掘技术论文篇6

论文关键词：电子商务，数据挖掘，聚类分析，关联规则挖掘

1引言

随着Internet的普及，电子商务得到了前所未有的发展，经销商和客户之间通过互联网进行交易，节省了大量的费用和时间。但是在电子商务中充斥着大量的数据，如何从这些大量的数据中挖掘出真正有价值的信息，帮助企业经销商制定更好的营销策略是电子商务急需解决的问题。数据挖掘，又称数据库中的知识发现(KnowledgeDiscoveryinDatabase，KDD)，也就是从大量的数据中挖掘出有用信息的一种技术。利用数据挖掘技术可以使经销商从大量的数据中挖掘出有用的信息帮助决策，从而在市场竞争中获得优势地位。

2电子商务概述

电子商务指交易当事人或参与人利用现代信息技术和计算机网络（主要是因特网）所进行的各类商业活动，包括货物贸易、服务贸易和知识产权贸易。电子商务”中所包括的现代信息技术”应涵盖各种使用电子技术为基础的通信方式；商务”指不论是契约型还是非契约型的一切商务性质的关系所引起的种种事项。如果将现代信息技术”看作一个子集，商务”看作另一个子集，电子商务所涵盖的范围应当是这两个子集所形成的交集，即电子商务”标题之下可能广泛涉及的因特网、内部网和电子数据交换在贸易方面的各种用途。

电子商务与传统商务相比有以下优点：（1）电子商务将传统的商务流程数字化、电子化，让传统的商务流程转化为电子流、信息流，突破了时间空间的局限，大大提高了商业运作的效率。（2）电子商务简化了企业与企业，企业与个人之间的流通环节，最大限度地降低了流通成本，能有效地提高企业在现代商业活动中的竞争力。（3）电子商务是基于互联网的一种商务活动，互联网本身具有开放性全球性特点，电子商务可为企业及个人提供丰富的信息资源，为企业创造更多商业机会。（4）电子商务对大型企业和中小企业都有利，因为大中型企业需要买卖交易活动多，实现电子商务能有效地进行管理和提高效率，对小企业同样有利，因为电子商务可以使企业以相近的成本进行网上交易，这样使中小企业可能拥有和大企业一样的流通渠道和信息资源，极大提高了中小企业的竞争力。（5）电子商务将大部分商务活动搬到网上进行，企业可以实行无纸化办公节省了开支。

3数据挖掘技术

数据挖掘（DataMining，DM）技术是随着计算机的广泛应用和数据的大量积累而发展起来的。数据挖掘是从大量的数据中提取或挖掘”知识，即发现其中隐含的，未知的，有意义的信息的过程，它又被称为数据库中知识发现”(KDD)，也有人把数据挖掘视为数据库中知识发现的一个基本步骤，知识发现过程由以下步骤组成：（1）数据清理（2）数据集成（3）数据选择（4）数据变换（5）数据挖掘（6）模式评估（7）知识表示。

从商业的角度定义，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。利用功能强大的数据挖掘技术，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。数据挖掘与传统的数据分析的不同是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知、有效和实用3个特征。

4数据挖掘在电子商务中的作用

数据挖掘技术之所以可以服务于电子商务，是因为它能够挖掘出活动过程中的潜在信息以指导电子商务活动。在电子商务中的作用有7个方面：（1）挖掘客户活动顾虑，针对性的在电子商务平台下提供个性化”的服务。（2）可以在浏览电子商务网站的访问者中挖掘出潜在的客户。（3）通过电子商务访问者的活动信息的挖掘，可以更加深入的了解客户需求。（4）通过挖掘网上顾客的购买行为，可以帮助制定合理的产品策略和定价策略。（5）通过对商品访问情况和销售情况进行挖掘，可以帮助制定产品营销策略，优化促销活动。（6）优化电子商务网站的信息导航，方便客户浏览。（7）通过客户在网络上浏览时的拥塞记录发现网站的性能瓶颈，从而提高网站的稳定性，保证电子商务购物快速进行。

5电子商务中数据挖掘的技术与方法

电子商务中的数据挖掘过程一般包括3个主要的阶段：数据准备、数据挖掘、结果解释和评价。（1）数据准备又可分为数据选取和数据预处理两个步骤。数据选取的目的是确定发现任务的操作对象。即目标数据，是根据用户的需要从原始数据库中抽取的一组数据。数据预处理一般包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换以及对数据降维。（2）数据挖掘阶段首先要确定数据挖掘的目标和挖掘的知识类型。确定挖掘任务后，根据挖掘的知识类型选择合适的挖掘算法，最后实施数据挖掘操作，运用选定的挖掘算法从数据库中抽取所需的知识。（3）结果的解释和评价。数据挖掘阶段发现的知识，经过评估，可能存在冗余或无关的知识，这时需要将其剔除，也有可能知识不满足用户的需求，需要重复上述挖掘过程重新进行挖掘。另外，由于数据挖掘最终要面临用户，因此，还需要对所挖掘的知识进行解释，以一种用户易于理解的方式供用户所使用。

数据挖掘按照其挖掘任务主要包括分类和预测、聚类分析、关联规则挖掘，回归发现和序列模式发现等技术。在选择某种数据挖掘技术之前，首先要将需要解决的问题转化成正确的数据挖掘任务，然后根据挖掘的任务来选择使用哪些数据挖掘技术。在电子商务活动中，主要使用下面的一些数据挖掘技术。

5.1分类

分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型或分类函数，将数据库中的数据项映射到某个给定的类别。分类的主要方法有基于决策树模型的数据分类，贝叶斯分类算法，ID3算法和基于BP神经网络算法等。

假定现在我们有一个描述顾客属性的数据库，包括他们的姓名、年龄、收入、职业等，我们可以按照他们是否购买某种商品（例如，计算机）来进行分类。如果现在有新的顾客添加到数据库中，我想将新计算机的销售信息通知顾客，若将促销材料分发给数据库中的每个新顾客，如此可能会导致耗费较多的精力和物力。而若我们只给那些可能购买新计算机的顾客分发材料，可以在较大的程度上节省成本。为此，可以构造和使用分类模型。分类方法的特点是通过对示例数据库中的数据进行分析，已经建立了一个分类模型，然后利用分类模型对数据库中的其它记录进行分类。

5.2聚类分析

聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。聚类分析的方法是数据挖掘领域最为常见的技术之一。常用的聚类分析方法有：分割聚类方法，层次聚类方法，基于密度的聚类方法和高维稀疏聚类算法等。聚类分析方法与分类方法的不同之处是聚类事先对数据集的分布没有任何的了解。因此在聚集之后要有一个对业务很熟悉的人来解释这样聚集的意义。很多情况下一次聚集你得到的分类对你的业务来说可能并不好，这时你需要删除或增加变量以影响分类的方式，经过几次反复之后才能最终得到一个理想的结果。聚类分析方法在电子商务中的使用也极其广泛。其中一个典型的应用是帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同客户群的特征。通过对聚类的客户特征的提取，把客户群分成更细的市场，提供针对性的服务。

5.3关联规则挖掘

关联规则是描述数据库中数据项之间所存在关系的规则，即根据一个事物中的某些项的出现可导出另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系，比如在一次购买活动中所买不同商品的相关性。在电子商务中，从大量商务事物记录中发现有趣的关联关系，可以帮助许多商务决策的制定。关联规则挖掘最初也是最典型的形式是购物篮分析。它通过发现顾客放入其购物篮中不同商品之间联系，分析顾客的购买习惯。例如，在同一次去超级市场，如果顾客购买牛奶，他也购买面包（包括购买什么类型的面包）的可能性有多大？这些信息可以帮助零售商有选择地经销和安排货架，引导销售。例如，将牛奶和面包尽可能放近一些，可以进一步刺激一次去商店同时购买这些商品。在电子商务中，由于Web服务器的日志文件记录了用户的访问记录，通过这些记录利用关联规则挖掘网上顾客购买产品的相关度，对某些品牌的喜好和忠诚，价格接受范围，以及包装要求等，挖掘的结果可以用来帮助管理者进行网站规划、确定商品的种类、价格和新产品的投入。

5.4序列模式分析

序列模式分析和关联规则挖掘相似，但侧重点在分析数据间的前后序列关系。它能发现数据库中形如在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A-B-C出现的频度较高的信息。序列模式分析的一个例子是九个月以前购买奔腾PC的客户很可能在一个月内订购新的CPU芯片”。

6结束语

电子商务过程中的各种信息和数据是电子商务活动能够更好的进行的基础，通过选择合适的数据挖掘技术来挖掘电子商务中有价值的信息，从而使企业在激烈的市场竞争中做出正确的决策，保持有力的竞争优势。随着数据挖掘技术的不断发展，我们相信它在电子商务中的应用将促使其得到更快更高效的发展。

参考文献

[1]姚淼.《数据挖掘在电子商务中的应用》.高校图书情报论坛.Mar.2009.Vol.8No.1

[2]赵雁.张黎明.吕安.赵彦慧.《电子商务中的数据挖掘技术》.中国电子学会第十届青年学术年会论文集.2004.9

[3]杨青杰.胡明霞.《数据挖掘技术在电子商务中的应用研究》.商场现代化.2008年第16期