基于数据挖掘的油田工程造价管理系统的设计与实现
发布时间：2020-12-07 16:25
近十几年来,随着计算科技的进步,大幅度提高了人们利用信息技术生产和搜集数据的能力,海量的数据库软件被用于商业管理、政府办公、科学研究和工程开发等等领域,这一势头仍将持续发展下去。于是,一个新的挑战被提了出来。在这所谓的信息爆炸的时代,信息过量几乎成为人人需要面对的问题。因此,面对“人们被数据淹没,同时却仍然感到知识饥饿”的挑战,数据挖掘(Data Mining)技术应运而生,并得以蓬勃发展,越来越显示出其强大的生命力。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。有了这一概念之后,相应的软件实现也孕育而生了,像SQL Server,Oracle等商业软件都先后实现数据挖掘的相关算法。有了数据库的支持剩下的工作就是把它和业务系统实现融合以完成具体的应用系统。本文首先分析辽河油田概预算管理中心的管理现状,找出了现行管理办法的弊端,并和中心的管理层和实际操作人员进行了有效的沟通,最终确定系统的功能需求。然后分析了现阶段的软件结构,发现B/S这种软件实现结构迅速的代替了老式的C/S的软件结构。接着分析了数据挖掘...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
数据挖掘产生因素图示
图 1-2 数据挖掘所涉及的学科接下来分析一下数据挖掘未来的发展方向是什么，将会呈现出何种趋势？归纳起来主要有七个方面的内容:[2]1. 数据挖掘的行业标准化。首先是数据挖掘语言的标准化，数据挖掘语言将会像 SQL 语言一样走向形式化和标准化。经过标准化了的数据挖掘语言有助于数据挖掘系统的开发、多个数据挖掘系统的功能相互转换以及促进数据挖掘系统的普及使用。其次是数据挖掘组织将会成立，数据挖掘组织将有由各相关厂商联合构成，预测模型标记语言的 XML 将有可能成为他们共同采用的一种格式来描述常见的预测模型，例如逻辑回归分析、决策树以及神经网络模型等等。他们的目标在于创造出一种模型，让其它数据探勘，以及商业智能应用程序能够直接采用，而不需要重新手动建立程序代码。另一个目的是让这些使用即 XML 来描述的模型，能够安全、实时地添加到 7×24 小时持续运作的系统之中。2. 数据挖掘算法的改进。这主要体现在可伸缩的数据挖掘算法上。与传统的数据分析方法相比，数据挖掘必须能够有效处理大量数据，而且尽可能是交互式的。由于数据的激增，针对单独或集成的数据挖掘功能的可伸缩算法显得十分重
数据的清洗、转换，并作为转化之后数据的存储载体。OLAP 作为获取信息的分技术，也是不可缺少的，它实现对数据仓库中所存储数据的查询、分析，使其为有用的信息。同时，DM 工具可以获取数据仓库中隐藏的有用信息[16]。以关数据库为基础构建完善的数据仓库，可以为联机分析处理和数据挖掘提供良好数据载体。2.2 数据挖掘 数据挖掘，有时还译作数据开采，一种公认的定义是 W.J.Frawley，GPiateShapiro 等人提出的：数据挖掘，就是从大型数据库的数据中提取人们感兴趣的识，这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识可表示为念(Concepts)、规则(Rules)、规律(Regularities)、模式(Patterns)等形式。此定义把据挖掘的对象仅定义为数据库，广义地讲:数据挖掘是在一些事实或观察的集合寻找模式的决策支持过程。也就是说，数据挖掘的对象不仅是数据库，也可以文件系统，或其它任何数据集合[17]，典型的 DM 系统流程如图 2~2 所示。
本文编号：2903558
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
数据挖掘产生因素图示
图 1-2 数据挖掘所涉及的学科接下来分析一下数据挖掘未来的发展方向是什么，将会呈现出何种趋势？归纳起来主要有七个方面的内容:[2]1. 数据挖掘的行业标准化。首先是数据挖掘语言的标准化，数据挖掘语言将会像 SQL 语言一样走向形式化和标准化。经过标准化了的数据挖掘语言有助于数据挖掘系统的开发、多个数据挖掘系统的功能相互转换以及促进数据挖掘系统的普及使用。其次是数据挖掘组织将会成立，数据挖掘组织将有由各相关厂商联合构成，预测模型标记语言的 XML 将有可能成为他们共同采用的一种格式来描述常见的预测模型，例如逻辑回归分析、决策树以及神经网络模型等等。他们的目标在于创造出一种模型，让其它数据探勘，以及商业智能应用程序能够直接采用，而不需要重新手动建立程序代码。另一个目的是让这些使用即 XML 来描述的模型，能够安全、实时地添加到 7×24 小时持续运作的系统之中。2. 数据挖掘算法的改进。这主要体现在可伸缩的数据挖掘算法上。与传统的数据分析方法相比，数据挖掘必须能够有效处理大量数据，而且尽可能是交互式的。由于数据的激增，针对单独或集成的数据挖掘功能的可伸缩算法显得十分重
数据的清洗、转换，并作为转化之后数据的存储载体。OLAP 作为获取信息的分技术，也是不可缺少的，它实现对数据仓库中所存储数据的查询、分析，使其为有用的信息。同时，DM 工具可以获取数据仓库中隐藏的有用信息[16]。以关数据库为基础构建完善的数据仓库，可以为联机分析处理和数据挖掘提供良好数据载体。2.2 数据挖掘 数据挖掘，有时还译作数据开采，一种公认的定义是 W.J.Frawley，GPiateShapiro 等人提出的：数据挖掘，就是从大型数据库的数据中提取人们感兴趣的识，这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识可表示为念(Concepts)、规则(Rules)、规律(Regularities)、模式(Patterns)等形式。此定义把据挖掘的对象仅定义为数据库，广义地讲:数据挖掘是在一些事实或观察的集合寻找模式的决策支持过程。也就是说，数据挖掘的对象不仅是数据库，也可以文件系统，或其它任何数据集合[17]，典型的 DM 系统流程如图 2~2 所示。
本文编号：2903558
本文链接：https://www.wllwen.com/guanlilunwen/chengbenguanlilunwen/2903558.html
