数据挖掘与知识发现期刊（数据挖掘,杂志）

大家好！今天让创意岭的小编来大家介绍下关于数据挖掘与知识发现期刊的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、50个数据挖掘学习资源网站 收藏！

• 2、数据挖掘概念综述

• 3、为什么北大法宝没有了

• 4、安徽大学计算机科学与技术学院的研究生专业

一、50个数据挖掘学习资源网站 收藏！

来自经管之家（原人大经济论坛）

知识型企业研究中心

http：//business.queensu.ca/index.php

英国谢菲尔德大学自然语言处理研究组

http：//nlp.shef.ac.uk/

PCAI

http：//www.pcai.com/

美国印地安那大学人工智能/认知科学报告和再版文件汇编

http：//www.cs.indiana.edu/%7eleake/INDEX.html

美国橡树岭国家实验室图像处理和机器视觉研究小组

http：//www.ornl.gov/sci/ismv/

人工智能研究者俱乐部

http：//www.souwu.com/

DFKI人工智能研究所

http：//www.dfki.uni-kl.de/

数据管理前言技术国际研讨会（中国，上海，2006）

http：//www.iipl.fudan.edu.cn/DM06/index.htm

媒体计算与WEB智能实验室(复旦大学)

http：//www.cs.fudan.edu.cn/mcwil/irnlp/

奥地利人工智能研究所机器学习和数据挖掘小组

http：//www.oefai.at/oefai/ml/mldm/

加拿大渥太华大学知识获取与智能化学习研究小组

http：//www.site.uottawa.ca/tanka/kaml.html

美国麻省理工大学生物与计算学习研究中心

http：//cbcl.mit.edu/

德国乌尔姆大学人工神经网络小组

http：//www.informatik.uni-ulm.de/ni/forschung/ann.html

优秀知识发现网络

http：//www.kdnet.org/

奥地利维也纳医科大学脑研究中心医学控制和人工智能学院

http：//www.ai.univie.ac.at/

美国伍斯特工学院人工智能研究小组

http：//www.cs.wpi.edu/Research/airg/

微软研究－机器学习和应用统计研究小组

http：//research.microsoft.com/research/mlas/

英国爱丁堡大学信息学校人工智能应用学院

http：//www.aiai.ed.ac.uk/

北京大学计算语言学研究所

http：//www.icl.pku.edu.cn/

哈尔滨工业大学智能技术与自然语言处理实验室

http：//www.insun.hit.edu.cn/default_cn.asp

加州大学伊荣/尔湾分校机器学习小组

http：//www.ics.uci.edu/~mlearn/Machine-Learning.html

DMI：数据挖掘学院

http：//www.cs.wisc.edu/dmi/

数据挖掘：原理，算法及应用

http：//www.cs.unc.edu/Courses/comp290-90-f04/

国家数据挖掘中心

http：//www.ncdm.uic.edu/

IBM智能情报系统研究中心

http：//www.almaden.ibm.com/software/disciplines/iis/

清华大学知识工程研究室

http：//keg.cs.tsinghua.edu.cn/

数据挖掘和数据仓库

http：//www.crm2day.com/data_mining/

数据挖掘课程

http：//cs.nju.edu.cn/zhouzh/zhouzh.files/course/dm.htm

人工智能研究实验室

http：//www.cs.iastate.edu/~honavar/aigroup.html

美国人工智能协会

http：//www.aaai.org/home.html

知识媒体学会

http：//kmi.open.ac.uk/index.cfm

WEB数据挖掘实验室

http：//www.wdmlab.cn/

中国科大博纳数据挖掘中心

http：//bona.ustc.edu.cn/

西南财经大学商务数据挖掘中心

http：//riem.swufe.edu.cn/dataminingcenter/

国际数据挖掘技术研究中心

http：//59.77.6.145/dmlab/DesktopDefault.aspx

互联网数据挖掘服务中心

http：//idm.yatio.com/index.html

中科院数据技术与知识经济研究中心

http：//www.dtke.ac.cn/

机器学习研究室

http：//www.cald.cs.cmu.edu/

数据挖掘工程小组

http：//www.chem-eng.utoronto.ca/~datamining/

查尔斯顿学院的信息发现

http：//di.cofc.edu/

数据挖掘技能

http：//www.statsoft.com/textbook/stdatmin.html

智能科学网站

http：//www.intsci.ac.cn/

数据挖掘词汇表

http：//www.twocrows.com/glossary.htm

数字经济研究中心

http：//w4.stern.nyu.edu/ceder/

诊断试验评价与数据挖掘

http：//statdtedm.6to23.com/

统计分析与数据挖掘实验室

http：//www.bistudy.com/

Lotus知识发现服务器

http：//www.chinakm.com/share/list.asp

知识发现新进展与成果概述

http：//202.113.96.26/tjcbe/xueshubaogao/yangbingru.ppt

UCI数据库知识发现

http：//kdd.ics.uci.edu/

数据挖掘与知识发现软件

http：//www.kdnuggets.com/software/index.html

以上是小编为大家分享的关于50个数据挖掘学习资源网站 收藏！的相关内容，更多信息可以关注环球青藤分享更多干货

二、数据挖掘概念综述

数据挖掘概念综述

数据挖掘又称从数据库中发现知识（KDD）、数据分析、数据融合（Data Fusion）以及决策支持。KDD一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议上。随后在1991年、1993年和1994年都举行KDD 专题讨论会，汇集来自各个领域的研究人员和应用开发者，集中讨论数据统计、海量数据分析算 法、知识表示、知识运用等问题。随着参与人员的不断增多，KDD国际会议发展成为年会。1998 年在美国纽约举行的第四届知识发现与数据 挖掘国际学术会议不仅进行了学术讨论，并且有30多家软件公司展示了他们的数据挖掘软件产品，不少软件已在北美、欧洲等国得到应用。

一、什么是数据挖掘

1.1、数据挖掘的历史

近十几年来，人们利用信息技术生产和搜集数据的能力大幅度提高，千万万个数据库被用于商业管理、政府办公、科学研究和工程开发等等，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：在这被称之为信息爆炸的时代，信息过量几乎成为人人需要面对的问题。如何才能不被信息的汪洋大海所淹没，从中及时发现有用的知识，提高信息利用率呢？要想使数据真正成为一个公司的资源，只有充分利用它为公司自身的业务决策和战略发展服务才行，否则大量的数据可能成为包袱，甚至成为垃圾。因此，面对”人们被数据淹没，人们却饥饿于知识”的挑战。另一方面计算机技术的另一领域——人工智能自1956年诞生之后取得了重大进展。经历了博弈时期、自然语言理解、知识工程等阶段，目前的研究 热点是机器学习。机器学习是用计算机模拟人类学习的一门科学，比较成熟的算法有神经网络、遗传算法等。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现（KDD：Knowledge Discovery in Databases）的产生，因此，数据挖掘和知识发现（DMKD）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。

数据挖掘又称从数据库中发现知识（KDD）、数据分析、数据融合（Data Fusion）以及决策支持。KDD一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议上。随后在1991年、1993年和1994年都举行KDD 专题讨论会，汇集来自各个领域的研究人员和应用开发者，集中讨论数据统计、海量数据分析算 法、知识表示、知识运用等问题。随着参与人员的不断增多，KDD国际会议发展成为年会。1998 年在美国纽约举行的第四届知识发现与数据 挖掘国际学术会议不仅进行了学术讨论，并且有30多家软件公司展示了他们的数据挖掘软件产品，不少软件已在北美、欧洲等国得到应用。

2.2数据挖掘的概念

从1989年到现在，KDD的定义随着人们研究的不断深入也在不断完善，目前比较公认的定义是Fayyad 等给出的：KDD是从数据集中识别出有效的、新颖的、潜在有用的以及最终可理解模式的高级处理过程。从定义可以看出，数据挖掘（DataMining）就是从大量的、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。人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门很广义的交叉学科，它汇聚了不同领域的研究者，尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的学者和工程技术人员。

特别要指出的是，数据挖掘技术从一开始就是面向应用的。它不仅是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微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。

一般来说在科研领域中称为KDD，而在工程领域则称为数据挖掘。

二、数据挖掘的步骤

KDD包括以下步骤：

1、数据准备

KDD的处理对象是大量的数据，这些数据一般存储在数据库系统中，是长期积累的结果。但往往不适合直接在这些数据上面进行知识挖 掘，需要做数据准备工作，一般包括数据的选择（选择相关的数据）、净化（消除噪音、冗余数据）、推测（推算缺失数据）、转换（离散值 数据与连续值数据之间的相互转换，数据值的分组分类，数据项之间的计算组合等）、数据缩减（减少数据量）。如果KDD的对象是数据仓 库，那么这些工作往往在生成数据仓库时已经准备妥当。数据准备是KDD 的第一个步骤，也是比较重要的一个步骤。数据准备是否做好将影 响到数据挖掘的效率和准确度以及最终模式的有效性。

2、数据挖掘

数据挖掘是KDD最关键的步骤，也是技术难点所在。研究KDD的人员中大部分都在研究数据挖掘技术，采用较多的技术有决策树、分类、 聚类、粗糙集、关联规则、神经网络、遗传算法等。数据挖掘根据KDD的目标，选取相应算法的参数，分析数据，得到可能形成知识的模式 模型。

3、评估、解释模式模型

上面得到的模式模型，有可能是没有实际意义或没有实用价值的，也有可能是其不能准确反映数据的真实意义，甚至在某些情况下是与事 实相反的，因此需要评估，确定哪些是有效的、有用的模式。评估可以根据用户多年的经验，有些模式也可以直接用数据来检验其准确性。 这个步骤还包括把模式以易于理解的方式呈现给用户。

4、巩固知识

用户理解的、并被认为是符合实际和有价值的模式模型形成了知识。同时还要注意对知识做一

致性检查，解决与以前得到的知识互相冲 突、矛盾的地方，使知识得到巩固。

5、运用知识

发现知识是为了运用，如何使知识能被运用也是KDD的步骤之一。运用知识有两种方法：一种是只需看知识本身所描述的关系或结果，就 可以对决策提供支持；另一种是要求对新的数据运用知识，由此可能产生新的问题，而需要对知识做进一步的优化

三、数据挖掘的特点及功能

3.1、数据挖掘的特点

数据挖掘具有如下几个特点，当然，这些特点与数据挖掘要处理的数据和目的是密切相关的。

1、处理的数据规模十分巨大。

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。

3、由于数据变化迅速并可能很快过时，因此需要对动态数据作出快速反应，以提供决策支持。

4、主要基于大样本的统计规律，其发现的规则不一定适用于所有数据

3.2、数据挖掘的功能

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。至于发现工具和方法，常用的有分类、聚类、减维、模式识别、可视化、决策树、遗传算法、不确定性处理等。归纳起来，数据挖掘有如下几个功能：

预测/验证功能：预测/验证功能指用数据库的若干已知字段预测或验证其他未知字段值。预测方法有统计分析方法、关联规则和决策树预测方法、回归树预测方法等。

描述功能：描述功能指找到描述数据的可理解模式。描述方法包括以下几种：数据分类、回归分析、簇聚、概括、构造依赖模式、变化和偏差分析、模式发现、路径发现等。

四、数据挖掘的模式

数据挖掘的任务是从数据中发现模式。模式是一个用语言L来表示的一个表达式E，它可用来描述数据集F中数据的特性，E 所描述的数据是集 合F的一个子集FE。E作为一个模式要求它比列举数据子集FE中所有元素的描述方法简单。例如，“如果成绩在81 ～90之间，则成绩优良”可称 为一个模式，而“如果成绩为81、82、83、84、85、86、87、88、89 或90，则成绩优良”就不能称之为一个模式。

模式有很多种，按功能可分有两大类：预测型（Predictive）模式和描述型（Descriptive）模式。

预测型模式是可以根据数据项的值精确确定某种结果的模式。挖掘预测型模式所使用的数据也都是可以明确知道结果的。例如，根据各种 动物的资料，可以建立这样的模式：凡是胎生的动物都是哺乳类动物。当有新的动物资料时，就可以根据这个模式判别此动物是否是哺乳动物。

描述型模式是对数据中存在的规则做一种描述，或者根据数据的相似性把数据分组。描述型模式不能直接用于预测。例如，在地球上，70 ％的表面被水覆盖，30 ％是土地。

在实际应用中，往往根据模式的实际作用细分为以下6 种：

1、分类模式

分类模式是一个分类函数（ 分 类 器），能够把数据集中的数据项映射到某个给定的类上。分类模式往往表现为一棵分类树，根据数据的 值从树根开始搜索，沿着数据满足的分支往上走，走到树叶就能确定类别。

2、回归模式

回归模式的函数定义与分类模式相似，它们的差别在于分类模式的预测值是离散的，回归模式的预测值是连续的。如给出某种动物的特征，可以用分类模式判定这种动物是哺乳动物还是鸟类；给出某个人的教育情况、工作经验，可以用回归模式判定这个人的年工资在哪个范围内，是在6000元以下，还是在6000元到1万元之间，还是在1万元以上。

3、时间序列模式

时间序列模式根据数据随时间变化的趋势预测将来的值。这里要考虑到时间的特殊性质，像一些周期性的时间定义如星期、月、季节、年 等，不同的日子如节假日可能造成的影响，日期本身的计算方法，还有一些需要特殊考虑的地方如时间前后的相关性（过去的事情对将来有 多大的影响力）等。只有充分考虑时间因素，利用现有数据随时间变化的一系列的值，才能更好地预测将来的值。

4、聚类模式

聚类模式把数据划分到不同的组中，组之间的差别尽可能大，组内的差别尽可能小。与分类模式不同，进行聚类前并不知道将要划分成几 个组和什么样的组，也不知道根据哪一（几）个数据项来定义组。一般来说，业务知识丰富的人应该可以理解这些组的含义，如果产生的模式无法理解或不可用，则该模式可能是无意义的，需要回到上阶段重新组织数据。

5、关联模式

关联模式是数据项之间的关联规则。关联规则是如下形式的一种规则：“在无力偿还贷款的人当中，60％的人的月收入在3000元以下。”

6、序列模式

序列模式与关联模式相仿，而把数据之间的关联性与时间联系起来。为了发现序列模式，不仅需要知道事件是否发生，而且需要确定事件 发生的时间。例如，在购买彩电的人们当中，60％的人会在3个月内购买影碟机

五、数据挖掘的发现任务

数据挖掘涉及的学科领域和方法很多，有多种分类法。根据挖掘任务分，可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘对象分，有关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web;根据挖掘方法分，可粗分为：机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例学习、遗传算法等。统计方法中，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）等。神经网络方法中，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是多维数据分析或OLAP 方法，另外还有面向属性的归纳方法。

从挖掘任务和挖掘方法的角度而言有数据总结、分类发现、聚类和关联规则发现四种非常重要的发现任务。

5.1、数据总结

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、饼状图等图形方式表示。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。由于数据库上的数据或对象所包含的信息总是最原始、基本的信息（这是为了不遗漏任何可能有用的数据信息）。人们有时希望能从较高层次的视图上处理或浏览数据，因此需要对数据进行不同层次上的泛化以适应各种查询要求。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。

1、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）。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，如着名的SAS数据分析软件包、Business Object公司的决策支持系统Business Object,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。

2、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。

5.2、分类发现

分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多。分类的目的是学会一个分类函数或分类模型（也常常称作分类器），该模型能把数据库中的数据项映射到给定类别中的某一个。分类和回归都可用于预测。预测的目的是从利用历史数据纪录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。和回归方法不同的是，分类的输出是离散的类别值，而回归的输出则是连续数值。

要构造分类器，需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成，每个元组是一个由有关字段（又称属性或特征）值组成的特征向量，此外，训练样本还有一个类别标记。一个具体样本的形式可为：（ v1, v2, …， vn; c ）；其中vi表示字段值，c表示类别。

分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。统计方法包括贝叶斯法和非参数法（近邻学习或基于事例的学习），对应的知识表示则为判别函数和原型事例。机器学习方法包括决策树法和规则归纳法，前者对应的表示为决策树或判别树，后者则一般为产生式规则。神经网络方法主要是BP算法，它的模型表示是前向反馈神经网络模型（由代表神经元的节点和代表联接权值的边组成的一种体系结构），BP算法本质上是一种非线性判别函数。另外，最近又兴起了一种新的方法：粗糙集（rough set），其知识表示是产生式规则。

不同的分类器有不同的特点。有三种分类器评价或比较尺度：1 预测准确度；2 计算复杂度；3 模型描述的简洁度。预测准确度是用得最多的一种比较尺度，特别是对于预测型分类任务，目前公认的方法是10番分层交叉验证法。计算复杂度依赖于具体的实现细节和硬件环境，在数据挖掘中，由于操作对象是巨量的数据库，因此空间和时间的复杂度问题将是非常重要的一个环节。对于描述型的分类任务，模型描述越简洁越受欢迎；例如，采用规则表示的分类器构造法就更有用，而神经网络方法产生的结果就难以理解。

另外要注意的是，分类的效果一般和数据的特点有关，有的数据噪声大，有的有缺值， 有的分布稀疏，有的字段或属性间相关性强，有的属性是离散的而有的是连续值或混合式的。目前普遍认为不存在某种方法能适合于各种特点的数据。

5.3、聚类

聚类是把一组个体按照相似性归成若干类别，即”物以类聚”。它的目的是使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。

在统计方法中，聚类称聚类分析，它是多元数据分析的三大方法之一（其它两种是回归分析和判别分析）。它主要研究基于几何距离的聚类，如欧式距离、明考斯基距离等。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。这种聚类方法是一种基于全局比较的聚类，它需要考察所有的个体才能决定类的划分；因此它要求所有的数据必须预先给定，而不能动态增加新的数据对象。聚类分析方法不具有线性的计算复杂度，难以适用于数据库非常大的情况。

在机器学习中聚类称作无监督或无教师归纳；因为和分类学习相比，分类学习的例子或数据对象有类别标记，而要聚类的例子则没有标记，需要由聚类学习算法来自动确定。很多人工智能文献中，聚类也称概念聚类；因为这里的距离不再是统计方法中的几何距离 ,而是根据概念的描述来确定的。当聚类对象可以动态增加时，概念聚类则称是概念形成。

在神经网络中，有一类无监督学习方法：自组织神经网络方法；如Kohonen自组织特征映射网络、竞争学习网络等等。在数据挖掘领域里，见报道的神经网络聚类方法主要是自组织特征映射方法，IBM在其发布的数据挖掘白皮书中就特别提到了使用此方法进行数据库聚类分割。

5.4、关联规则发现

关联规则是形式如下的一种规则，”在购买面包和黄油的顾客中，有90%的人同时也买了牛奶”（面包+黄油 （ 牛奶 ）。用于关联规则发现的主要对象是事务型数据库，其中针对的应用则是售货数据，也称货篮数据。一个事务一般由如下几个部分组成：事务处理时间 ,一组顾客购买的物品，有时也有顾客标识号（如信用卡号）。

由于条形码技术的发展，零售部门可以利用前端收款机收集存储大量的售货数据。因此，如果对这些历史事务数据进行分析，则可对顾客的购买行为提供极有价值的信息。例如，可以帮助如何摆放货架上的商品（如把顾客经常同时买的商品放在一起），帮助如何规划市场（怎样相互搭配进货）。由此可见，从事务数据中发现关联规则，对于改进零售业等商业活动的决策非常重要。

如果不考虑关联规则的支持度和可信度，那么在事务数据库中存在无穷多的关联规则。事实上，人们一般只对满足一定的支持度和可信度的关联规则感兴趣。在文献中，一般称满足一定要求的（如较大的支持度和可信度）的规则为强规则。因此，为了发现出有意义的关联规则，需要给定两个阈值：最小支持度和最小可信度。前者即用户规定的关联规则必须满足的最小支持度，它表示了一组物品集在统计意义上的需满足的最低程度；后者即用户规定的关联规则必须满足的最小可信度，它反应了关联规则的最低可靠度。

在实际情况下，一种更有用的关联规则是泛化关联规则。因为物品概念间存在一种层次关系，如夹克衫、滑雪衫属于外套类，外套、衬衣又属于衣服类。有了层次关系后，可以帮助发现一些更多的有意义的规则。例如，”买外套，买鞋子”（此处，外套和鞋子是较高层次上的物品或概念，因而该规则是一种泛化的关联规则）。由于商店或超市中有成千上万种物品，平均来讲，每种物品（如滑雪衫）的支持度很低，因此有时难以发现有用规则；但如果考虑到较高层次的物品（如外套），则其支持度就较高，从而可能发现有用的规则。另外，关联规则发现的思路还可以用于序列模式发现。用户在购买物品时，除了具有上述关联规律，还有时间上或序列上的规律，因为，很多时候顾客会这次买这些东西，下次买同上次有关的一些东西，接着又买有关的某些东西。

三、为什么北大法宝没有了

因法律综合信息资源系统（北大法宝）数据库所在服务器系统故障导致该数据库本地镜像无法正常使用。目前已重新部署法律综合信息资源系统（北大法宝）数据库的服务器。

1985年诞生于北京大学法律系，经过20多年不断的改进与完善，是目前最成熟、专业、先进的法律信息全方位检索系统。“北大法宝”在全国率先进行法律信息的数据挖掘和知识发现，独创了法规条文和相关案例等信息之间的“法宝联想”功能。

北大法宝是由北京大学法律人工智能实验室与北京北大英华科技有限公司联合推出的一款智能型法律信息检索系统，数据内容涵盖法律信息的方方面面，目前包含法律法规库、司法案例库、法学期刊库、律所实务库、专题参考库、English库、法宝视频库、法考系统库、检察文书库、行政处罚库等十大数据库，特色功能有效提升检索效率和法律信息价值，得到国内外用户的一致好评。

四、安徽大学计算机科学与技术学院的研究生专业

一．概况

计算机应用技术专业现设有计算机应用技术的二级学科博士点和硕士点，其培养方式为硕士、博士、提前攻博等等。2002年获准国家立项的计算机应用技术重点学科，2003年获准建立计算机应用技术博士后流动站。硕士研究生学制3年，实行学分制，2005年招生规模为30人。博士研究生学制2年，实行学分制，2005年招生规模为12人。

近年来，本学科先后获得211工程和国家重点学科经费资助，软硬件设施得到了根本改善，在主要研究方向已形成人才高地。

二．学科研究方向介绍

主要研究方向是计算智能与知识工程，包括问题求解商空间理论及其应用、基于商空间理论的粒度计算理论及其应用、构造性机器学习理论及其应用、优化理论与方法的研究、新的层次机器学习理论和方法的研究以及复杂系统的优化技术和方法等等，获得了一批原创性在国内外有重要影响的科研成果。

三．专业课程设置

1．学位课

英语、科学社会主义理论与实践、自然辩证法概论、组合数学、算法设计分析、高级数据库系统、计算机科学数学理论、人工神经网络的理论及应用、人工智能高级教程、高级数据库技术等等

2．非学位课

并行计算、智能计算、计算机视觉、知识发现、专家系统及其开发环境、优化理论及方法、构造性学习理论与方法和数据仓库及数据采集等等

四、学科导师队伍

张铃：男，1937年5月生，福建福清人，1961年毕业于南京大学数学天文系.同年分配至安徽工作，先后在安徽四所大学任教。1993年调至安徽大学人工智能研究所，任所长、教授、博士生导师至今。1986年4月由讲师破格晋升为正教授，1988年被授予国家有突出贡献的中青年专家称号，1991年获享受国家特殊津贴待遇，先后被清华大学、浙江大学、同济大学和中科院智能所等单位聘为客座教授。获得荣誉称号：改革开放以来，获全国教育系统劳动模范等省级以上荣誉称号八次；先后获国家自然科学奖等省级以上学术奖励十次；1978年获安徽省首届科技大会成果奖；1984年获第六届ICL欧洲人工智能奖；1987年获国家教委科学技术进步一等奖；1991年获国家教委科学技术进步二等奖；1992年专著《问题求解理论及应用》获全国高等学校出版社优秀学术专著特等奖；1992年专著《新一代计算技术前沿的研究》获全国优秀科技图书一等奖；1993年获电子工业部科技进步一等奖；1995年获国家自然科学三等奖；1999年获“全国优秀科技图书奖”暨“科技进步奖（科技著作）”一等奖；1999年获安徽省自然科学二等奖。目前主要研究方向有：商空间粒度计算理论（这是目前国际上三大粒度计算理论之一）、智能计算、机器学习理论和方法等。

程家兴：男，澳大利亚南澳大学博士，教授，现任安徽大学计算智能与信号处理教育部重点实验室主任，博士生导师，安徽省计算机学会常务理事，澳大利亚南澳大学SCG研究所研究员。主持和参加国家自然科学基金项目，国家自然科学基金中澳特别基金项目、教育部“优秀青年教师资助计划”项目、教育部博士点基金项目等。与澳大利亚南澳大学建立国际合作关系。研究方向：智能计算，算法分析与设计，最优化方法。获安徽省高校科技进步3等奖，安徽省第三届自然科学优秀学术论文2等奖.。目前，指导博士生5名，硕士生9名。主讲课程有具体数学，智能计算，优化理论与方法，组合数学以及本科生离散数学教学课程等。

张燕平：女，1962.2出生，安徽巢湖人；1981年毕业于上海电力学院热工自动化专业； 1989年作为合肥工业大学微机应用研究所研究生获工学硕士；2000年9月至2003年7月在职读博士研究生，并获得安徽大学计算机应用专业工学博士学位。2000年6月任安徽大学计算机系副教授；2003年担任计算机应用专业硕士研究生导师； 2004年11月任教授。主持完成安徽省教育厅自然科学研究项目1项，参加国家自然科学基金项目多项。2004年获安徽省科技进步二等奖。已在《计算机学报》、《计算机研究与发展》等国家重点期刊和国家级期刊发表学术论文18篇。

汪继文：男，1958年9月生，安徽宿松人。1982年1月本科毕业于安庆师范学院数学系，获理学学士学位。1989年7月硕士毕业于安徽大学数学系，获理学硕士学位。2001年7月博士毕业于中国科学技术大学数学系，获理学博士学位。2001.12 进入中国科技大学动力工程及工程热物理博士后流动站火灾科学国家重点实验室做博士后。2004.8出站，获博士后证书。1982.1-1986.9在安庆师范学院数学系任教。1989年7月硕士毕业后留校到安徽大学计算机学院（原为计算机系）任教到至今。2001年6月担任硕士生导师，2002年9月受聘为教授。2002.12入选为安徽省高校中青年学科带头人培养对象。三次获教学优秀奖，一次获安徽省高校科技进步三等奖。目前主要研究方向是计算机数值模拟技术，先后参加了5项国家自然科学基金项目的研究工作，主持完成两项省教委项目。目前参加一项国家自然科学基金项目，主持一项省自然科学基金项目。已发表学术论文28篇，SCI收录论文4篇。 1. 智能软件

学科带头人李龙澍教授，博士生导师，主要研究兴趣为软件体系结构、不精确知识表示和智能Agent技术，发表研究论文50多篇，主持开发的主要系统有：农业气象决策支持系统、大型数据库管理系统、电子政务系统、网络信息管理系统。

软件体系结构的研究：探讨知识的继承机制和抽象原理，使智能软件系统的数据库、模型库和方法库融为一体，引进了知识的层次结构，增强系统的可用性和维护效率。完成国家“863”项目“基于气象分析的指导农作物种植管理软构件”，主持研究国家自然科学基金项目“智能软件体系结构和组件技术的研究”，深入研究模糊商结构理论，将粒度计算理论用于建造软件体系结构模型，提出了一种基于商空间的智能软件体系结构构造模型，研究成果在农业气象、河流污染、公路管理、煤矿救护等GIS系统中有广泛应用。

不精确知识表示的研究：深入研究不精确知识表示的特点，提出一种适合领域特征的信息处理系统的框架和数据约简、知识发现方案，促进知识库系统开发技术水平的发展。研制适合模糊粗糙集信息处理的新的智能软件体系结构，不仅具有重大学术价值，而且在农业气象分析应用中取得其它方法和系统无法替代的明显效果，结合农业气象信息，分析模糊粗糙集的特性和优点，研制适合知识处理的构件模型，用于建造减灾防灾、农作物管理等实际决策支持系统，产生巨大的社会经济效益。

智能Agent技术的研究：Agent体系结构是智能Agent研究中一个重要的研究方向，它所要解决的问题是智能Agent是由哪些模块组成，这些模块之间如何交换信息，以及如何将这些模块用软件或硬件的方式组合起来形成一个有机的整体。结合完成国家“863”项目、国家自然科学基金项目等重大科研项目和机器人世界杯足球锦标赛RoboCup(Robot World Cup），面向大中型企业的数据仓库进行数据挖掘和建造基于Agent技术的智能决策支持系统，为安徽现代化建设产生重大社会经济效益。

2. 数据库与Web技术

学科带头人郑诚博士、副教授。2002年12月毕业于中国科学技术大学计算机系，并获博士学位，研究方向：数据库与数据仓库技术、知识发现与数据挖掘技术、人工智能与机器学习、新一代Web技术等。2005年9月起在安徽大学计算机科学与技术博士后流动站进行博士后研究（在职）。安徽大学中青年骨干教师，安徽省高校骨干教师培养对象。近几年内作为主要骨干参加国家自然科学基金、863计划、安徽省自然科学基金项目等项目4项。主持省教育厅自然科学研究项目二项，发表学术论文20余篇。

数据库与Web技术方向：研究数据库与数据仓库及其应用技术、基于数据库和数据仓库的数据挖掘技术，研究多粒度数据挖掘技术，将它们应用于税务、网络安全等领域；研究语义Web技术，在Web中引入有关智能技术，让计算机能理解Web上的信息。

3. 并行计算

学科带头人刘锋，博士，教授。主要研究方向：软件工程、并行计算、网格计算，承担国家自然基金项目、教育部科研项目、安徽省自然基金项目和安徽省教育厅自然基金项目多项。

近期发表的主要论著：

1. 基于改进型遗传算法的门阵列模式布局 (EI）小型微型计算机系统 2002,no.3

2. 求复函数方程根的遗传算法 计算机工程与应用2001年，37卷，第24期

3. PVM环境下求复函数方程根的并行遗传算法 小型微型计算机系统 2003,no.7

4. ORACLE数据库的MIT在营业帐务系统中的应用 电信技术 2001.9

5. 电子出版物与纸质出版物异同论 情报科学 2001.7

6. 基于遗传算法的方程求根算法的设计和实现 (EI）控制理论与应用 2004年第3期

7. Internet QoS控制机制综述 计算机科学 2002.3.

8. 基于分布理论和遗传算法的多项式求根算法 微机发展 2001年第6期

9. 基于Agent网格计算性能的实时调节 计算机工程与应用 2003年第39期

10. 并行遗传算法求复函数方程根的设计和实现 (EI）系统工程理论与实践 2004年第6期

4. 中间件技术

学科带头人邹海，博士，高工。2001年3月至2003年7月在中国矿业大学电气工程（信息与电子技术）博士后科研流动站从事博士后研究。近年来主要专注于模糊与随机环境下的粗糙集理论与知识获取、中间件技术等方面的研究。主持或参与完成了国家自然科学基金项目1项、948项目1项、省部级自然科学基金2项和10多项横向合作项目，目前在研省青年教师基金项目1项、省教育厅自然科学基金1项，获省、部级科学技术进步奖3项，发表论文10余篇。近年来承担了包括东北晚中生代资源预测专家系统、坝工建筑物实时监测数据采集系统、基于网络通讯的远程分布式遥测系统、基于数据挖掘的防汛抗旱调度指挥系统、B/S/S架构的客户关系管理系统在内的多个应用系统的设计和研发工作，并得以成功应用。

模糊与随机环境下的粗糙集理论与知识获取研究：针对信息识别中大量存在的不完备信息和随机环境这一的特点，结合智能信息处理领域近年来迅速发展起来的粗糙集（Rough Set）理论，深入研究在复杂系统中不完备信息及其随机环境下知识的表示、知识的约简、知识的学习、归纳和推理等。

中间件技术的研究：中间件技术作为90年代初发展起来的基础软件，近几年来逐渐成为构建网络分布式应用系统的重要支撑工具。它能够解决网络分布计算环境中多种异构数据资源互联共享问题，实现多种应用软件的协同工作。研究方向涉及分布式高性能高可靠企业级基础软件平台架构与机制、应用集成架构与技术、J2EE应用服务器、、工作流技术、移动中间件技术、反射中间件技术、嵌入式中间件技术、网络即插即用中间技术件、普适计算中间件技术、网格计算中间件技术、CORBA高级技术等。目前，中间件已与操作系统、数据库、前端应用软件一起，跻身于软件业发展的重点之列，并成为分布式应用的关键性软件。它可广泛适用于政府部门、银行、证券、电力、电信、交通与军事等关键性的网络分布应用。 一、研究生始招时间及在校研究生规模

始招时间：2002年

在校研究生规模：约60人

二、导师梯队介绍

1．计算机视觉及应用方向

韦穗：安徽大学副校长、教授、中国图像图形学会副理事长、教育部科学委员会信息学部委员，1983年4月至1985年9月在美国密执安大学及弗吉尼亚多理学院作访问学者。长期从事计算机视觉、图像图形学、模式识别、数学形态学和全息成像等领域的研究。近年来承担了多项国家自然科学基金项目和863项目。其中大容量快速图像分析系统（负责人）获中科院科技进步二等奖；并荣获国家863计划智能机器人主题先进工作者称号及国家科技部授予的国家863计划先进工作者称号。863项目“基于VR技术的装配帮助系统”（负责人）的研究， 2000年经863专家组组织验收，认为该项目的成果对于本领域的研究起到了开拓性的作用。国家自然基金项目“基于SVD分解的射影重构算法研究”在图形学中的多视图几何、3D重构和基于图像的绘制、图像获取几何和降低计算复杂性，实现复杂景物的3D描述与显示方面取得了一定的研究成果。主持了2002年第二届国际图像图形学会年会，编辑了两本会议论文集，其中大部分论文都被EI收录，翻译出版《计算机视觉中的多视图几何》（由英国剑桥大学出版社和原著作者Richard Hartley和Sman的授权）。

梁栋：博士、教授（博导），安徽大学电子科学与技术学院副院长。1985年和1990年在安徽大学获学士和硕士学位，2002年获安徽大学计算机应用技术专业工学博士学位。1991年晋升为安徽大学讲师，1996年晋升为安徽大学副教授，2002年晋升为安徽大学教授。1995年被评为安徽大学中青年骨干教师和安徽省中青年骨干教师培养对象，2002年被评为安徽省高等学校中青年学科带头人培养对象。近年来，在国内外学术期刊和学术会议上发表专题学术论文30多篇，主持和参加安徽省自然科学基金、国家自然科学基金、国家863计划、国家科技部科技型中小企业技术创新基金等科研项目20多项，先后获安徽省科技进步四等奖1项、安徽省高等学校科技进步三等奖2项、新型实用专利1项、安徽大学教学成果二等奖1项。主要研究领域：计算机视觉、图象信息处理。

2．图像处理与识别方向

罗斌：博士、教授（博导），英国约克大学计算机科学博士，安徽大学计算机科学与技术学院教授，博士生导师，安徽省首批“皖江学者”特聘教授，安徽省跨世纪学术技术带头人后备人选，安徽大学计算机科学与技术学院院长。中国图象图形学会理事、学术委员会、青年工作委员会委员，IEEE学会会员，IEEE计算机学会会员，英国BMVA会员。研究领域为数字图像处理与模式识别。目前主持国家自然科学基金项目《基于邻接图谱理论的图像聚类方法研究》，以及教育部“优秀青年教师资助计划”项目、安徽省人才开发基金和安徽省教育厅自然科学研究项目等。与国外同行专家保持有良好的合作关系，参加英国EPSRC项目的研究。主要研究成果有：应用现代图的分解理论对图像的结构化描述、图匹配理论和图的聚类方法进行了研究；利用EM算法和矩阵的SVD分解理论得到不同大小及包含结构噪声图的匹配方法，提出一种基于图匹配的图像配准算法；将图的谱分解理论应用于图像的识别和聚类，提出图谱结构特征提取方法，以及利用谱特征进行图的识别与聚类，并应用于图像库的检索。研究成果曾获亚洲计算机视觉学术会议最佳论文奖和安徽省科技进步三等奖。在国内外学术刊物和国际会议上发表论文70余篇，论文被SCI、EI、ISTP等索引40多次，论文代表作曾发表于《IEEE Transactions on Pattern Analysis and Machine Intelligence》、《Computer Vision and Image Understanding》、《Pattern Recognition》、《Pattern Recognition Letters》、《Image Vision Computing》等学术期刊。

3．智能信息处理方向

吴小培：博士、教授（博导）。2002年12月于中国科学技术大学获博士学位，研究方向为生物医学信号处理。2003年10月起在中国科学技术大学信号与信息处理博士后流动站进行博士后研究（在职）， 2004年4月－9月美国加州大学圣地亚哥分校访问学者。安徽大学中青年骨干教师，安徽省高校学科带头人培养对象。研究领域：盲信号处理，生物医学信号处理和语音、图像处理和识别。近年内主持和参加国家自然科学基金、安徽省自然科学基金项目等项目5项。发表学术论文40余篇。在盲源分离、独立分量分析和脑电信号处理等方面的研究成果在国内有一定的影响，相关论文多次被同行引用。

柴晓冬：教授，博士。安徽省高校中青年骨干教师。目前在中国科技大学电子技术与科学系做博士后研究（在职），研究内容为基于生物特征识别的信息安全。参与研究国家自然科学基金项目两项，主持省教委自然科学基金项目二项，在国内外重要学术刊物及学术会议上发表论文三十余篇。

4．多维信号处理方向

陶亮：博士、教授（博导），安徽省高校学科拔尖人才，计算机科学与技术学院院长助理。2003年于中国科技大学获得信息与通信工程专业博士学位。1997年考取国家留学基金委公派访问学者资格，次年被派往加拿大温莎大学访问研修一年。1999年被选为安徽大学中青年骨干教师，2001年入选教育部优秀青年教师资助计划并获项目资助，2002年入选安徽省高校首批学科拔尖人才。自1988年研究生毕业留校以来，一直从事教学与科研工作，曾给本科生、研究生开设或主讲过多门专业课程，获得过校教学成果奖和校教书育人先进个人称号；是本校信号与信息处理专业硕士生导师（该学位授予点开点导师之一），同时也是本校计算机应用技术专业博士生导师。参加或主持过多项科学研究，近期主持了安徽省教育厅自然科学重点研究项目、安徽省自然科学基金项目及教育部优秀青年教师资助计划项目的研究各一项。主要研究方向为多维信号处理、生物特征识别技术。在《Journal of Computer Science and Technology》、《Chinese Journal of Electronics》、《电子学报》、《Chinese Optics Letters》等核心学术期刊以及国际学术会议上发表论文50多篇，获得过安徽省第四届自然科学优秀学术论文奖，目前（2005年4月）已有2篇论文被SCI收录，22篇论文被EI收录，10篇论文被ISTP收录，多篇论文被他人引用；有专著1部（《实值Gabor变换理论及应用》）；是《电路与系统学报》和《计算机辅助设计和图形学学报》审稿人以及IEEE国际电路与系统专业学术年会审稿人（被邀请担任过审稿委员会委员、专题分会主持）。

三、主要学术成果

1．在国家自然科学基金项目“基本矩阵的鲁棒性计算及应用”支持下，应用视觉理论、投影几何、代数几何、矩阵分析和现代数学最优化理论，完成了基本矩阵的鲁棒性算法研究，并给出了在3维计算机视觉中相关问题的鲁棒性算法。

2．在国家自然科学基金项目“基于SVD分解的射影重构算法研究”支持下，对基于SVD分解的射影重构算法作深入系统的研究，并通过模拟数据和真实图像两方面的实验，获得图像中匹配点噪声效应的定量理解和算法性能的定性理解。

3．在国家自然科学基金项目“基于照片的场景重现”支持下，对基于序列图像的全景漫游技术进行了研究，主要包括：图像插补问题、图像整合问题及全景图生成问题。

4．在国家“863”计划项目“基于虚拟现实技术的装配帮助系统”支持下，完成了以下研究工作：1）建立一个Windows环境下的多模综合实验平台；2）实现一个基于视点的物体识别、定位的帮助装配系统的虚拟现实系统；3）对摄像机自标定、基于视点的插补、3D重构等问题进行了深入地研究。经国家“863”专家组鉴定：对本领域的研究起到了开拓性的作用。

5．在国家自然科学基金项目支持下对计算机产生体视全息图进行了研究。全息技术能提供所有视点、距离上的3D（深度）感知，它是目前最理想的3D显示。当今来自计算机、卫星、先进医学成像设备、战场环境的精确模拟以及地质勘探等各个领域的数据与日俱增，人们越来越希望能将这些数据变换成人们更易理解的形式，即真3D显示的形式。它无须借助眼镜、头盔等辅助设备，并用计算机生成3D显示的编码，由光电器件生成空间显示。

6．先后完成“基于图像的交通肇事现场测距系统”、“基于图像序列的交互式全景漫游生成系统”、“合肥风光交互式全景漫游系统”、“基于图像的犯罪现场重现系统”、“芜湖长江大桥和合肥中心油库交互演示系统”、“宜昌交互式招商引资展示系统”等开发和研制，并应用于交通事故处理、公安刑侦、城市规划、旅游宣传等多个方面，取得了较好的社会效益和经济效益。对计算机视觉、图像处理以及虚拟现实技术的推广应用起到了积极的促进作用。其中“基于图像的交通肇事现场测距系统”和“合肥风光交互式全景漫游系统”经合肥市科技局组织专家鉴定：核心技术水平达到国际先进水平，系统达到国内领先水平，并填补国内空白。

7. 在国家自然科学基金、安徽省自然科学基金项目等项目的支持下，初步验证了用独立分量描述思维脑电特征的可行性，并提出了基于思维脑电独立分量特征的脑机接口技术研究新设想。该研究思路和阶段性成果获得了国内外专家的肯定；研究了小波变换和独立分量分析进行结合的可行性，实验结果表明，基于小波变换和ICA的时频空三域分析方法能较好地解决多导脑电信号ICA分析中存在的过完备问题和非平稳问题；研究了在线ICA算法及其实现技术，提出了一种简单实用的在线Infomax算法，并用于实测脑电数据的在线消澡问题，取得了较理想的结果，该项成果是对Infomax 盲源分离算法的扩展和补充。

8．在教育部优秀青年教师资助计划项目、安徽省自然科学基金项目以及安徽省教育厅自然科学重点研究项目的支持下，研究提出了实值离散Gabor变换（RDGT）理论与快速算法，提出了基于RDGT的瞬变信号表示算法、基于过抽样RDGT的核磁共振FID信号增强算法，以及基于RDGT的线性时变系统表示与逼近方法；研究了基于人脸识别的身份认证方法与系统。研究成果以40多篇论文中英文形式发表在《Journal of Computer Science and Technology》、《Chinese Journal of Electronics》、《电子学报》等重要的核心学术期刊和若干国际学术会议上，并且已有20多篇论文被SCI、EI、ISTP收录。

四、学科研究方向介绍

1．计算机视觉及应用方向

将多视图几何与矩阵分析、谐波分析和现代数学最优化理论结合起来，研究基于图像的3D成像几何与物理中的算法和应用，包括基本矩阵的鲁棒计算及应用、基于照片的场景重现和SVD重构、基于虚拟现实技术的装配帮助系统、计算机产生体视全息图的研究及其在交通事故处理、公安刑侦、城市规划、旅游宣传、文化遗产保护等方面的应用。

2．图像处理与识别方向

将现代图的分解理论、现代统计学理论和模式识别理论应用于数字图像的分析与识别，对图像的结构化描述、图像特征的提取、图像的配准、结构模式识别中的图匹配理论和图的聚类方法进行研究，并将图匹配理论和图聚类方法应用于图像库的检索和索引。

3．智能信息处理方向

研究小波分析理论及其在脑电信号处理中的应用、基于时－频－空三域分析方法的思维脑电特征提取与识别、思维脑电的独立分量分析及其在脑机接口中的应用、在线盲源分离算法及其DSP实现。

4．多维信号处理方向

研究多维信号分析与处理技术的新理论和新方法，并应用于生物信息、语音、图像信号的处理和识别。如一维和二维实值离散Gabor变换理论、快速算法及应用的研究；复杂背景下灰度图像和彩色图像中人眼自动定位算法；基于人脸识别的身份认证方法与系统实现；支持向量机快速学习算法及应用；语音消澡和识别技术等。

以上就是关于数据挖掘与知识发现期刊相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

全国数据分析大赛（全国数据分析大赛获奖名单）

看直播数据（在看直播数据）

全国数据分析大赛官网（全国数据分析大赛官网查询）

抖音在哪开通橱窗功能（抖音在哪开通橱窗功能）

商业街区景观设计竞赛作品（商业街区景观设计竞赛作品展示）