基于概率的不確定時(shí)態(tài)數(shù)據(jù)建模與挖掘問題的研究.pdf

1、本文以時(shí)態(tài)數(shù)據(jù)庫為主要研究對象，對不確定時(shí)態(tài)數(shù)據(jù)進(jìn)行了重點(diǎn)研究。時(shí)態(tài)數(shù)據(jù)庫應(yīng)用范圍廣泛，涵蓋了包括醫(yī)療、證券、多媒體系統(tǒng)、人工智能、歷史信息管理、數(shù)據(jù)庫信息管理等不同領(lǐng)域。通過研究發(fā)現(xiàn)，雖屬于不同領(lǐng)域，但無一例外都要使用時(shí)態(tài)數(shù)據(jù)庫中的不確定時(shí)態(tài)數(shù)據(jù)，尤其是有效時(shí)間不確定的時(shí)態(tài)數(shù)據(jù)及它們之間的密切的聯(lián)系無法確定。本文以此為目的，以醫(yī)療數(shù)據(jù)為例，對不確定時(shí)態(tài)數(shù)據(jù)的建模、查詢及挖掘等問題的解決展開了研究與探討，其主要貢獻(xiàn)如下：
　?。?

2、）提出了基于概率的不確定時(shí)態(tài)數(shù)據(jù)模型，BPTM(Temporal model based on probability)。本文通過分析現(xiàn)有的不確定時(shí)態(tài)信息模型并借鑒Snodgrass提出的概率方法，設(shè)計(jì)了基于概率的不確定時(shí)態(tài)數(shù)據(jù)模型BPTM。該模型將原有的一些謂詞功能進(jìn)行擴(kuò)展并重新定義，不僅支持不確定時(shí)態(tài)信息的表示，而且通過概率表達(dá)了不確定時(shí)態(tài)信息之間的關(guān)系。
　?。?）對BPTM模型中的模糊度參數(shù)進(jìn)行修正。模糊度的取值是由用戶根

3、據(jù)所在領(lǐng)域的經(jīng)驗(yàn)賦予的一個(gè)0～1之間的實(shí)數(shù)。實(shí)際上，每個(gè)用戶的經(jīng)驗(yàn)都是有差異的，因此查詢出來的結(jié)果也會(huì)具有差異性。為了讓用戶最終獲取的信息更具有普遍性和實(shí)用性，首先由用戶輸入模糊度初值，然后使用貝葉斯分類器對模糊度進(jìn)行修正，使得用戶最終得到的查詢信息更具有現(xiàn)實(shí)性和實(shí)用性。
　　（3）提出了一種基于離散粒子群優(yōu)化的醫(yī)療數(shù)據(jù)挖掘算法（PSO-BNB）。通過對已有算法的屬性選擇過程的對比總結(jié)，并針對醫(yī)療數(shù)據(jù)的數(shù)據(jù)量龐大且表征不明顯等特點(diǎn)

4、，提出了使用離散粒子群優(yōu)化解決屬性選擇過程的方法來提高醫(yī)療數(shù)據(jù)的分類精確度。首先，將醫(yī)療數(shù)據(jù)離散化；然后，使用基于PSO的wrapper方法對離散后的數(shù)據(jù)集進(jìn)行屬性選擇，并對選擇后的屬性子集應(yīng)用貝葉斯分類器進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該算法具有較高的分類精確度。
　?。?）在BPTM模型的基礎(chǔ)上，解決了如何在關(guān)系數(shù)據(jù)庫系統(tǒng)中表示不確定時(shí)態(tài)信息及如何查詢并挖掘出這些不確定時(shí)態(tài)信息之間的關(guān)系。根據(jù)目前醫(yī)療領(lǐng)域?qū)χС执鎯?chǔ)和處理不確定時(shí)態(tài)信息