基于數(shù)據(jù)挖掘技術的決策支持系統(tǒng)及其關鍵技術研究.pdf

1、隨著中國加入世界貿易組織的成功，世界經濟全球化使我國電信企業(yè)面臨著前所未有的挑戰(zhàn)。能否對問題做出快速科學的決策，對電信企業(yè)的成敗有著重大的影響。目前各電信運營商普遍采用依靠手工報表分析數(shù)據(jù)的決策方式，這存在著工作量大，速度慢，容易遺失數(shù)據(jù)等諸多問題，因此研究與開發(fā)適應中國特點的電信企業(yè)的決策支持系統(tǒng)已成為國內眾多電信運營商的共識。本文所進行的“基于數(shù)據(jù)挖掘技術的決策支持系統(tǒng)及其關鍵技術”的研究，作為“電信IP決策支持系統(tǒng)（IPDSS）”

2、項目的核心部分，提出基于數(shù)據(jù)倉庫和數(shù)據(jù)挖掘相結合的電信決策支持系統(tǒng)的解決方案，并對IPDSS中使用的聚類、預測和建模等關鍵技術進行研究。 針對電信IP業(yè)務的特點和需要，本文設計了一個基于.NET框架的決策支持系統(tǒng)。系統(tǒng)以ASP.NET作為Web應用程序模型，以ADO.NET作為數(shù)據(jù)存取技術基礎，采用SQL（structured query language）server2000作為數(shù)據(jù)庫和數(shù)據(jù)倉庫解決方案，并有效地嵌入了數(shù)據(jù)挖掘

3、和人工智能技術。該系統(tǒng)可以為電信IP業(yè)務的決策提供快速、科學的參考和依據(jù)。 K-Means算法是一種常用的聚類算法，但是聚類中心的初始化是其中的一個難點。本文提出了一個基于層次思想的初始化方法。一般聚類問題均可看作加權聚類，通過層層抽樣減少數(shù)據(jù)量，然后采用自頂向下的方式，從抽樣結束層到原始數(shù)據(jù)層，每層都進行聚類，其中每層初始聚類中心均通過對上層聚類中心進行換算得到，重復該過程直到原始數(shù)據(jù)層，可得原始數(shù)據(jù)層的初始聚類中心。模擬數(shù)

4、據(jù)和真實數(shù)據(jù)的實驗結果均顯示基于層次抽樣初始化的K-Means算法不僅收斂速度快、聚類質量高，而且對噪聲不敏感，其性能明顯優(yōu)于現(xiàn)有相關算法。 EPNET是一種進化人工神經網絡模型，它能夠同時優(yōu)化網絡權值和網絡結構。該模型沒有采用遺傳算法中的交叉算子，而是采用了五個變異算子來獲得比較理想的進化效果。本文主要研究基于EPNET（Evolutionary Programming Net）的時間序列預測問題，提出了一個基于該模型的時間

5、序列預測算法，并介紹了該算法實現(xiàn)時的有關問題。同時提出基于規(guī)劃規(guī)則的激勵學習偏差分析算法用于快速校準模型參數(shù)。 層次分析法是一種實用的決策方法，這一方法的核心是將決策者定性的經驗判斷給予量化，從而為決策者提供定量形式的決策依據(jù)。本文采用層次分析法作為投資預測模型的基本構建理論與技術，建立投資預測決策模型。此外，針對層次模型為圖形模型的特點，本文提出用數(shù)據(jù)庫表文件表示與存儲IPDSS模型庫中的層次模型，而IPDSS模型庫中的其他模