挖掘技術論文大全11篇

緒論：寫作既是個人情感的抒發，也是對學術真理的探索，歡迎閱讀由發表云整理的11篇挖掘技術論文范文，希望它們能為您的寫作提供參考和啟發。

篇（1）

隨著信息技術迅速發展，數據庫的規模不斷擴大，產生了大量的數據。但大量的數據往往無法辨別隱藏在其中的能對決策提供支持的信息，而傳統的查詢、報表工具無法滿足挖掘這些信息的需求。因此，需要一種新的數據分析技術處理大量數據，并從中抽取有價值的潛在知識，數據挖掘（DataMining）技術由此應運而生。

一、數據挖掘的定義

數據挖掘是指從數據集合中自動抽取隱藏在數據中的那些有用信息的非平凡過程，這些信息的表現形式為：規則、概念、規律及模式等。它可幫助決策者分析歷史數據及當前數據，并從中發現隱藏的關系和模式，進而預測未來可能發生的行為。數據挖掘的過程也叫知識發現的過程。

二、數據挖掘的方法

1.統計方法。傳統的統計學為數據挖掘提供了許多判別和回歸分析方法，常用的有貝葉斯推理、回歸分析、方差分析等技術。貝葉斯推理是在知道新的信息后修正數據集概率分布的基本工具，處理數據挖掘中的分類問題，回歸分析用來找到一個輸入變量和輸出變量關系的最佳模型，在回歸分析中有用來描述一個變量的變化趨勢和別的變量值的關系的線性回歸，還有用來為某些事件發生的概率建模為預測變量集的對數回歸、統計方法中的方差分析一般用于分析估計回歸直線的性能和自變量對最終回歸的影響，是許多挖掘應用中有力的工具之一。

2.關聯規則。關聯規則是一種簡單，實用的分析規則，它描述了一個事物中某些屬性同時出現的規律和模式，是數據挖掘中最成熟的主要技術之一。關聯規則在數據挖掘領域應用很廣泛適合于在大型數據集中發現數據之間的有意義關系，原因之一是它不受只選擇一個因變量的限制。大多數關聯規則挖掘算法能夠無遺漏發現隱藏在所挖掘數據中的所有關聯關系，但是，并不是所有通過關聯得到的屬性之間的關系都有實際應用價值，要對這些規則要進行有效的評價，篩選有意義的關聯規則。

3.聚類分析。聚類分析是根據所選樣本間關聯的標準將其劃分成幾個組，同組內的樣本具有較高的相似度，不同組的則相異，常用的技術有分裂算法，凝聚算法，劃分聚類和增量聚類。聚類方法適合于探討樣本間的內部關系，從而對樣本結構做出合理的評價，此外，聚類分析還用于對孤立點的檢測。并非由聚類分析算法得到的類對決策都有效，在運用某一個算法之前，一般要先對數據的聚類趨勢進行檢驗。

4.決策樹方法。決策樹學習是一種通過逼近離散值目標函數的方法，通過把實例從根結點排列到某個葉子結點來分類實例，葉子結點即為實例所屬的分類。樹上的每個結點說明了對實例的某個屬性的測試，該結點的每一個后繼分支對應于該屬性的一個可能值，分類實例的方法是從這棵樹的根結點開始，測試這個結點指定的屬性，然后按照給定實例的該屬性值對應的樹枝向下移動。決策樹方法是要應用于數據挖掘的分類方面。

5.神經網絡。神經網絡建立在自學習的數學模型基礎之上，能夠對大量復雜的數據進行分析，并可以完成對人腦或其他計算機來說極為復雜的模式抽取及趨勢分析，神經網絡既可以表現為有指導的學習也可以是無指導聚類，無論哪種，輸入到神經網絡中的值都是數值型的。人工神經元網絡模擬人腦神經元結構，建立三大類多種神經元網絡，具有非線形映射特性、信息的分布存儲、并行處理和全局集體的作用、高度的自學習、自組織和自適應能力的種種優點。

6.遺傳算法。遺傳算法是一種受生物進化啟發的學習方法，通過變異和重組當前己知的最好假設來生成后續的假設。每一步，通過使用目前適應性最高的假設的后代替代群體的某個部分，來更新當前群體的一組假設，來實現各個個體的適應性的提高。遺傳算法由三個基本過程組成:繁殖(選擇)是從一個舊種群(父代)選出生命力強的個體，產生新種群(后代)的過程；交叉〔重組)選擇兩個不同個體〔染色體)的部分(基因)進行交換，形成新個體的過程；變異(突變)是對某些個體的某些基因進行變異的過程。在數據挖掘中，可以被用作評估其他算法的適合度。

7.粗糙集。粗糙集能夠在缺少關于數據先驗知識的情況下，只以考察數據的分類能力為基礎，解決模糊或不確定數據的分析和處理問題。粗糙集用于從數據庫中發現分類規則的基本思想是將數據庫中的屬性分為條件屬性和結論屬性，對數據庫中的元組根據各個屬性不同的屬性值分成相應的子集，然后對條件屬性劃分的子集與結論屬性劃分的子集之間上下近似關系生成判定規則。所有相似對象的集合稱為初等集合，形成知識的基本成分。任何初等集合的并集稱為精確集，否則，一個集合就是粗糙的(不精確的)。每個粗糙集都具有邊界元素，也就是那些既不能確定為集合元素，也不能確定為集合補集元素的元素。粗糙集理論可以應用于數據挖掘中的分類、發現不準確數據或噪聲數據內在的結構聯系。

8.支持向量機。支持向量機(SVM)是在統計學習理論的基礎上發展出來的一種新的機器學習方法。它基于結構風險最小化原則上的，盡量提高學習機的泛化能力，具有良好的推廣性能和較好的分類精確性，能有效的解決過學習問題，現已成為訓練多層感知器、RBF神經網絡和多項式神經元網絡的替代性方法。另外，支持向量機算法是一個凸優化問題，局部最優解一定是全局最優解，這些特點都是包括神經元網絡在內的其他算法所不能及的。支持向量機可以應用于數據挖掘的分類、回歸、對未知事物的探索等方面。

事實上，任何一種挖掘工具往往是根據具體問題來選擇合適挖掘方法，很難說哪種方法好，那種方法劣，而是視具體問題而定。

三、結束語

篇（2）

隨著科技的進步，現代挖掘機一般都采用了機電液一體化控制模式，我們在排除一些故障時，解決的多是發動機、液壓泵、分配閥、外部負荷的匹配問題。一般在挖掘機作業中，這幾方面不能匹配，經常會表現為：發動機轉速下降，工作速度變慢，挖掘無力以及一些常見問題。

1發動機轉速下降

首先要測試發動機本身輸出功率，如果發動機輸出功率低于額定功率，則產生故障的原因可能是燃油品質差、燃油壓力低、氣門間隙不對、發動機的某缸不工作、噴油定時有錯、燃油量的調定值不對、進氣系統漏氣、制動器及其操縱桿有毛病和渦輪增壓器積炭。如果發動機輸出動力正常，就需要查看是否因為液壓泵的流量和發動機的輸出功率不匹配。

液壓挖掘機在作業中速度與負載是成反比的，就是流量和泵的輸出壓力乘積是一個不變量，泵的輸出功率恒定或近似恒定。如果泵控制系統出現了故障，就不能實現發動機、泵及閥在不同工況區域負荷優化匹配狀態，挖掘機從而將不能正常工作。此類故障要先從電器系統入手，再檢查液壓系統，最后檢查機械傳動系統。

2工作速度變慢

挖掘機工作速度變慢主要原因是整機各部磨損造成發動機功率下降與液壓系統內泄。挖掘機的液壓泵為柱塞變量泵，工作一定時間后，泵內部液壓元件（缸體、柱塞、配流盤、九孔板、龜背等）不可避免的產生過度磨損，會造成內漏，各參數據不協調，從而導致流量不足油溫過高，工作速度緩慢。這時就需要整機大修，對磨損超限的零部件進行修復更換。

但若不是工作時間很長的挖掘機突然變慢，就需要檢查以下幾方面。先查電路保險絲是否斷路或短路，再查先導壓力是否正常，再看看伺服控制閥-伺服活塞是否卡死以及分配器合流是否故障等，最后將液壓泵拆卸進行數據測量，確認挖機問題所在。

3挖掘機無力

挖掘無力是挖掘機典型故障之一。對于挖掘無力可分為兩種情況：一種為挖掘無力，發動機不憋車，感覺負荷很輕；第二種為挖掘無力，當動臂或斗桿伸到底時，發動機嚴重憋車，甚至熄火。

①挖掘無力但發動機不憋車。挖掘力的大小由主泵輸出壓力決定，發動機是否憋車取決于油泵吸收轉矩與發動機輸出轉矩間的關系。發動機不憋車說明油泵吸收轉矩較小，發動機負荷輕。如果挖掘機的工作速度沒有明顯異常，則應重點檢查主泵的最大輸出壓力即系統溢流壓力。如果溢流壓力測量值低于規定值，表明該機構液壓回路的過載溢流閥設定值不正確，導致該機構過早溢流，工作無力。則可以通過轉動調整螺絲來調整機器。②挖掘無力，發動機憋車。發動機憋車表明油泵的吸收轉矩大于發動機輸出轉矩，致使發動機超載。這種故障應首先檢查發動機速度傳感系統是否正常，檢查方法與前文所述發動機檢查方法類似。經過以上細致的檢查與排除故障，發動機速度傳感系統恢復正常功能，發動機憋車現象消失，挖掘力就會恢復正常。

4挖掘作業過程中的常見故障

挖掘機在施工作業中經常出現的一些普遍的故障，如：挖機行走跑偏，原因可能為行走分配油封（又稱中心回轉接頭油封）損壞；兩個液壓泵流量大小不一；一邊行走馬達有問題。液壓缸快速下泄則可能為安全溢流閥封閉不嚴，或缸油封嚴重損壞等等。多智網校誠招全國各地市獨家線下商，共同開發網上教育市場。多智教育()！

5挖掘機的日常保養

篇（3）

隨著科技的進步，現代挖掘機一般都采用了機電液一體化控制模式，我們在排除一些故障時，解決的多是發動機、液壓泵、分配閥、外部負荷的匹配問題。一般在挖掘機作業中，這幾方面不能匹配，經常會表現為：發動機轉速下降，工作速度變慢，挖掘無力以及一些常見問題。

1發動機轉速下降

首先要測試發動機本身輸出功率，如果發動機輸出功率低于額定功率，則產生故障的原因可能是燃油品質差、燃油壓力低、氣門間隙不對、發動機的某缸不工作、噴油定時有錯、燃油量的調定值不對、進氣系統漏氣、制動器及其操縱桿有毛病和渦輪增壓器積炭。如果發動機輸出動力正常，就需要查看是否因為液壓泵的流量和發動機的輸出功率不匹配。

液壓挖掘機在作業中速度與負載是成反比的，就是流量和泵的輸出壓力乘積是一個不變量，泵的輸出功率恒定或近似恒定。如果泵控制系統出現了故障，就不能實現發動機、泵及閥在不同工況區域負荷優化匹配狀態，挖掘機從而將不能正常工作。此類故障要先從電器系統入手，再檢查液壓系統，最后檢查機械傳動系統。

2工作速度變慢

挖掘機工作速度變慢主要原因是整機各部磨損造成發動機功率下降與液壓系統內泄。挖掘機的液壓泵為柱塞變量泵，工作一定時間后，泵內部液壓元件（缸體、柱塞、配流盤、九孔板、龜背等）不可避免的產生過度磨損，會造成內漏，各參數據不協調，從而導致流量不足油溫過高，工作速度緩慢。這時就需要整機大修，對磨損超限的零部件進行修復更換。

但若不是工作時間很長的挖掘機突然變慢，就需要檢查以下幾方面。先查電路保險絲是否斷路或短路，再查先導壓力是否正常，再看看伺服控制閥-伺服活塞是否卡死以及分配器合流是否故障等，最后將液壓泵拆卸進行數據測量，確認挖機問題所在。

3挖掘機無力

挖掘無力是挖掘機典型故障之一。對于挖掘無力可分為兩種情況：一種為挖掘無力，發動機不憋車，感覺負荷很輕；第二種為挖掘無力，當動臂或斗桿伸到底時，發動機嚴重憋車，甚至熄火。

①挖掘無力但發動機不憋車。挖掘力的大小由主泵輸出壓力決定，發動機是否憋車取決于油泵吸收轉矩與發動機輸出轉矩間的關系。發動機不憋車說明油泵吸收轉矩較小，發動機負荷輕。如果挖掘機的工作速度沒有明顯異常，則應重點檢查主泵的最大輸出壓力即系統溢流壓力。如果溢流壓力測量值低于規定值，表明該機構液壓回路的過載溢流閥設定值不正確，導致該機構過早溢流，工作無力。則可以通過轉動調整螺絲來調整機器。②挖掘無力，發動機憋車。發動機憋車表明油泵的吸收轉矩大于發動機輸出轉矩，致使發動機超載。這種故障應首先檢查發動機速度傳感系統是否正常，檢查方法與前文所述發動機檢查方法類似。經過以上細致的檢查與排除故障，發動機速度傳感系統恢復正常功能，發動機憋車現象消失，挖掘力就會恢復正常。

4挖掘作業過程中的常見故障

挖掘機在施工作業中經常出現的一些普遍的故障，如：挖機行走跑偏，原因可能為行走分配油封（又稱中心回轉接頭油封）損壞；兩個液壓泵流量大小不一；一邊行走馬達有問題。液壓缸快速下泄則可能為安全溢流閥封閉不嚴，或缸油封嚴重損壞等等。

5挖掘機的日常保養

篇（4）

（2）數據準備：首先，對于業務目標相關的內部和外部數據信息進行查找，從中找出可以用于數據挖掘的信息；其次，要對數據信息的內容進行全面細致分析，確定需要進行挖掘操作的類型；然后，結合相應的挖掘算法，將數據轉化稱為相應的分析模型，以保證數據挖掘的順利進行。

（3）數據挖掘：在對數據進行轉化后，就可以結合相應的挖掘算法，自動完成相應的數據分析工作。

（4）結果分析：對得到的數據分析結果進行評價，結合數據挖掘操作明確分析方法，一般情況下，會用到可視化技術。

（5）知識同化：對分析得到的數據信息進行整理，統一到業務信息系統的組成結構中。這個步驟不一定能夠一次完成，而且其中部分步驟可能需要重復進行。

二、數據挖掘技術在水利工程管理中的實施要點

水利工程在經濟和社會發展中是非常重要的基礎設施，做好水利工程管理工作，確保其功能的有效發揮，是相關管理人員需要重點考慮的問題。最近幾年，隨著社會經濟的飛速發展，水利工程項目的數量和規模不斷擴大，產生的水利科學數據也在不斷增加，這些數據雖然繁瑣，但是在許多科研生產活動和日常生活中都是不可或缺的。例如，在對洪澇、干旱的預防以及對生態環境問題的處理方面，獲取完整的水利科學數據是首要任務。那么，針對日益繁雜的海量水利科學數據，如何對有用的信息知識進行提取呢？數據挖掘技術的應用有效的解決了這個問題，可以從海量的數據信息中，挖掘出潛在的、有利用價值的知識，為相關決策提供必要的支持。

1.強化數據庫建設

要想對各類數據進行科學有效的收集和整理，就必須建立合理完善的數據庫。對于水利工程而言，應該建立分類數據庫，如水文、河道河情、水量調度、防洪、汛情等，確保數據的合理性、全面性和準確性，選擇合適的方法，對有用數據進行挖掘。

2.合理選擇數據挖掘算法

（1）關聯規則挖掘算法：關聯規則挖掘問題最早提出于1993年，在當前數據挖掘領域，從事務數據庫中發現關聯規則，已經成為一個極其重要的研究課題。關聯規則挖掘的主要目的，是尋找和挖掘隱藏在各種數據之間的相互關系，通過量化的數據，來描述事務A的出現對于事務B出現可能產生的影響，關聯規則挖掘就是給定一組Item以及相應的記錄組合，通過對記錄組合的分析，推導出Item間存在的相關性。當前對于關聯規則的描述，一般是利用支持度和置信度，支出度是指產品集A、B同時出現的概率，置信度則是在事務集A出現的前提下，B出現的概率。通過相應的關聯分析，可以得出事務A、B同時出現的簡單規則，以及每一條規則的支持度和置信度，支持度高則表明規則被經常使用，置信度高則表明規則相對可靠，通過關聯分析，可以明確事務A、B的關聯程度，決定兩種事務同時出現的情況。

（2）自頂而下頻繁項挖掘算法：對于長頻繁項，如果采用關聯規則挖掘算法，需要進行大量的計算分析，不僅耗時耗力，而且影響計算的精準度，這時，就可以采用自頂而下頻繁項挖掘算法，這種算法是一種相對優秀的長頻繁項挖掘算法，利用了事務項目關聯信息表、項目約簡、關鍵項目以及投影數據庫等新概念與投影、約簡等新方法，在對候選集進行生成的過程中，應該對重復分支進行及時修剪，提升算法的實際效率，從而有效解決了長頻繁項的挖掘問題。結合計算機實驗以及算法分析，可以看出，這種方法是相對完善的，同時也是十分有效的。不過需要注意的是，當支持度較大、頻繁項相對較短時，利用關聯規則挖掘中典型的Apriori方法，可以起到更好的效果。

（3）頻繁項雙向挖掘算法：這種算法是一種融合了自頂向下以及自底向上的雙向挖掘算法，可以較好的解決長頻繁項以及段頻繁項的挖掘問題，主挖掘方向是利用自頂向下挖掘策略，但是結合自底向上方法生成的非頻繁項集，可以對候選集進行及時修剪，提升算法的實際效率。

篇（5）

職業教育曾利用電視教育這種很先進的技術辦學并取得了輝煌的成績，時至今日，現代信息技術不斷發展，不同程度的滲透到每一個領域，教育領域更是首當其沖。昨日先進的辦學技術，已經遠不能適應現代遠程教育的發展需要，現代教學媒體開發是實現遠程教育的重要環節之一。近幾年，隨著國外遠程教育突飛猛進的發展，以及國內高中等院校多媒體課件的開發實踐，我們應對現代教育媒體開發的應用前景，特別是對我院遠程教育發展的重要性有一個充分的認識。

一、專業教學網絡與現代教育技術媒體的開發

現代教育媒體的開發，從技術角度來看是可行的全球計算機網絡和多媒體技術的進步導致了新一代知識智能媒體的發展，產生了網絡大學(虛擬大學)，這是遠程教育的重要特點和今后的發展方向。承載教學媒體的信息可簡單的分為實時性和非實時性兩類。多媒體信息則非常適應非實時性的傳輸要求，且價格較低，利用非實時性傳輸中有一定的延時的特點。像文本、圖片、聲音、動畫等形式的多媒體信息，就可以在低速網上通過電話進行傳輸。Internet和Intranet上大多采用這種非實時性信息傳輸方式瀏覽信息，這非常適合具有交互性的多媒體課件。

二、多媒體課件的應用前景以及精品課件的建立

篇（6）

煤炭的持續開采會受到地質條件的直接影響，過去國家投入眾多的設施，使用至今均已出現老化，并且維修量非常大。隨著礦井的不斷延深，礦壓極度強化，巷道的維修任務更是不斷的增加，礦井的供電以及通風、提升與排水等都不能適應生產的需要。

1.2安全管理模式傳統

與西方發達產煤國家相比較，我國的煤礦使用技術研究起步很晚。并且人力、財力非常缺乏，某些重大的安全技術問題，比如沖擊地壓以及煤和瓦斯的突出、地熱以及突水等災害不能進行有效的預測和控制。且受到以往傳統運營思想的直接作用與影響以及各個企業的經濟實力的約束，我國的煤礦生產裝備和安全監控設施相對落后。井巷的斷面設計以及支護強度的確定、支護材料的型號選擇較小。生產設施功率以及礦井的供風量等富余參數非常低，極易出現事故。絕大多數的煤炭企業還是利用以往傳統的安全管理模式，各種報表計算仍是靠人工勞動并且精確度很低。信息傳送的時間較長，且速度較慢，管理者的工作重復性很大，資料查詢十分困難，并且工作效率很低。安全檢查以及等級鑒定等總是憑借主觀意念以及相關的經驗。

1.3安全信息管理體制不健全

安全信息可以說是安全管理工作的重要依據，它主要包括事故和職業傷害的有效記錄與分析統計，職業的安全衛生設施的相關研究與設計、生產以及檢驗技術，法律法規以及相應技術標準和其變化的動態，教育培訓以及宣傳和社會活動，國內的新型技術動態以及隱患評估與技術經濟類分析和咨詢、決策的體系。信息體制的健全是安全體制工程以及計算機技術的有效結合，可促使安全工作轉型為定性和定量的超前預測，不過大多數礦井還是處于起步與摸索階段，并未呈現出健全的體制，真正的使用還有待進一步的發展。

2空間數據挖掘技術

數據挖掘研究行業的持續進展，開始由起初的關系數據以及事務數據挖掘，發展至對空間數據庫的不斷挖掘。空間的信息還在逐漸地呈現各類信息體制的主體與基礎。空間數據挖掘技術是一項非常關鍵的數據，具有比普通關系數據庫和事務數據庫更豐富、復雜的相關語義信息，且蘊含了更豐富的知識。所以，雖說數據的挖掘最初是出現在關系數據挖掘以及事務的數據庫，不過因為空間數據庫中的發掘知識，這就很快引起了各個研究者的關注與重視。很多的數據挖掘類研究工作都是從關系型以及事務型數據庫拓展至空間數據庫的。在地學領域中，隨著衛星以及遙感技術的不斷使用，逐漸豐富的空間以及非空間的數據采集與儲存在較大空間數據庫中，大量的地理數據已經算是超過了人們的處理能力，并且傳統的地學分析很難在這些數據中萃取并發現地學知識，這也就給現階段的GIS帶來了很大的挑戰，急切的需要強化GIS相應的分析功能，提升GIS處理地學實際狀況的能力。數據挖掘以及知識發現的產生能滿足地球空間的數據處理要求，并推進了傳統地學空間分析的不斷發展。依據地學空間數據挖掘技術的特性，把數據挖掘的方式融進GIS技術中，呈現地學空間數據挖掘技術和知識發展的新地學數據分析理念與依據。

3煤礦安全管理水平的提升

3.1建設評價指標體制庫

評價指標體制庫是礦井的自然災害危害存在的具體參數式的知識庫。模型的組建務必要根據礦井的瓦斯以及水害等自然災害危害呈現的不同指標體制和其臨界值構建一定的指標體制庫，危害的警報識別參數關鍵是采掘工程的平面圖動態開采面以及相應的巷道。各種瓦斯的危害以及水害隱患和通風隱患均呈現一定的評價指標庫。

3.2構建專業的分析模型庫

依據瓦斯以及水害等諸多不同的礦井自然災害類別構建相關的專業性模型庫，比如瓦斯的災害預測，應根據礦井的地質條件以及煤層所賦存的狀況構建瓦斯的地質區分圖，再根據采掘工程的平面圖動態呈現的采掘信息以及相應的瓦斯分區構建關聯并實行相應的比較分析，確定可以采集區域未來的可采區域是不是高瓦斯區域。

3．3構建以GIS空間分析為基礎的方法庫

GIS空間分析可以說是礦井自然災害的隱患高度識別的關鍵性方式，并且還是安全故障警報的主要路徑。比如斷層的防水層的有效劃分，關鍵是根據斷層的保安煤柱來實行可靠的確定。斷層的保安煤柱確定可以利用GIS緩沖區域的分析得到。空間的統計分析以及多源信息有效擬合和數據挖掘亦是瓦斯和水害等安全隱患監測經常使用GIS空間分析方式，如物探水文的異常區域確定以及瓦斯突出相應的危險區域確定。

3．4決策支持體制與煤礦管理水平評價指標

體制庫以及模型庫、方式庫與圖形庫均是礦井的自然災害隱患識別和決策的最基礎。利用礦井的自然災害隱患識別決策來支持體系具體的功能呈現礦井的自然災害隱患識別以及決策分析，在根源處提高煤礦的安全管理水平。分類構建礦井的自然災害實時監控體系，進行動態跟蹤相應的災害實時數據，并事實呈現礦井的自然災害數據或是信息和自然災害的指標體系庫以及模型庫與知識庫、空間數據庫的合理化比較，并運用圖形庫的數據再通過GIS空間分析方式來確定安全隱患的，礦井自然災害的隱患實時警報并進行決策分析，以提交空間數據的自然災害隱患識別以及分析處理的決策性報告。

篇（7）

2、基于模塊化方法的課程內容分析

模塊化教學模式是按照程序模塊化的構想和原則來設計教學內容的一整套教學體系，它是在既定的培養目標指導下，將全部教學內容按照一定標準或規則進行分解，使其成為多個相對獨立的教學模塊，且各教學模塊之間可以按照一定的規則有選擇性的重新組合。該方法在20世紀70年代，由國際勞工組織引入教學之中，開發出以現場教學為主，以技能培訓為核心的模塊化教學模式，在很多國家得到廣泛應用。由于該教學法具有針對性、靈活性、現實性等特點，越來越受到教育界的關注。模塊化教學本質上是以知識點與實踐的細化為出發點研究，本課程的知識點細化分為兩個層次：一是從宏觀角度，參考ACM的SIGKDD的數據挖掘課程建設建議，設計課程的基礎內容模塊和高級主題模塊；二是從微觀角度，針對較為復雜的算法進行的知識點劃分。課程內容的一至五章屬于基礎內容模塊，介紹本課程的基礎理論和入門的數據挖掘技術；六至第八章介于基礎內容與高級主題之間，介紹數據挖掘的核心算法，可以根據學生情況進行靈活處理，可強調應用，也可深化算法介紹；第九、十章為高級主題模塊，可以作為擴展材料介紹應用，或為感興趣同學提供算法介紹；課程實踐模塊包含數據倉庫建設與數據挖掘算法的應用，難度居中，可以在引導學生思考的前提下給出實驗步驟，并引導學生使用類似的方法處理不同的數據。

3、基于模塊化方法進行重要知識點的模塊化分析

重要知識點內涵較為豐富，一般體現在經典數據挖掘算法上，通常一大類算法下還分有多個算法，不同算法的在難度上有漸進層次，同一種算法也有很大改進研究空間，講授彈性比較大。因此，適合使用模塊化方法進行處理，并且需要在課程設計中明確一定課時量所要達到的內容和難度。基礎部分為必選內容，介紹基本概念和基本原理；決策樹作為數據挖掘分類算法的最基礎算法也是必選內容，決策樹算法有多種分類，需要進行按照難易程度進行選擇；最后要根據難度選擇其他分類算法進行介紹。

篇（8）

二、在部隊食品采購系統中的應用以及其價值評價

在部隊食品采購系統實際應用工程中，其實可以運用MicrosoftSQLServerAnalysisServices來對數據進行分析，并且在數據挖掘過程中對多維數據進行描述與查找起到一定作用。因為多維數據比較復雜，增長的也比較快，因此，進行手動查找是很困難的，數據挖掘技術提供的計算模式可以很好的對數據進行分析與查找。在建設部隊食品采購倉庫數據的時候，數據內容主要包括了人員的健康、兵員的飲食以及訓練等，進行數據挖掘主要包括以下內容：第一，把每個主題信息數據進行收集、匯總、分析等，對人員情況、健康、飲食、訓練等進行合理分析；第二，多維分析數據信息。根據部隊的實際情況，利用數據挖掘技術對部隊人員健康、飲食、訓練等數據信息進行多維分析，其中包含上鉆、切片、下鉆等；第三，挖掘健康與飲食之間的內在關系。根據數據庫中許多面向主題的歷史數據，采用數據挖掘技術進行分析與演算得到部隊人員的訓練和健康情況與部隊飲食之間內在關系，以便于為部隊食品采購提供合理的、有效的保障，從而提高部隊整體人員的健康水平、身體素質以及訓練質量，對提高我國部隊戰斗力有著深遠的意義。

篇（9）

（2）計算機網絡病毒傳播形式的多樣性。計算機網絡和網絡病毒相互之間存在著很緊密的聯系，網絡電子郵件、網絡系統漏洞以及不良網頁都是網絡病毒進行傳播的重要途徑，進而對計算機網絡系統造成蓄意破壞。計算機網絡系統的傳播形式有很多種，網絡病毒在網絡系統漏洞中的傳播就是常見的一種病毒傳播方式，計算機網絡病毒程序通過對Internet遠程主機系統的搜索和掃描，利用系統漏洞到達控制對方計算機的控制。同時也有一種病毒通過對文件夾的搜索掃描，進行病毒復制，以到達入侵網絡系統的目的。

（3）計算機網絡病毒的針對性。在計算機網絡技術發展初期，計算機網絡病毒主要目標就是干擾網絡技術人員的程序編寫，隨著計算機技術的快速發展，計算機網絡病毒的開發技術和功能作用也發生了很多變化，如今，計算機網絡病毒的設計和開發已經開始商業化，針對性地對計算機網絡系統實施破壞，如通過盜用網銀賬號和密碼等方式以達到非法獲取利益的目的。

2數據挖掘技術簡析

數據挖掘技術是通過對所處一定范圍之內的所有數據進行數據收集、數據分類以及數據歸類，進而來判斷是否存在某種潛在的關系和數據規律，主要環節有3個，準備數據；尋找數據存在的規律；表現數據規律。數據挖掘模式設置好之后，技術系統中的挖掘引擎就會以數據庫中的要求為依據，對準備好的數據進行數據分析和數據歸類，找出各個數據之間存在的關系和相應的數據規律，以便成為之后數據分析的有利依據，數據挖掘技術是比較全面的挖掘技術和數據應用技術，工作過程比較繁雜，工作操作步驟較多，其中存在很大部分的準備環節和規劃工作，數據挖掘技術的重點工作是對數據的預處理階段，對數據的預處理階段是數據挖掘技術的基礎，是后期進行數據分析的必要條件。

3以數據挖掘技術為基礎的計算機網絡病毒防御分析

3.1數據挖掘技術的構成分析

數據挖掘技術在計算機網絡病毒防御中的應用過程比較復雜，步驟繁多，為了便于日常操作應用，掌握每個環節的基本特征，可以對預處理模塊、決策模塊、數據收集模塊、數據挖掘模塊以及規則庫模塊進行分模塊分析研究。

（1）數據預處理模塊分析。簡化數據挖掘技術中數據挖掘和數據分析之間的處理操作可以通過數據預處理模塊來實現，利用數據預處理模塊可以整體上提高數據挖掘效果，提高數據辨識度和準確度。在完成數據收集后需要把數據導入到預處理模塊，實現數據的分析歸類和數據變換，通過這樣額方式把數據轉換成可以被系統識別和處理的數據內容。以目標IP地址、源IP地址、端口信息等這些據數據包當中所包括的信息內容為依據，實施數據集合、數據歸納、數據處理等流程。

（2）決策模塊分析。在數據挖掘技術中的決策功能模塊中，通過對數據的挖掘從而對數據庫進行構建，然后對數據進行匹配，同時數據庫還要和規則庫密切聯系起來。如果數據庫有與規則庫存在高度聯系的信息出現，證明在決策模塊里有病毒特征存在，很可能會感染到計算機病毒。如果是結果數據庫的數據信息和規則庫的數據不能相互匹配，那也就是說該數據包中存在有帶有新型特征病的毒帶，也就是出現了新型的規則類，這樣的情況下就需要把該帶有新型特征的病毒導入到系統的規則庫當中，規則庫的一種較新型的規則類別也就形成了。

（3）數據收集模塊分析。實現數據挖掘的基本要求是提供充分的數據信息，只有通過數據收集才能實現數據收集模塊的功能。數據收集模塊通過對計算機網絡中數據包的抓取和收集來實現數據信息，數據信息被收集后就會具有一定的數據結構和比較重要的功能信息。

（4）數據挖掘模塊分析。數據挖掘技術的一個最關鍵部分就是數據挖掘模塊。數據挖掘模塊中的事件庫和數據挖掘算法是數據挖掘模塊的關鍵部分。數據挖掘對相關數據的收集構成了事件庫，通過對事件庫中數據的分類和數據整理，進而可以獲取較為準確的數據結構。

（5）規則庫模塊分析。規則庫模塊是數據挖掘技術的一個重要組成部分，可以幫助優化數據挖掘信息庫，給系統提供需要的病毒分析數據。如果有網絡病毒在計算機系統中出現，規則庫模塊就可以進行數據分析和數據識別，以及實現數據挖掘。在數據挖掘的過程中，網絡病毒屬性會被挖掘過程中獲取的規則集調整和改變，并且把這個記錄繼續使用在數據挖掘中，這項記錄可以幫助計算機系統對一些潛在的網絡病毒進行分析，進而起到防御病毒的作用。

3.2以數據挖掘技術為基礎的網絡病毒防御系統

（1）數據挖掘技術中的關聯規則分析。數據挖掘技術的關聯規則就是指在同一類別的數據中有可以被發現的知識存在，通過對兩個或者超過兩個的變量進行取值，如果發現數據具有一定規律的話說明這些數據和數據之間存在著某種關聯性。因果關聯、及時序關聯以及簡單關聯是存在數據挖掘技術中的幾種主要關聯關系。要找到數據庫中的關聯網，就需要進行關聯分析，然后結合數據和數據之間的關聯性進行數據挖掘，進而得到數據和數據存在的關聯規則。

篇（10）

2、國內外文獻綜述

挑選中國知網數據庫，以“知識管理”為主題關鍵詞進行精確檢索，共找到 31，324 篇文獻，其中 2004 年至2014 年間共發表文獻 24，895 篇，近十年是知識管理領域研究的高峰期。以“高校知識管理”或“大學知識管理”為主題關鍵字進行精確檢索，得到 248 篇相關文獻，可發現針對高校的知識管理研究較少。針對結果進行二次檢索，增加主題關鍵詞“數據挖掘”得到相關文獻 3 篇，表明對高校知識管理與數據挖掘技術結合的研究較少，所得文獻主要觀點包括：1.數據挖掘技術可用于高校知識發現；2.數據挖掘對知識管理體系建設有推動作用；3. 高校知識管理成果可通過數據挖掘技術進行評價。對國外學者的研究情況進行分析，挑選 Web ofScience 數據庫。以“knowledge management”為主題關鍵字進行檢索，共得到 62，474 篇文獻，以“knowledgemanagement of college”為主題關鍵字檢索，得到 647篇文獻，再結合關鍵詞“Data mining”，共得到文獻 5 篇。由此可見，國外相關研究比國內多出近一倍，并且研究的程度深、范圍廣。但關于高校知識管理與具體信息技術結合應用的文獻仍較少，且發表日期多為 2010 年后。

3、知識管理與數據挖掘結合的軟件要求

知識管理與數據挖掘技術的結合運用對高校相關設備提出了一定的要求，包括對服務器、客戶端計算機的硬件要求以及對知識管理平臺、數據挖掘工具的軟件要求，本文中將重點敘述軟件要求。

知識管理平臺要求

知識管理平臺是高校知識管理的實施基礎，它為高校人員提供了可視化的操作界面，其應實現的基本功能包括：1.數據接口；2.工具接口；3.數據挖掘（內置或外接）；4.知識倉庫；5.知識索引、推薦；6.信息檢索；7.組織內交流；8. 管理評價。一個知識管理平臺應分為：表現層、服務層、處理層、存儲層。表現層是面向用戶的可視化界面，用于人機交互，接受用戶的任務；服務層對任務進行調度、處理，直接執行無需數據挖掘的任務并反饋至表現層，調度需要數據挖掘的任務至處理層；處理層負責數據預處理、數據挖掘、知識發現等功能；存儲層包括校方數據庫及知識倉庫。具體層次如圖 1 所示。根據高校組織的特征，知識管理平臺應在實現基本功能的前提下具有以下特點：1. 接口質量高。高校集行政、科研、社會服務等任務于一體，需要處理海量數據，應提供接口以使用專業處理工具處理復雜任務，保證數據處理的效率與深度；2. 內置數據挖掘功能。高校所含數據種類多、范圍廣，對結構簡單、數據量小的數據可直接使用內置數據挖掘功能處理，節省時間；3. 交流功能強。高校為知識密集型組織，其學科、職能間存在交叉，優秀的交流功能保證了知識的共享及創新。4. 完善的激勵體系。激勵體系不僅體現在平臺的評價功能中，更體現在管理人員的管理中，通過提高人員的積極性促進知識管理進程的實施。

數據挖掘工具要求

高校所含知識從相關對象分類可分為兩類：1. 管理知識，指高校各部門（教學、后勤部門等）用于高校管理的知識；2. 科研知識，指各學科的專業知識。前者主要與高校行政、管理人員相關，后者則與高校學者、教授關系更大。針對不同的用戶，知識管理與數據挖掘的結合運用對數據挖掘軟件提出了不同的要求。高校行政、管理人員所面對的數據多來自高校各類信息系統的記錄，如：校園卡消費信息、機房上機信息，具有量大、范圍廣、結構一致等特點。用于該類數據挖掘的挖掘工具可內置于知識管理平臺中，便于數據存取，提高挖掘速度。常用功能為預測、分類、評價三項，主要方法可選用回歸分析、趨勢外推、特征分類、層次分析、模糊綜合評價法等。結合使用者特點，該類挖掘工具應提供獨立的、具有既定模式的工作界面，減少用戶與算法的接觸，挖掘結果應具有較強可視性，提供圖、表界面，以便用戶理解。高校科研知識主要來自于學者、教授的科學研究，包括：實驗數據、主觀推測描述等，具有專業性強、層次深、結構復雜等特點。針對挖掘要求較低的數據，可使用知識管理平臺中的內置挖掘工具，而針對挖掘要求高的數據，可選用專業數據挖掘軟件，如：Intelligent Miner、QUEST 等，通過知識管理平臺的接口進行對接。

4、知識管理與數據挖掘結合的具體策略

知識管理的基本職能可概括為外化、內化、中介、認知四大部分，其中前三項職能對信息技術的依賴較強，可用數據挖掘技術進行輔助。數據挖掘的過程分為條件匹配、選擇、激活、應用四部分，即對數據進行預處理后，選擇相關數據記錄，根據用戶要求選擇相應技術進行數據挖掘，得出并解釋數據挖掘結果，最終將這些記錄應用于實踐中。兩者的具體結合策略如下：

輔助知識管理體系建設

知識管理本質是一個周期性管理過程，在這一過程中實現組織知識共享、創新等，最終提升組織綜合實力，其中知識管理體系建設是實現知識管理的宏觀條件。知識管理體系建設是一個系統、全面的工程，包括組織結構調整、確定激勵制度、知識管理文化培養、成效評估等任務。數據挖掘技術，可以為知識管理體系建設提供依據，保證相關決策的科學性。數據挖掘對知識管理體系建設的幫助主要體現在以知識主管為主的知識管理部門對高校的管理、決策當中。知識管理部門收集并預處理外校、本校知識管理體系建設的相關數據，完成輔助決策的數據倉庫的建設。管理人員可根據要求，從數據倉庫中選擇數據，利用對應模型完成挖掘，通過挖掘結果對決策做出幫助。以制定激勵制度為例，管理人員選擇與高校人員喜好相關的數據，如至少包含“部門”、“喜好”、“性別”字段，利用關聯算法對其進行計算，即可得出各部門工作人員的喜好，以此為據制定相應激勵制度。

知識外化

知識外化是指組織從組織外部獲取與本組織相關的知識、發現歸集組織內部存在的知識并進行存儲以備用的過程。完成知識外化的關鍵即知識發現，其較為常用的方法包括主觀歸納、隱性知識外顯等。目前學界中較為認可、使用較普遍的方法即數據知識發現（KnowledgeDiscovery in Database， KDD），指從數據集中識別出表明一定模式的、有效的、潛在的信息歸納為知識的過程。這是數據挖掘與知識管理結合應用的最重要部分。同時，數據挖掘技術只給定挖掘目標，不給出假設、前提，因此在使用數據挖掘的過程中可獲取一些計劃外的知識，為知識管理提供一個可靠的知識源。此處存在兩個前提：第一，知識發現不能僅僅依靠信息技術，更需要人員對挖掘結果進行主觀歸納，解釋其語義以完成知識的推理；第二，挖掘對象需進行預處理，并轉化成邏輯數據。利用數據挖掘技術進行知識發現有多種可用方法：利用分類和聚類分析可提供知識索引和發現特殊情況下的離群值和孤立點，知識索引可細化知識所屬領域和確定挖掘范圍，離群值和孤立點可為挖掘人員提供歸納的線索，若其存在一定規律則可得出模型、規則；使用模糊技術、統計方法可得出對高校決策的評測分析，判斷方案的有效性，并得出模式，用于同類決策處理；使用粗糙集和主成份分析法定義知識發現中的主要特征，結合已有知識庫對不確定、不精準的知識進行細化；使用關聯規則發現大量數據集各字段中潛在的聯系。以關聯規則的使用為例，選擇 Apriori 算法，挖掘目的是發現學生學習情況中的潛在知識。首先從數據倉庫中選出與學生課程成績相關的數據集，包括姓名、院系、性別、課程號、課程類別、成績等字段，進行預處理，將字段中的取值轉化為邏輯值，代表不同語義，如：性別字段，男設值 1，女設值 2。操作人員設置最小支持度、置信度，通過數據挖掘工具進行挖掘，得出關聯規則并進行解釋。若結果顯示 XX 院系、男生、A 類別 => 成績優秀構成管理規則，則表示XX院系的男生對于A類別科目較感興趣，學習成績優秀，可在歸納后存入知識倉庫。

知識內化、中介

知識內化是發現特定人員知識需求，并為其提供相應知識的過程，內化的關鍵是對知識的聚類、對人員的興趣挖掘。知識中介是指組織中存在一定量無法編碼儲存的知識，針對這些知識，通過一定手段，將知識的需求者與知識來源進行匹配，為兩者提供交流的途徑。數據挖掘在知識內化、中介中所起的作用主要是對高校人員特征的挖掘。在利用數據挖掘技術發現知識后，通過知識管理平臺進行分類存儲、添加索引，作為備選。對高校人員數據庫中數據進行挖掘，可利用聚類分析、預測模型等，得出特定人員的特長領域、興趣愛好，從而根據先前設置的知識索引為其提供信息。若定期對人員特征數據進行挖掘，并根據結果為高校人員推送相關知識、信息，即可實現個性化推送，其推送內容由人員特征數據決定。高校組織中擁有大量教授、學者，其所擁有的知識是一筆巨大財富，加強相關領域間人員的交流、溝通，可以促進知識共享、創新，提升組織綜合實力，這正是知識管理中介職能的作用。通過上文中相同的挖掘方法，在對教授、學者特征進行挖掘后，對他們的研究方向進行聚類分析，由挖掘結果，為相關人員提供合適的建議、利用知識管理平臺為特征相似或同一聚類中的教授、學者提供交流的途徑，進而促進知識的共享。

數據挖掘技術推動圖書館管理

圖書館是高校組織中的特殊資源，含有大量精確或模糊、成型或不成型的知識，是一種實體的知識倉庫。對圖書館的有效管理有助于高校知識管理的實施。目前，已有不少圖書館專家將數據挖掘技術引入圖書館管理，提出了針對圖書館的數據挖掘應用理論。圖書館數據挖掘對象主要包括三個：1.圖書信息；2.讀者信息 3. 讀者借閱信息。通過對三者挖掘結果的綜合，可為圖書館資源建設、讀者服務、個性化服務提供幫助。根據挖掘結果分析，可做到客觀、合理引入資源，做到讓數據說話而不是讓管理人員說話，減少了管理人員個體的主觀影響，使高校圖書館經費發揮最大效用；提升讀者服務質量，在讀者進行檢索時減少等待時間，改變以往被動檢索的情況，通過用戶數據挖掘為用戶提供主動的信息推送；提供個性化服務，以挖掘結果為依據，針對不同用戶提供不同服務，比如不同的圖書館系統管理界面。

充分發揮管理職能

知識管理是一個系統工程，包含平臺開發、體系構建、文化培養等，其在實踐中設計大量的數據操作。數據挖掘技術可在知識管理的實踐過程中為各項信息處理工作提供支撐，從而為操作人員提供便利，間接縮短知識管理的周期時間。將高校知識管理與數據挖掘技術相結合可有效促進知識管理具體操作中的工作效率。兩者的結合對高校人員管理具有積極作用，數據挖掘與知識管理在實踐中相互影響，提升操作人員素養。數據挖掘需要專業人員進行操作，操作人員的綜合素養將決定挖掘成果的質量。知識管理可有效促進數據挖掘人員對知識的認知，使操作人員對不同要求所對應的挖掘技術、模型的選擇更為準確，提升挖掘成果的質量，使知識更加清晰、獨立、可接受。

篇（11）

在畢業論文管理工作不斷加強的情況下，注重管理模式的更新和合理選用，提高匹配算法的針對性，才能真正提高高校教務管理水平。因此，對深度挖掘匹配算法在畢業論文管理中的應用有比較全面的了解，才能為高校教務管理工作提供可靠參考依據。

1 深度挖掘匹配算法的相關分析

根據深度挖掘匹配算法在畢業論文管理中的應用情況進行全面分析來看，其主要包括如下兩個方面：

1.1 志愿自動匹配算法的相關分析

對學生和課題的選擇關系進行合理分析可知，兩者的最優、最大匹配，最好是根據學生的實際情況量身定做，才能真正實現課題與學生的最完美匹配。因此，教師提出相關題目時，需要對學生的情況、特性和要求等進行全面分析，才能在學生對課題的特性、關聯性等有一定了解的情況下，提高課題與學生的匹配概率，最終讓學生選定最合適的課題。在實踐過程中，志愿自動匹配算法的合理運用，需要根據畢業論文的管理流程，從教師出題開始。一般情況下，教師應該先提出大題讓學生自由選擇，在匹配學生確定好以后將大題分成幾個小題，從而將每個小題分配給合適的學生。在這種情況下，教師設定的課題需要從修讀課程達到的分數、難度、所屬類別等多個方面確定，并從教務管理系統中獲取學生的成績和選題積分點等，才能根據分數線來判定學生是否符合相關選題。其中，選題的難度在簡單、一般、難、很難和非常難幾個等級，對應的成績是及格、良好、優秀、極好。在實際進行選題時，學生可以根據自己的情況選擇三個題目作為志愿，以在系統完成匹配后，自定將題目下發給學生。在實踐過程中，初始化志愿顯示的是學生的第一志愿，在經過while、if、else、break、continue等流程后，系統會將題目和學生進行適當分類，以確保題目與學生的匹配最合理、最科學。由此可見，志愿自動匹配算法是優先對具有課題相關能力的學生進行匹配的，在學生人數低于匹配數量的情況下，可繼續為積分點高、能力稍差的學生進行匹配，對于確保課程成績與積分點的完美結合有著極大影響。

1.2 調劑學生算法的相關分析

在經過上述算法進行匹配后，根據學生的實際情況進行深層挖掘，可以實現課題與剩余學生的完美調劑。因此，對上述階段中匹配失敗的學生志愿所選的教師、課題類別、難度等因素進行深度挖掘，并將搜索結果作為匹配課題的依據，才能在縮小搜索范圍的情況下，找到與剩余學生最合適的課題。如果出現相近課題較多的情況，則需要有學生、工作人員共同協商，以確定最終和最適合學生的課堂。在實踐應用中，調劑學生算法的運用需要對需要調劑的學生進行合理分析，并通過if、else、return、while、continue、else等多個流程，才能真正匹配出最適合學生的課題。

2 深度挖掘匹配算法在畢業論文管理中的實際應用

根據深度挖掘匹配算法的實際應用來看，在畢業論文管理中學生可以了解到最適合自己的課題信息，教師可以根據學生的積分點和成績等確定課題，從而避免選擇某一課題的學生過多或過少的情況出現，對于提高第一志愿自動匹配成功率有著極大作用。因此，在實際應用中，注重教師、課題類別、難度的合理設定，確保它們的排序科學，將課堂與學生的匹配關系看作是二分圖，并且，每個學生可以選擇的課題有三個，系統可以根據學生的實際情況進行自動匹配，最終深度挖掘與學生志愿匹配的課題。例如：志愿自動匹配和調劑學生的總數都為102人，通過深度挖掘匹配算法匹配成功的人數分別為72人和90人，成功率達到了70%、88%。在不使用任何算法進行匹配的情況下，兩者的成功率是52%左右。由此可見，在畢業論文管理系統中，深度挖掘匹配算法在科學應用，可以為教務管理工作提供可靠參考依據，對于提高畢業論文管理工作人員的工作效率有著重要影響。

3 結語

綜上所述，在深度挖掘匹配算法不斷推廣的情況下，其在畢業論文管理中的實際應用受到了很多教務管理工作人員的青睞。因此，充分發揮深度挖掘匹配算法的作用，提高深度挖掘匹配算法在畢業論文管理中的應用效果，才能更好的滿足學生的選題需求。

參考文獻

[1]馮麗慧，馮立智.數據挖掘在畢業論文成績管理中的應用研究[J].電腦知識與技術，2012，30：7150-7153.

[2]徐章韜.用信息技術深度挖掘課程內容――以數學學科為例[J].教育發展研究，2015，12：29-33.

[3]連伊娜.深度挖掘高校檔案文化內涵，更好為教育事業發展服務[J].黑龍江史志，2013，11：104-105.

作者簡介