數(shù)據(jù)挖掘分類技術(shù)及其在擊劍負(fù)荷分析中的應(yīng)用.pdf

1、隨著數(shù)據(jù)庫技術(shù)的成熟和數(shù)據(jù)應(yīng)用的普及，人類積累的數(shù)據(jù)量正在以指數(shù)的速度增長，人們面臨著快速擴(kuò)張的數(shù)據(jù)海洋，數(shù)據(jù)洪水正以撲面之勢向人們滾滾涌來．與日趨成熟的數(shù)據(jù)管理技術(shù)相比，人們所依賴的數(shù)據(jù)分析工具無法有效地為決策者提供其決策支持所需要的相關(guān)知識，從而形成了“豐富的數(shù)據(jù)，貧乏的知識”之獨特的現(xiàn)象。正是為了解決這種數(shù)據(jù)豐富而知識貧乏的矛盾，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。 分類在數(shù)據(jù)挖掘中是一項非常重要的任務(wù)，其目的是學(xué)會一個分類函數(shù)或分類模

2、型，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個，目前在商業(yè)上應(yīng)用最多。挖掘分類模式的方法有多種，如決策樹方法、貝葉斯信念網(wǎng)絡(luò)、基于關(guān)聯(lián)的分類方法、遺傳算法、K-最臨近方法、神經(jīng)網(wǎng)絡(luò)等等。 本文首先介紹了分類的定義、步驟、分類器構(gòu)造方法等，然后詳細(xì)介紹了其中最常用的兩種技術(shù)：決策樹技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)。常見的決策樹生成算法有基于信息論的1D3、C4.5算法以及基于最小GINI指標(biāo)的CART、SLIQ方法，文中重點介紹了I

3、D3算法和C4.5算法，并通過一些實例闡述了決策樹的構(gòu)建過程。人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種非線性動力學(xué)系統(tǒng)，是生物神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)、功能及某些基本特性方面的理論抽象和簡化，具有分布式信息存儲方式和并行的信息處理方式，其中BP神經(jīng)網(wǎng)絡(luò)是各種神經(jīng)網(wǎng)絡(luò)模型中具有代表意義的神經(jīng)網(wǎng)絡(luò)模型之一，并已獲得廣泛的應(yīng)用。 文章最后將決策樹技術(shù)和BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于擊劍訓(xùn)練負(fù)荷分析系統(tǒng)中，在運(yùn)動員各項生理生化指標(biāo)與運(yùn)動負(fù)荷量之間建立分類模型，并通過