导读:本文包含了预测模型标记语言论文开题报告文献综述及选题提纲参考文献，主要关键词:预测模型标记语言,数据挖掘,元数据,描述逻辑
预测模型标记语言论文文献综述
朱小栋,肖芳雄,黄志球,沈国华,靳玲[1]（2012）在《基于描述逻辑的扩展预测模型标记语言EPMML》一文中研究指出预测模型标记语言PMML正被许多数据挖掘组织作为标准化的数据挖掘模型描述语言.然而,由于数据挖掘技术的不断发展,参与建立PMML的数据挖掘厂商的经验有差异,PMML本身含有的大量语言元素不可避免地带来基于PMML的数据挖掘元数据的语义不一致问题.为解决这个问题,提出了一种基于描述逻辑的扩展预测模型标记语言EPMML,详细分析了EPMML的描述逻辑基础SOIN,设计EPMML的语言元素.基于EPMML描述的数据挖掘元数据可以转化为基于SOIN的知识库,进而进行知识推理以自动发现数据挖掘元数据的内在语义不一致问题.Racer推理实例验证了EPMML语言的良构性,良好表达能力和推理有效性.(本文来源于《计算机学报》期刊2012年08期）
朱小栋[2]（2009）在《基于扩展预测模型标记语言的数据流挖掘系统建模研究》一文中研究指出数据流挖掘是近年智能数据分析发展的一个新的研究阶段,与传统静态数据挖掘不同,数据流呈现的特征给数据挖掘提出了新的挑战。当前数据流挖掘研究的一个困境是虽然出现了大量高效的数据流挖掘算法,但缺乏有效的数据流挖掘系统合理利用这些算法。如何构建高效、快速和智能的数据流挖掘系统是数据流挖掘研究迫切需要解决的一个问题。为解决这一问题,本文从系统建模的角度提出一种扩展语义的预测模型标记语言,并研究其怎样应用于数据流挖掘系统的构建。首先,提出了一种扩展预测模型标记语言EPMML作为面向数据流挖掘系统构建的建模语言。论文针对目前数据挖掘的元数据标准预测模型标记语言PMML存在语言元素众多并且缺乏语义描述功能的缺点,在描述逻辑的基础上,开发了一种扩展语义的预测模型标记语言EPMML。设计了EPMML语言的逻辑基础——描述逻辑DL4PMML,分析了EPMML的体系结构和语言要素,证明了EPMML语言的可判定性,分析了EPMML语言的推理复杂性。其次,提出了数据流挖掘系统的元数据体系结构,并分析了基于EPMML的数据流挖掘系统元数据。从知识表示功能的角度,分析了怎样使用EPMML进行知识表示;从EPMML具有知识推理功能的角度,设计基于EPMML的数据流挖掘元数据一致性检测框架,验证了EPMML支持知识推理的正确性和有效性,并给出了示例来演示基于EPMML语言的知识推理和语义一致性检测。再次,提出了数据流挖掘系统的数据建模理论,并分析了EPMML语言在数据流挖掘系统数据管理中的应用。论文建立面向数据流挖掘的形式化数据建模理论,诠释流式数据集上的规则提取与知识发现。提出了数据流的数据模型,分析了流式数据集上概念的内涵和外延,阐述了数据流中规则提取和概念迁移的本质。从构建数据流挖掘系统的数据组件的角度,分析了EPMML语言怎样建模数据组件,并通过具体的示例演示EPMML语言对数据组件的描述以及关联规则的提取过程。然后,提出了数据流挖掘系统的算法管理模型,解决了目前数据流挖掘研究算法众多但利用率低的问题,并分析了EPMML语言在数据流挖掘系统算法管理中的应用。在算法组件中,将数据流挖掘的算法作为语义Web服务,结合EPMML语言,提出了面向数据流挖掘系统的算法管理框架AMF-DSMS。分析了怎样应用EPMML语言描述算法服务,设计了基于EPMML的算法服务接口。通过一个具体的示例说明框架AMF-DSMS的有效性。最后,设计了数据流挖掘系统的整体框架,阐述了各个组件和模块的功能,分析了框架对于数据流特征的适应性,给出了系统框架的行为语义,设计了数据流挖掘系统的建模层次结构,综合分析了基于EPMML的数据流挖掘元数据在系统中的作用。(本文来源于《南京航空航天大学》期刊2009-03-01）
张晓军,孟祥武[3]（2003）在《预测模型标记语言应用分析》一文中研究指出论文在阐明统计分析中的预测模型移植问题之后,介绍了预测模型标记语言(PMML),提出基于PMML的应用框架,并通过DataSpace和SolEuNet两个实际应用分析和探讨了PMML。最后总结了对数据处理的认识和PMML/XML的展望。(本文来源于《计算机工程与应用》期刊2003年10期）
预测模型标记语言论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数据流挖掘是近年智能数据分析发展的一个新的研究阶段,与传统静态数据挖掘不同,数据流呈现的特征给数据挖掘提出了新的挑战。当前数据流挖掘研究的一个困境是虽然出现了大量高效的数据流挖掘算法,但缺乏有效的数据流挖掘系统合理利用这些算法。如何构建高效、快速和智能的数据流挖掘系统是数据流挖掘研究迫切需要解决的一个问题。为解决这一问题,本文从系统建模的角度提出一种扩展语义的预测模型标记语言,并研究其怎样应用于数据流挖掘系统的构建。首先,提出了一种扩展预测模型标记语言EPMML作为面向数据流挖掘系统构建的建模语言。论文针对目前数据挖掘的元数据标准预测模型标记语言PMML存在语言元素众多并且缺乏语义描述功能的缺点,在描述逻辑的基础上,开发了一种扩展语义的预测模型标记语言EPMML。设计了EPMML语言的逻辑基础——描述逻辑DL4PMML,分析了EPMML的体系结构和语言要素,证明了EPMML语言的可判定性,分析了EPMML语言的推理复杂性。其次,提出了数据流挖掘系统的元数据体系结构,并分析了基于EPMML的数据流挖掘系统元数据。从知识表示功能的角度,分析了怎样使用EPMML进行知识表示;从EPMML具有知识推理功能的角度,设计基于EPMML的数据流挖掘元数据一致性检测框架,验证了EPMML支持知识推理的正确性和有效性,并给出了示例来演示基于EPMML语言的知识推理和语义一致性检测。再次,提出了数据流挖掘系统的数据建模理论,并分析了EPMML语言在数据流挖掘系统数据管理中的应用。论文建立面向数据流挖掘的形式化数据建模理论,诠释流式数据集上的规则提取与知识发现。提出了数据流的数据模型,分析了流式数据集上概念的内涵和外延,阐述了数据流中规则提取和概念迁移的本质。从构建数据流挖掘系统的数据组件的角度,分析了EPMML语言怎样建模数据组件,并通过具体的示例演示EPMML语言对数据组件的描述以及关联规则的提取过程。然后,提出了数据流挖掘系统的算法管理模型,解决了目前数据流挖掘研究算法众多但利用率低的问题,并分析了EPMML语言在数据流挖掘系统算法管理中的应用。在算法组件中,将数据流挖掘的算法作为语义Web服务,结合EPMML语言,提出了面向数据流挖掘系统的算法管理框架AMF-DSMS。分析了怎样应用EPMML语言描述算法服务,设计了基于EPMML的算法服务接口。通过一个具体的示例说明框架AMF-DSMS的有效性。最后,设计了数据流挖掘系统的整体框架,阐述了各个组件和模块的功能,分析了框架对于数据流特征的适应性,给出了系统框架的行为语义,设计了数据流挖掘系统的建模层次结构,综合分析了基于EPMML的数据流挖掘元数据在系统中的作用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预测模型标记语言论文参考文献
[1].朱小栋,肖芳雄,黄志球,沈国华,靳玲.基于描述逻辑的扩展预测模型标记语言EPMML[J].计算机学报.2012
[2].朱小栋.基于扩展预测模型标记语言的数据流挖掘系统建模研究[D].南京航空航天大学.2009
[3].张晓军,孟祥武.预测模型标记语言应用分析[J].计算机工程与应用.2003