Data-Mining von heterogenen Daten mit ART-(Adaptive Resonanz Theorie)-basiertem neuronalem Netz

该Schwerpunkt des beantragten Projektes liegt in der Entwicklung eines neuen Data-Mining Systems für heterogeneate Daten，das auf eine neuronalen Netz der ART-（Adaptive Resonanz Theorie）-Familie basert. In Gegenetzu bereits untierenden Ansätzen steht die Mehrfachklassifikation von heterogenen Daten im Vordergrund，wobei ein Objekt mehrere Klassenlabels hat.该系统也可以自动识别一个由组合式数据处理器自动识别的知识库。Daddy kann verborgenes Wissen aus heterogenen Daten abgeleitet韦尔登和das Verständnis des Anwenders für Datenentstehungsprozesse wesentlich verbessert韦尔登。这是一个很大的问题，因为在实践中，我们经常遇到一些问题，比如经常出现错误的Möglichkeiten问题，或者经常出现错误的数据。这些不寻常的Beschreibungen lassen sich unter Umständen schwer kombinieren，aber sie ergänzen einander gegenseitig.本文介绍了一种基于传统知识的数据挖掘方法。这是一种新的方法，这种方法可以将数据转换为信息。Mehrfachklassifikation和Erkennung neuer，bislang unkannter Zusammenhänge zwischen unterschedlichen Beschreibungen eines Problemfeldes sind z.B. in molekularbiologischen分子生物学Anwendungen entscheiden entscheiden.在功能基因组学中，需要对所有未被发现的基因功能进行分析。

Der Schwerpunkt des beantragten Projektes liegt in der Entwicklung eines neuen Data-Mining Systems für heterogene Daten, das auf einem neuronalen Netz der ART-(Adaptive Resonanz Theorie)-Familie basiert. Im Gegensatz zu bereits existierenden Ansätzen steht die Mehrfachklassifikation von heterogenen Daten im Vordergrund, wobei ein Objekt mehrere Klassenlabels hat. Das System soll auch die automatische Erstellung einer gemeinsamen Wissenshierarchie aus der Kombination verschiedener Datenquellen ermöglichen. Dadurch kann verborgenes Wissen aus heterogenen Daten abgeleitet werden und das Verständnis des Anwenders für Datenentstehungsprozesse wesentlich verbessert werden. Dieses Ziel ist von großer Bedeutung, weil in der Praxis für die Beschreibung eines Problems oft verschiedene Möglichkeiten existieren oder mehrere unabhängige Datenquellen zur Verfügung stehen. Die unterschiedlichen Beschreibungen lassen sich unter Umständen schwer kombinieren, aber sie ergänzen einander gegenseitig. Der Einsatz von konventionellen, auf der Analyse eines Datensatzes beruhenden Data-Mining Verfahren ist in diesem Fall unzureichend. Es sind neue Methoden erforderlich, die zusätzliche Information alternativer Datenquellen ausnutzen können. Die Mehrfachklassifikation und die Erkennung neuer, bislang unbekannter Zusammenhänge zwischen unterschiedlichen Beschreibungen eines Problemfeldes sind z.B. in molekularbiologischen Anwendungen entscheidend. In der funktionellen Genomik stehen beispielsweise mehrere Datenquellen zur Verfügung, die alle zur Analyse der Funktionalität von unbekannten Genen beitragen.