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

Der Schwerpenkt des beantangten Projektes liegt in der Entwickrun eines Neuen Data-Mining Systems für Heterogene Daten，das auf einem Neuronalen Netz der ART(自适应共鸣理论)-Familie e Basiert.我是Gegensatz zu bereits it is is istierenenenden ansätzen it it Mehrfachkassifikation von progenen en Daten im vordergrund，we bebeeein ein Objekt mehrere KlassenLabels Hat.DAS系统是一种自动化的系统，它的目的是为了更好地满足客户的需求。这句话的意思是：我不知道这句话的意思是什么，但我不知道。在实践中，我们并不能解决世界上存在的各种问题。他说：“这是一种非常好的生活方式。在此基础上，提出了一种分析数据的方法--数据挖掘。Es sind Neue Methoden erforderlich，die zusätzliche Information Alternativer Datenquellen osnutzen könnnen.在分子生物学中，所有的问题都发生在新的环境中。在Der Funktionellen Genomik Stehen beispielSweise mehrere Datenquellen zur Verfügung中，所有的Funktionalität von unbekannten Genen beitragen。

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.