基于BP神经网络的数据库模式匹配方法研究

摘要

随着信息技术的快速发展和互连网的普及，海量的数据出现在人们的面前，人们可以很容易地获取大量的信息，从而方便了我们的生活，学习和工作。与此同时，人们越来越倾向于综合地利用信息，但由于不同的环境和不同的设计人员，导致数据源间大多是异构的，而数据源间的这种异构性成为人们综合利用信息的一个障碍。为了解决这个问题，需要进行数据集成。进行数据集成的关键问题是发现正确的语义映射关系，即模式匹配。作为解决数据源间异构问题的关键性操作-模式匹配，已经越来越引起人们的重视。
　　 在对目前已有的属性匹配算法进行深入的研究分析后，发现基于BP神经网络的属性匹配方法在属性匹配方面较其他方法有很大的优势，能够有效的进行属性匹配。但是目前的基于BP神经网络的属性匹配方法仍然存在着。不足之处，如匹配空间过大，干扰匹配项过多，不能很好的进行异类型相同属性的匹配等。针对这些不足之处，本文提出了新的匹配算法-HPAM匹配算法，该算法由五个阶段组成，包括表的匹配阶段，相似表间属性的匹配阶段，剩余属性的匹配阶段，补充的属性匹配阶段，用户验证阶段。而且在HPAM匹配算法中提出了表匹配方法，并行训练与匹配的方法，双向过滤法及异类型相同属性的匹配方法，HPAM匹配算法提高了匹配效率，匹配查准率，匹配查全率。
　　 最后，本文通过实验对HPAM匹配算法进行验证，并对实验结果进行对比分析，实验表明了HPAM匹配算法的优越性，并讨论了今后进一步改进的方向。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 研究意义

1.4 论文研究内容及组织

1.4.1 论文的主要研究内容

1.4.2 论文的整体组织结构

第2章 相关理论知识

2.1 引言

2.2 数据库模式

2.3 神经网络概述

2.4 模式匹配

2.4.1 模式匹配概述

2.4.2 模式匹配相关理论

2.5 异构数据库间相同属性的主要匹配方法

2.5.1 基于规则的属性匹配方法

2.5.2 基于机器学习的属性匹配方法

2.5.3 属性匹配方法比较

2.6 本章小结

第3章 基于BP神经网络的属性匹配方法研究

3.1 引言

3.2 HPAM匹配流程

3.3 表的匹配方法

3.3.1 表的匹配提出的必要性及采用的方法分析

3.3.2 表匹配时表采用的数据指标体系及正规化方法

3.3.3 基于BP神经网络的表匹配

3.4 相似表间属性的匹配方法

3.4.1 相似表间属性匹配时采用的方法分析

3.4.2 数据指标体系及正规化方法

3.4.3 多个神经网络并行训练及匹配的可行性分析

3.4.4 双向过滤法

3.4.5 基于BP神经网络的属性匹配

3.5 剩余属性的匹配方法

3.6 补充的属性匹配方法

3.6.1 目前属性数据指标体系的局限性分析

3.6.2 数据指标体系及正规化方法

3.7 用户验证

3.8 HPAM的算法描述

3.9 本章小结

第4章 HPAM匹配算法实验

4.1 实验环境

4.2 实验数据集

4.3 实验评价标准

4.4 实验结果分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢