目前,在石化行业,部分厂家已经实施了传统的决策支持系统,随着数据仓库、OLAP、数据挖掘技术的涌现,这种典型的流程型企业对决策支持提出了更高的要求.该文首先介绍了数据仓库、数据挖掘及决策支持系统的一些理论及知识,接着详细介绍了石油天然气公司基于数据仓库、OLAP及数据挖掘的新决策支持系统应用实例.分析了该公司引入新决策支持系统的必要性,介绍了新决策支持系统的总体架构,论述了其数据仓库的具体设计、OLAP的具体应用、数据挖掘模块的设计.在数据挖掘模块的设计中采用了关联规则探索出故障参数之间的影响规律;使用聚类分析算法建立了参数的聚类模型,为生产设备是正常还是非正常、是常规还是非常规运行提供了理论依据.然后在这个基础上面,进行数据挖掘相关领域的研究,主要探讨支持向量机应用于数据挖掘方面的研究.支持向量机是在统计学习理论的基础上发展出来的一种新的机器学习方法.它基于结构风险最小化原则上的,尽量提高学习机的泛化能力,具有良好的推广性能和较好的分类精确性,能有效的解决过学习问题,现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法.另外,支持向量机算法是一个凸优化问题,局部最优解一定是全局最优解,这些特点都是包括神经元网络在内的其它机器学习算法所不能及的.因此把支持向量机引入数据挖掘领域很有意义.针对支持向量机,该文首先介绍了统计学习理论和在此基础上发展起来的支持向量机方面的知识,介绍了支持向量机分类、回归方面的算法,并论述了支持向量机处理多类分类方面的知识,总结了当前几种适合处理大数据量的改进支持向量机算法.在这个基础上,该文介绍了目前能够处理大数据集的一种比较先进的支持向量机算法—LSVM,分析了LSVM的特点,结合主成分分析方法,提出了对LSVM的一种改进算PLSVM,并且给出相关的实验结果.接着,该文论述了支持向量机算法的三个应用实例:支持向量机在供应链伙伴企业选择中的应用、支持向量机在上海石油天然气公司副产品产量预测中的应用、支持向量机在数控磨床故障诊断中的应用,其中,前两者应用了支持向量机的回归算法,第三个实例应用了支持向量机的分类算法,并对噪声数据进行了预处理.在论文的最后对该课题的研究内容进行了总结,对进一步的研究课题和推广应用工作进行了展望.