基于大数据的两客一危全过程安全监管模型及平台

随着公路网络的建设完善,区域间运输效率得到极大提升。但是如何提高道路交通运输安全水平,是当前亟需解决的重大课题。在此背景下,针对道路交通运输中两客一危营运车辆的交通运行安全行为展开研究,首先分析了两客一危营运车辆的运行特征,然后构建了两客一危营运车辆非法运营判别算法模型,最后基于大数据技术设计了两客一危非法营运动态监管全过程安全监管系统框架。应用表明,基于大数据的两客一危非法营运动态监管算法,能够准确识别两客一危车辆的疑似非法运营行为,为综合执法提供有效依据。     

一种基于多层概图的高维聚类算法研究

提出一种基于多层概图的高维聚类算法,通过定义对象属性分布特征向量和对象间属性分布相似度,建立数据对象之间的联系,构造基图;运用边抽取法产生一系列逐步缩小的概图;并应用图分割法对最小的概图进行分割;概图分割反向映射到原始数据集,形成最终的聚类结果.分析表明,该算法可以有效地进行聚类知识挖掘.     

多层体系结构在数据挖掘系统中的应用研究

数据挖掘系统是计算密集型的应用系统,性能的提高是整个系统设计的关键。文章在多层体系结构理论的基础上,提出了数据挖掘系统的多层体系结构及其J2EE实现方案,通过将应用逻辑移入中间层,减少了数据库服务器的负担,增加了系统的扩展性,增强了对多用户的控制和管理,从而提高了数据挖掘系统的性能。     

基于CORBA的多层Web应用模型

文中提出了基于CORBA的3层、4层Web的应用模型， 分析了其运作机制和特点。并给出了一个基于3层模型的项目实例，对其所采用的设计思路和关键技术进行了分析。     

基于Java的多层系统模型研究

分析了传统体系结构的不足,提出了多层应用系统在Java中的实现模型.同时,由于Java具有跨平台、可移植性、安全高效等强大功能,是开发多层应用系统的理想工具.     

基于Java的多层系统模型研究

分析了传统体系结构的不足，提出了多层应用系统在Java中的实现模型。同时，由于Java具有跨平台、可移植性、安全高效等强大功能．是开发多层应用系统的理想工具：     

基于Java的多层分布式应用模型研究

分析了JDBC和RMI技术的基础上,详细介绍了基于Java的多层分布式应用系统体系结构及其实现技术,并给出了一个基于Java技术的多层分布式应用系统解决方案。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除\"鬼影(Ghost)\",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

基于Matlab的多层模糊聚类分析在学评教系统中的应用

基于Matlab平台实现了多层模糊聚类分析算法的编制。利用此算法对学评教系统进行了分类区划，为多层模糊聚类分析的应用提供了一种简便的快速运算方法。     

一种模糊多层关联规则挖掘算法

针对传统数据挖掘中的“尖锐边界”问题,采用将模糊理论和关联规则挖掘技术相结合的思想,在改进传统Apriori算法的基础上,结合多层关联规则挖掘的方法,提出了一种模糊多层关联规则挖掘算法。对模糊多层关联规则挖掘的基本概念进行了定义,详细描述了模糊多层关联规则挖掘算法。最后用Visual FoxPro6．0语言实现了该算法程序,通过交易数据库挖掘实验表明算法是有效的。     

数据挖掘中聚类算法的新发展*

在对传统聚类方法进行简要介绍的基础上,对聚类的新发展进行了较详细的归纳,总结了聚类分类方法发展的趋势。     

数据挖掘过程中的模糊聚类方法

在研究数据挖掘过程中常见的数据聚类方法的基础上，在数据挖掘中引入了模糊聚类分析的方法，分析了该方法在数据挖掘过程中的特性，讨论了其在大型数据库中的应用方法。     

聚类数据挖掘在商场顾客分析中的应用

数据挖掘用于从大量数据中发现知识,提供决策支持.本文对聚类数据挖掘应用于商场顾客分析的实现问题进行了研究.基于重庆两百商场OLTP数据库,构建了数据仓库,针对商场顾客群特征,以及顾客特征与购买商品类别之间的关系问题,建立了两个聚类数据挖掘模型,并对数据挖掘结果进行了分析.     

基于贝叶斯方法的Q型聚类算法研究

聚类分析根据类对象划分为Q型聚类和R型聚类,基于贝叶斯方法的Q型聚类算法,详细说明该算法的基本思想和具体实现过程.实验结果表明算法的可行性,该算法对于数据挖掘具有一定的参考价值.     

数据挖掘技术在高职毕业生跟踪调查中的应用

随着职业院校的不断发展以及技术的进步,数据挖掘分析已经在教育行业得到越来越多的应用。利用近几年的毕业生调查数据,经过数据清理及集成,运用EXCEL为数据挖掘分析的工具,采用了关联和聚类算法,找到了毕业生就业规律,相应地提出了提高人才培养质量和就业质量的对策和方法,最终让数据分析的成果为高职院校的改革发展提供了科学的依据。     

基于MapReduce的JP算法设计与实现

针对大规模文本聚类分析所面临的海量、高维、稀疏等难题,提出一种基于云计算的海量文本聚类解决方案。选择经典聚类算法Jarvis-Patrick(JP)作为案例,采用云计算平台的MapReduce编程模型对JP聚类算法进行并行化改造,利用搜狗实验室提供的语料库在 Hadoop平台上进行实验验证。实验结果表明,JP算法并行化改造可行,且相对于单节点环境,该算法在处理大规模文本数据时具有更好的时间性能。     

数据挖掘中的聚类浅析

聚类在数据挖掘中扮演着重要角色,本文分析了数据挖掘对聚类的性能要求,详细分析了几类主聚类算法及其性能,进一步对聚类算法提出了期望。     

数据挖掘中的聚类浅析

聚类在数据挖掘中扮演着重要角色，本文分析了数据挖掘对聚类的性能要求，详细分析了几类主聚类算法及其性能．进一步对聚类算法提出了期望。     

高维空间中的离群点发现

在许多KDD(knowledge discovery in databases)应用中,如电子商务中的欺诈行为监测,例外情况或离群点的发现比常规知识的发现更有意义.现有的离群点发现大多是针对数值属性的,而且这些方法只能发现离群点,不能对其含义进行解释.提出了一种基于超图模型的离群点(outlier)定义,这一定义既体现了\"局部\"的概念,又能很好地解释离群点的含义.同时给出了HOT(hypergraph-based outlier test)算法,通过计算每个点的支持度、隶属度和规模偏差来检测离群点.该算法既能够处理数值属性,又能够处理类别属性.分析表明,该算法能有效地发现高维空间数据中的离群点.     

一种文本聚类的增强数据挖掘方法

文本挖掘技术的基础是对文本的统计分析。通常,文本挖掘技术的基本做法是通过计算出某一个词或短语的出现频率来计算其在文档中的重要程度。但在统计分析中,其原始语义可能不是其在语句中的准确意思。为了解决这个问题,本文提出一个新的基于概念的模型框架,可以有效地找出文档间的匹配及相关联的概念。