多时间粒度下时态函数依赖集的成员籍算法

为了有效地进行时态数据库设计,支持多时间粒度的时态函数依赖(TFDs)被用于时态模式的规范化。类似于传统的函数依赖(FDs),TFD集的成员籍问题是时态模式规范化所要解决的一个关键问题。由于多时间粒度的使用,使得有成员籍问题变得非常复杂。为了有效地解决此问题,分析了TFDs与FDs之间存在的联系和封闭时态类型集的特性,并且基于提出的有限导出时态类型集及其求解算法,提出一个有效地解决TFD集的成员籍问题的算法。     

时态函数依赖多值依赖混合集的成员籍问题研究

对于TFD和TMVD混合集约束的时态模式来说，由于多时间粒度的使用使成员籍问题的解决变得更加复杂．由于成员籍问题的解决对设计有效的模式分解算法必不可少，由此定义了时态类型集的强封闭集、属性集的有限闭包、属性集在给定时态类型上的有限依赖基、属性集的有限依赖基及特殊有限依赖基等概念，给出了求属性集的有限闭包、有限依赖基和特殊有限依赖基、时态混合集成员籍问题的算法，并对算法的可终止性、正确性进行了证明，对时间复杂性进行了分析，     

偏序时态模式下规范覆盖问题*

目前有效的多时间粒度时态数据库设计方法多针对全序时态模式,当时态模式的时态类型集为偏序集时,由于涉及时态类型间的最大下界等操作而使其难以实现。针对偏序时态模式的规范覆盖问题进行研究,提出了偏序TFD（时态函数依赖）集有限闭包、偏序模式属性集有限闭包、偏序无冗余覆盖和偏序规范TFD集等概念,解决了偏序TFD成员籍问题;并给出了偏序TFD集的规范覆盖算法,对其正确性进行了证明,对算法的时间复杂度进行了分析。为偏序时态模式的综合范式分解问题研究奠定基础。     

强全序时态模式中混合依赖集成员籍问题的研究

对于TFD和RTMVD混合依赖集约束的强全序时态模式来说,成员籍问题的解决对设计有效的模式分解算法必不可少.由于强全序时态模式中多时间粒度的使用,使其成员籍问题的解决变得更加复杂.为此定义了强全序时态模式下的属性集在给定时态类型上的混合闭包、属性集的混合闭包、属性集在给定时态类型上的混合依赖基、属性集的混合依赖基等概念,给出了求强全序时态模式下属性集的混合闭包、属性集的混合依赖基以及TFD和RTMVD混合依赖集成员籍问题的算法,并对算法的可终止性、正确性进行了证明,对时间复杂性进行了分析.     

具有全序时态类型集时态函数依赖集的研究

好的数据库逻辑设计目标是消除数据冗余以及插入、删除和更新异常.对于时态数据库,可以通过具有多时间粒度的时态函数依赖(TFDs)约束对时态数模式进行规范化.但是由于时间维的引入和多时间粒度的使用而给数据库设计带来巨大的复杂性.一般来说,系统所能处理的和相当多的应用所涉及到的时态类型集满足全序关系,并且具有全序时态类型集的TFD集的推导规则与传统函数依赖(FDs)的Armstrong公理有着紧密的联系.通过分析TFDs与FDs之间存在的联系,利用传统FD集的相应算法,提出了成员籍、有限属性闭包等TFD集的一些重要算法.这些算法是时态数据库进一步规范化的基础.     

多时间粒度下时态数据库设计中时态类型的处理

在许多大型信息系统中需要存储大量的历史数据．为了有效地组织这些时间变化数据，可以使用时态函数依赖（TFDs）对时态数据库进行有效地设计．由于多时间粒度的使用，数据库设计算法需要在计算机上实现表示时态类型间的关系的逻辑结构和时态类型间的相关操作．为此提出了细于关系矩阵和封闭的时态类型集，并且对于给定的时态类型集及其细于关系矩阵，给出了一个自动生成它的一个封闭集及封闭集对应的细于关系矩阵的有效算法，通过提出的细于关系矩阵和封闭集算法，可以方便地在计算机上实现时态数据库设计算法需要的时态类型间的细于关系比较和glb操作。     

一个具有多时间粒度时态函数依赖集的成员籍算法

对于具有函数依赖（FDs)约束的传统关系数据库规范化理论来说，判定一个FD是否被给定FD集所逻辑蕴涵（即成员籍问题）是非常重要的，这有助于设计有效的模式分解算法，而对于具有时态函数依赖（TFDs)约束的时态模式来说，由于多时间粒度的使用使成员籍问题的解决变得更加复杂，由此讨论了时态类型的一些特性，并提出了有限决定集的概念，基于求得属性的有限决定集，对每一个元素的左部属性集是单一属性的TFD集给出了一个有效的成员籍算法和相关的正确性证明。     

偏序环境下时态数据库中的TBCNF分解问题研究*

针对偏序时态数据库进行研究,提出了非严格偏序时态类型集、偏序时态模块模式、偏序TFD集的模式投影、偏序时态模块投影和偏序时态BC范式等概念,并给出了避免时态类型间复杂操作的偏序时态BC范式的分解算法,对其正确性、可终止性进行了证明,并对算法的时间复杂度进行了分析。为偏序时态数据库的规范化设计奠定了基础。     

强偏序时态模式中混合依赖集的成员籍问题

有效的模式分解算法设计中应着重考虑和解决成员籍问题,时态类型间偏序关系在强偏序时态模式中的存在给解决成员籍问题带来了困难。为了有效解决强偏序时态模式中混合依赖集的成员籍问题,提出了给定时态类型上的偏序混合依赖基、强偏序模式混合依赖基、偏序时态函数依赖和偏序时态多值依赖的混合集闭包、强偏序模式混合闭包等概念,给出了求混合依赖集中属性的依赖基、属性集的闭包的算法,并在此基础上给出了强偏序模式混合依赖集成员籍问题的算法,证明了其正确性及可终止性,对该算法的时间复杂度进行了分析。应用实例表明相关理论和算法能解决强偏序混合依赖集中成员籍问题的判定问题,为解决强偏序时态模式规范化问题以及时态数据库设计提供了理论基础。     

一个多时间粒度下时态模式的T3NF分解算法

对于时态数据库，时间维的引入使得如何有效地进行数据库设计以消除数据冗余和插入、删除异常显得尤为重要．可以通过支持多时间粒度的时态函数依赖（TFDs）约束对时态数模式进行规范化．但是多时间粒度的使用给数据库设计带来巨大的复杂性．一般来说，系统所能处理的和相当多的应用所涉及到的时态类型集满足全序关系．对于这种具有全序时态类型集的时态模式，通过分析TFD臬所具有的良好特性，给出了一个得到满足时态第三范式（T3NF）的无损分解的多项式时间的算法．     

A Temporal Logic for Supporting Historical Databases

Tackling data with gap-interval time is an important issue faced by the temporal database community. While a number of interval logics have been developed, less work has been reported on gap-interval time. To represent and handle data with time, a clause ‘when’ is generally added into each conventional operator so as to incorporate time dimension in temporal databases, which clause ‘when’ is really a temporal logical sentence. Unfortunately, though several temporal database models have dealt with data with gap-interval time, they still put interval calculus methods on gap-intervals. Certainly, it is inadequate to tackle data with gap-interval time using interval calculus methods in historical databases. Consequently, what temporal expressions are valid in the clause ‘when’ for tackling data with gap-interval time? Further, what temporal operations and relations can be used in the clause ‘when’? To solve these problems, a formal tool for supporting data with gap-interval time must be explored. For this reason, a gap-interval-based logic for historical databases is established in this paper. In particular, we discuss how to determine the temporal relationships after an event explodes. This can be used to describe the temporal forms of tuples splitting in historical databases. Received 2 February 1999 / Revised 9 May 1999 / Accepted in revised form 20 November 1999     

Mining Informative Rule Set for Prediction

Mining transaction databases for association rules usually generates a large number of rules, most of which are unnecessary when used for subsequent prediction. In this paper we define a rule set for a given transaction database that is much smaller than the association rule set but makes the same predictions as the association rule set by the confidence priority. We call this rule set informative rule set. The informative rule set is not constrained to particular target items; and it is smaller than the non-redundant association rule set. We characterise relationships between the informative rule set and non-redundant association rule set. We present an algorithm to directly generate the informative rule set without generating all frequent itemsets first that accesses the database less frequently than other direct methods. We show experimentally that the informative rule set is much smaller and can be generated more efficiently than both the association rule set and non-redundant association rule set.     

Relevant, irredundant feature selection and noisy example elimination

In many real-world situations, the method for computing the desired output from a set of inputs is unknown. One strategy for solving these types of problems is to learn the input-output functionality from examples in a training set. However, in many situations it is difficult to know what information is relevant to the task at hand. Subsequently, researchers have investigated ways to deal with the so-called problem of consistency of attributes, i.e., attributes that can distinguish examples from different classes. In this paper, we first prove that the notion of relevance of attributes is directly related to the consistency of attributes, and show how relevant, irredundant attributes can be selected. We then compare different relevant attribute selection algorithms, and show the superiority of algorithms that select irredundant attributes over those that select relevant attributes. We also show that searching for an "optimal" subset of attributes, which is considered to be the main purpose of attribute selection, is not the best way to improve the accuracy of classifiers. Employing sets of relevant, irredundant attributes improves classification accuracy in many more cases. Finally, we propose a new method for selecting relevant examples, which is based on filtering the so-called pattern frequency domain. By identifying examples that are nontypical in the determination of relevant, irredundant attributes, irrelevant examples can be eliminated prior to the learning process. Empirical results using artificial and real databases show the effectiveness of the proposed method in selecting relevant examples leading to improved performance even on greatly reduced training sets.