为地理数据库设计有效性规则

设计地理数据库就是将所要描述空间地理数据进行有效组织和管理。在进行地理数据库设计过程中,对空间数据的有效性的处理成为设计地理数据库的关键一步。规则(rule)是保证数据有效性的有效工具,因此为地理数据库设计数据有效性规则就成为保障地理数据有效性的首选工具。地理数据库的规则具体可分为属性域规则、关系规则和连接规则三大类。该文将重点围绕这三大类规则进行详细论述。     

多数据库中的负关联规则挖掘技术及发展趋势

负关联规则反映了数据项之间的互斥关系,能提供很多有用的信息,在决策支持中起重要作用,但现行的挖掘算法主要是针对单一数据库的挖掘,多数据库中负关联规则的挖掘还未引起重视。该文介绍负关联规则的研究现状、主要挖掘方法以及冗余正负关联规则的修剪方法,对多数据库中关联规则挖掘研究现状和主要技术进行论述,并展望多数据库中负关联规则挖掘的发展趋势。     

数据库中全部负关联规则挖掘研究

数据库中关联规则信息是知识的表述形式之一,负关联规则挖掘是数据库关联信息挖掘的重要研究内容,具有广泛的应用范围。现有的挖掘方法不能获取数据库中全部的负关联规则,考虑从数据库中提取全部的负关联规则,通过(1)扫描数据库建立数据库频繁模式树DFP-tree(Database Frequent Pattern tree);(2)在精简DFP-tree的基础上获取全部极小非频繁项集ASI;(3)对ASI中极大频繁项集的向上闭包,得到全部非频繁项集;(4)在此基础上采用相关度作为规则兴趣度量之一提取负关联规则。理论和实验表明算法的正确性和效率。     

基于数据挖掘的课程相关性研究与分析

关联规则是数据库中某些特定事件同时发生的概率的简单陈述。关联规则挖掘就是利用特定方法发掘数据库中潜藏的关联规则的过程。文中主要运用数据挖掘中的关联规则和AprioriTid算法,以考务数据库为挖掘对象,并在挖掘过程中充分运用数据库技术适时地对挖掘数据进行筛选,有效地提高了挖掘效率。最后,对课程间的相关性进行了分析和研究,得到了有效性的结论。     

主动数据库系统的规则机制及应用

主动数据库是数据库系统发展的主要方向之一。实现主动数据库功能的方法主要有规则、存储过程和触发器。文章讨论了主动规则机制，介绍了RDBMS的规则定义和实现方法，并对MS SQL Server数据库管理系统的规则创建方法和特点进行了详细描述。     

数据库的数据完整性规则

数据库的内容经常成为一些重大商业决策的依据。要使数据库始终保持正确和完整,你就必须建立相应的数据完整性规则。正象我在上一期中所谈到的,如果你所使用的数据库管理系统支持完整性规则,那你只需向数据库声明完整性规则即可;否则,你就必须自己写程序来实施数据的完整性规则。 在本文中,我将讨论几种不同的数据完整性规则。关系模型定义了     

用户兴趣导向的探索式知识发现研究

提出了一个基于定向原子规则的非精确关联规则挖掘算法ARA,以支持用户兴趣导向的探索式知识发现。ARA算法采用一个两层的Hash表结构对数据库事务中与定向原子规则对应的项进行计数。复合规则通过频繁的原子规则前件项组合和支持度和置信度的估算得到。ARA只需一次数据库扫描。实验结果表明ARA算法的速度快,消耗的内存少,非常适合大型数据库和响应速度要求高的数据挖掘环境。     

基于数据挖掘建立动态人事管理决策系统

运用关联规则发现方法对人事信息库进行数据挖掘,生成了对当前数据库有效的关联规则,为高校管理决策提供科学依据。但数据库的更新操作经常发生,原来有效的部分规则可能在更新后的数据库中会成为无效,原无效的部分规则也同样有可能会成为有效。文章提出了EPUA算法,有效解决了数据更新后关联规则的更新问题,对FUP2算法进行了补充和改进。     

主动机制数据库技术应用研究

本文介绍了主动机制数据库的研究与开发的主要内容。为了适应计算机仿真系统对实时性和交互性的高要求,本文提出一种新的提高体系仿真实时性和交互性的方法—主动机制数据库技术。主动机制数据库动态监视后台数据库中的数据状态的变化,通过主动机制对这些数据进行管理,形成主动数据库管理系统。本文首先简单介绍了主动数据库的概念和典型的代表系统。然后从主动数据库的定义、规则的表示、规则的存储结构、规则的处理等方面详细说明了主动数据库技术的设计思想。最后以飞控数据库系统(FCS-DBS)为例,说明了主动机制数据库的应用。     

利用潜在语义分析和关联规则挖掘构造同义与关联词集

本文提出了一种基于XML数据库的关联规则分析模型。在对XML数据库和XQuery查询语言作了简要介绍以后,提出了基于XML数据库的关联规则分析的研究思想,并描述了基于这个思想进行关联规则分析的模型。最后,通过一个例子说明了如何利用这个模型进行关联规则分析的具体过程。     

基于重要点的多分辨率检索法的时间序列表示

时间序列的表示是时序数据挖掘的一个重要问题.重要点的分段表示法(IP)是目前应用最为广泛的时间序列特征提取方法之一,具有较好的数据压缩和去除噪声能力,但参数的选择对时间序列的近似效果有很大的影响而且难以找到重要的转折点.基于多分辨率的重要点检索分段方法(MIP)也是一种时间序列特征提取方法,该方法能很好地近似时间序列,但检索次数难以确定且运行效率比较低.为了改进以上两种方法的缺陷,提出了一种新的基于重要点的多分辨率检索表示法(MRIP).实验结果表明,与基于重要点分段方法相比,该方法误差更小,具有很好的压缩率,并能去除噪音干扰;与基于多分辨率的重要点检索分段方法相比,能较好地确定检索次数的范围,在近似效果相当的情况下,运算效率更高.     

基于点分布特征的多元时间序列模式匹配方法

多元时间序列模式匹配的常用方法难以刻画序列的全局形状特征,比如,Euclid方法的鲁棒性不够强;而PCA方法不适合处理小规模多元时间序列.基于点的统计分布提出了一种能够有效刻画多元时间序列形状特征的模式匹配方法.首先,提取多元时间序列样本的局部重要点,作为模式描述的方式;然后,根据重要点的统计分布特点构建特征模式向量,并借助Euclid范数来度量两个特征模式向量之间的相似程度,进而进行多元时间序列模式匹配.采用该方法进行模式匹配,充分利用了序列的全局形状特征.实验结果表明,基于点分布特征的多元时间序列模式匹配能够有效地刻画序列的形状特征,且能处理多种规模的序列数据.     

时间序列的层次分段及相似性度量

时间序列的相似性度量是时间序列数据挖掘的研究基础,为数据挖掘任务的效率和准确度提供可靠的保障。提出一种时间序列的层次分段及相似性度量方法,方法首先识别时间序列中的极值点,依据极值点的特征对时间序列进行分层次分段,并以此为基础,通过定义新的距离公式来度量时间序列间的相似性。使用新提出的相似性度量方法对时间序列进行聚类计算,实验结果表明,该方法能够有效地度量时间序列间的相似性,聚类效果明显,具有较好的实用性和良好的应用前景。     

基于shapelets学习的多元时间序列分类

多元时间序列广泛存在于日常生活中的各个领域,多元时间序列分类是从时间序列数据中获取信息的基本方法。目前,时间序列分类研究面临着相似性度量方法特殊、原始数据维度高等问题,现有的多元时间序列分类方法的分类性能仍有待提高。文中提出一种基于shapelets学习的多元时间序列分类方法。首先,提出了新的正则化最小二乘损失学习框架下的shapelets学习方法,在此基础上采用基于shapelets的一元时间序列分类方法对多元时间序列的每维一元数据进行分类,随后由各维上的分类结果投票决定多元时间序列的最终分类结果。实验证明,所提方法在多元时间序列分类问题中能够取得较高的分类精度。     

时间序列预测方法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。针对时间序列预测方法,着重介绍了传统的时间序列预测方法、基于机器学习的时间序列预测方法和基于参数模型的在线时间序列预测方法,并对未来的研究方向进行了进一步的展望。     

时间序列的自适应误差约束分段线性表示

实际过程中采集到的时间序列数据通常是海量数据,在原时间序列数据上直接进行数据挖掘的效率通常是低下的,有时甚至不可行,因此就须将时间序列在更高的层次上进行表示。借鉴时间序列线性分段的基本思想,提出了一种自适应误差约束的分段线性表示方法,该方法在查找出时间序列特殊点的基础上,通过给定误差e进行调节,可以自动地产生拟合线段的数目。不仅可以压缩数据,去除噪声,还能得到时间序列的模式变化特征。与一般的分段线性表示相比,文中方法的拟合误差更小,适应能力更强。     

Time series prediction using Lyapunov exponents in embedding phase space

This paper describes a novel method of chaotic time series prediction, which is based on the fundamental characteristic of chaotic behavior that sensitive dependence upon initial conditions (SDUIC), and Lyapunov exponents (LEs) is a measure of the SDUIC in chaotic systems. Because LEs of chaotic time series data provide a quantitative analysis of system dynamics in different embedding dimension after embedding a chaotic time series in different embedding dimension phase spaces, a novel multi-dimension chaotic time series prediction method using LEs is proposed in this paper. This is done by first reconstructing a phase space using chaotic time series, then using LEs as a quantitative parameter to predict an unknown phase space point, after transferring the phase space point to time domain, the predicted chaotic time series data can be obtained. The computer simulation result of simulation showed that the proposed method is simple, practical and effective.     

基于时间序列趋势转折点的分段线性表示*

在充分利用时间序列时变特征的基础上,以有效地提取序列中的趋势和压缩原始数据为目标,提出了基于时间序列趋势转折点的分段线性表示方法。该方法在有效地提取序列中的趋势和压缩原始数据的同时,能够随着时间序列长度的增长对序列进行划分,具有高效、实现方法简便、效果直观的优点,对于不同领域的数据适应性良好。     

时间序列可变尺度的时频特征求解及其分类

对于许多实际应用来说,获取多个不同窗口尺度上的模式,有助于发现时间序列的不同规律性特征.同时,通过对时间序列时域和频域两方面的分析,有助于挖掘更多的知识.提出了一种新的基于可变尺度的时域频域辨别性特征挖掘方法以及应用于分类的算法.主要采用了不同尺度窗口、符号聚合近似技术以及符号傅里叶近似技术等,以有效地发掘时间序列不同尺度时域频域模式;与此同时,使用统计学方法挖掘部分最具辨别性的特征用于时间序列分类,有效地降低了算法时间复杂度.在多个数据集上的对比实验结果,说明了该算法具有较高的准确率;在真实数据集上的解析,表明了该算法具有更强的可解释性.同时,该算法可扩展应用到多维时间序列分类问题中.     

Learning patterns of states from multi-channel time series using genetic programming

A state in time series is time series data stream maintaining a certain pattern over a period of time, for example, holding a steady value, being above a certain threshold and oscillating regularly. Automatic learning and discovery of these patterns of time series states can be useful in a range of scenarios of monitoring and classifying stream data, for example, activity recognition based on body sensor readings. In this study, we present our genetic programming (GP)-based time series analysis method on learning various types of states from multi-channel data streams. This evolutionary learning method can handle relatively complex scenarios using only raw input. This method does not require prior knowledge of the relationships between channels. It does not require manually defined feature to be constructed. The evaluation using both artificial and real-world multi-channel time series data shows that this method on raw input can outperform classic learning methods on pre-defined features. The analysis shows patterns can be discovered by the GP method.