使用负载均衡技术的高可用性主机服务器集群

主机集群负载均衡技术能有效地解决主机系统的在线扩展,提高系统的性能和可用性。文章主要介绍主机集群系统中有关负载均衡的若干解决方案,其中包括数据与应用处理分离、客户服务分摊等静态均衡技术,以及交易分流等动态均衡技术,实际系统运行结果表明这些技术是行之有效的。     

快速更新频繁项集

发现频繁项集是数据挖掘应用中的关键问题，发现过程的高花费要求对增量数据挖掘算法进行深入研究，首先分析并指出了增量式更新频繁项集算法的技术难点－寻找新的有效频繁项集，其次提出了一种快速的增量式更新频繁项集算法FUFIA，最后对该算法进行了分析和讨论。     

基于离群点检测的图形图象噪声滤除算法

图形图象噪声过滤与修正,在媒体制作、图象分析与信息提取中起着十分重要的作用.虽然基于小波变换的算法能够对高斯噪声进行较好的滤噪处理,但对于随机分布于图象中的各种非高斯噪声仍没有普遍适用的滤噪方法.为了对这种随机分布于图象中的噪声进行有效的检测与滤除,采用对数字图象像素进行解析化描述的方法,从离群点检测的角度给出噪声的定义,并在此基础上构造了相应的图象噪声检测与滤除算法.实验结果表明,这一新方法对图象类型具有广泛的适应性和较好的噪声滤除效果,在大规模图形图象处理应用中具有实用价值.     

基于小波分析的预测算法在智能商务中的应用

针对智能商务系统数据挖掘的特性，应用小波分析理论，提出了基于小波分析的预测算法，并将其运用于“天商-2000”智能商务系统中。     

高维类别属性数据流离群点快速检测算法

提出类别属性数据流数据离群度量--加权频繁模式离群因子(weighted frequent pattern outlier factor,简称WFPOF),并在此基础上给出一种快速数据流离群点检测算法FODFP-Stream(fast outlier detection for high dimensional categorical data streams based on frequent pattern).该算法通过动态发现和维护频繁模式来计算离群度,能够有效地处理高维类别属性数据流,并可进一步扩     

基于网格技术的高维大数据集离群点挖掘算法

提出了一种基于网格技术的高维大数据集离群点挖掘算法（OMAGT）。该算法针对高维大数据集的分布特性，首先采用基于网格技术的方法寻找出聚类区域，并删除聚类区域内不可能成为离群点的聚类点集，然后运用局部离群因子（LOF）算法对剩下的点集进行离群点挖掘。OMAGT算法较好地实现了聚类信息的动态释放，将保留的离群点挖掘信息控制在一定的内存容量范围内，提高了算法的时间效率和空间效率。理论分析与实验结果表明OMAGT算法是可行和有效的。     

面向分布式规则挖掘的K相异性数据取样技术

提出了一种新的面向分布式规则挖掘的数据取样技术(DOptiSim方法),它是在分析了分布式环境中移动Agent技术特点和研究了最优K相异性数据多样化代表性子集选择方法(OptiSim算法)及其扩展技术(EOptiSim算法)的基础上提出的.该方法不仅能克服基于集中处理的分布式数据挖掘方法的不足,还能完成各场地数据是互相关联和互相依赖的分布式数据挖掘任务.实验结果证实该方法是可行、有效的.     

基于FP-tree的多层关联规则快速挖掘算法

研究了多层关联规则挖掘的理论和方法，提出了一种基于FP-tree的快速挖掘算法FAMML_FPT。该算法不仅实现了同层次关联规则的挖掘，也能实现跨层次关联规则的挖掘，其中引入了修补项、跨层修补项的概念，以便从低到高逐层建立FP-tree，有效减少了扫描数据库的次数，且不用产生大量的候选项集，提高了数据挖掘的效率。     

基于分块k-主色矢量量化的图像检索方法

矢量量化是图像等多媒体数据处理的重要工具之一。由于矢量量化在本质上描述了原始图像的主要特征,图像间的相似性可以通过图像矢量量化码书层次上的差异加以刻画。通过定义矢量量化码字间的距离,构造了一种用于计算图像间相似性的度量方法。在此基础上,提出一种新的基于内容理解的相似图像检索算法。由于该算法避免了图像间相似性的直接计算,在保证良好的检索精确性的同时,具有极高的检索效率。实验证明了这一方法的有效性和适用性,为图像检索提供了新的思路。     

基于压缩结构树的XML数据频繁模式挖掘研究

XML文档频繁模式挖掘是XML相关研究工作中的重要内容。在现有的频繁树结构挖掘算法WL的基础上，提出了一种高效的基于压缩结构树存储结构的XML数据频繁模式挖掘算法AFPMX_CST。该算法压缩了搜索空间，减少了扫描次数，相对于WL算法在时间效率和空间效率方面具有更加良好的性能。同时，该文进一步研究了将挖掘结果转换为相应的DTD格式的方法及过程。实验结果表明AFPMX_CST算法是可行和有效的。