基于开源框架的高质量J2EE应用架构

在分析大量高质量开源框架的优缺点基础上,提出分层解耦、一个框架管理一个应用层次思想,并通过筛选、整合、扩展多个开源框架和对比多个具体整合模式,提出优秀的J2EE应用架构(Struts Spring Hibernate),并利用此架构实际开发了一个高质量的J2EE应用.实践证明,利用整合的架框易于大规模的开发与管理,且开发的系统具用重复代码少、可扩展性和可维护性强等优点.     

基于多视图的半监督集成学习方法

针对集成学习方法中分类器差异性不足以及已标记样本少的问题,提出了一种新的半监督集成学习算法,将半监督方法引入到集成学习中,利用大量未标记样本的信息来细化每个基分类器,并且构造差异性更大的基分类器,首先通过多视图方法选取合适的未标记样本,并使用多视图方法将大量繁杂的特征属性分类,使用不同的特征降维方法对不同的视图进行降维,便与输入到学习模型中,同时采用相互独立的学习模型来增加集成的多样性。在UCI数据集上的实验结果表明,与使用单视图数据相比,使用多视图数据可以实现更准确的分类,并且与现有的诸如Boosting、三重训练算法比较,使用差异性更高的基学习器以及引入半监督方法能够有效提升集成学习的性能效果。     

高可伸缩性海量数据挖掘技术

挖掘海量数据从中发现有用的信息与知识是人们面临的重大挑战，而目前大多数挖掘算法对于海量数据的可伸缩性较差。针对频繁模式与关联规则挖掘问题，提出了数据集削减法，设计了相应的缓冲管理模型，将宽度与深度挖掘相结合，用于扩展Apriori和OpportumeProject两个算法。实验表明，扩展后的算法不仅可伸缩性大大提高，而且时间效率的提高也非常显著。     

智能学习中的知识表示和知识聚类

e-Learning中的智能化学习一直是诸多网络教育研究人员努力去解决而至今尚未有合适解决方案的一个问题。采用传统的导航方式或搜索引擎方式引导学习过程有着自身固有的缺陷。一种新的引导方式是:基于知识指定的表示和组织方式,以知识项和知识交流域(上下文)的映射来引导学习过程。这种方式以知识项得到领域专家认证为前提,通过关联规则对知识进行有效的聚类,给出一系列相关的知识项(相关案例或有关内容),向学习者提供建议性的学习内容,方便了关联学习。     

一种直接生成跨层频繁模式的算法

定义了一种基于树的跨层模式信息表示，在此基础上提出了直接生成跨层频繁模式算法TBA－CLFP，它能高效地挖掘多层特别是跨层频繁模式，实验表明TBA－CLFP的时间效率与空间可伸缩性远优于Cumulate,Apriori等经典算法，TBA－CLFP可进一步推广到数量型频繁模式挖掘。     

黑板系统的关键技术与开发

本文阐明了人工智能中黑板系统的基本结构，全面分析了黑板体系结构、知识源结构、控制机制、知识应用策略、搜索与识别问题和其中的关键技术。结合目前分布式人工智能的发展状况，探讨了黑板系统的研究方向和发展趋势。     

基于混合投影的频繁模式挖掘算法

频繁模式挖掘是最基本的数据挖掘问题，由于内在复杂性，提高挖掘算法性能一直是个难题．耶是通过数据库混合投影来挖掘频繁模式完全集的全新算法．HP混合投影思想是：任意数据集都不能简单地归入某个单一特性类别，挖掘过程应根据局部数据子集的特性变化动态地调整频繁模式树构造策略、事务子集表示形式、投影方法．HP提出基于树表示的虚拟投影与基于数组表示的非过滤投影，较好地解决了提高时间效率与节省内存空间的矛盾．实验表明，HP时间效率比Apriori，FP—Growth和H-Mine高出1～3个数量级，并且空间可伸缩性也大大优于这些算法．     

关联规则挖掘技术研究的新进展

在数据库中发现频繁模式和关联规则是数据挖掘领域的最基本、最重要的问题。自从Agrawal的开创性工作以来，有关研完从未停止过。然而由于其内在的计算复杂性，这一问题并未完全解决。本文对关联规则的基本概念和类型、重要挖掘算法、特别是近年来相关研究的新进展做了全面综述与深入分析，并指出了未来的研完方向。     

基于多阶段特征的人群疏散控制仿真研究

发生突发事件时,在人群密度较小情况下,人群速度和疏散效果是线性关系,然而当人群密度较大时,人群速度和疏散效果是非线性关系.传统的方法针对的是密度较小、平稳的人流密度变化进行疏散控制.当密度较大时,疏散速度不能过快,一旦踩踏事件发生,模型的稳定性被破坏.为解决上述问题,提出了基于突变理论和社会力修正模型的密度较大情况下的人群疏散方法.上述方法定义了速度变化系数和视角变化系数,能有效修正社会力模型,使得疏散模型与实际情况更贴切.通过对首都机场典型场景下的计算,分析和讨论了4类人群的疏散控制问题.结果表明人群疏散包括高效疏散、产生人员踩踏的疏散两个阶段.仿真结果与首都机场的应急救援演练数据相吻合,能够为大型公共场所的人群疏散提供指导.     

挖掘闭合模式的高性能算法

频繁闭合模式集惟一确定频繁模式完全集并且尺寸小得多,然而挖掘频繁闭合模式仍然是时间与存储开销很大的任务.提出一种高性能算法来解决这一难题.采用复合型频繁模式树来组织频繁模式集,存储开销较小.通过集成深度与宽度优先策略,伺机选择基于数组或基于树的模式支持子集表示形式,启发式运用非过滤虚拟投影或过滤型投影,实现复合型频繁模式树的快速生成.局部和全局剪裁方法有效地缩小了搜索空间.通过树生成与剪裁代价的平衡实现时间效率与可伸缩性最大化.实验表明,该算法时间效率比其他算法高5倍到3个数量级,空间可伸缩性最佳.它可以进一步应用到无冗余关联规则发现、序列分析等许多数据挖掘问题.