一种基于倒排索引树的增量更新关联挖掘算法

增量更新关联规则挖掘主要解决事务数据库中交易记录不断更新和最小支持度发生变化时关联规则的维护问题。针对目前诸多增量更新关联规则挖掘算法存在效率低、计算成本高、规则难以维护等问题,提出一种基于倒排索引树的增量更新关联挖掘算法。该算法有效地将倒排索引技术与树型结构相结合,使得交易数据库中的数据不断更新和最小支持度随应用环境不同而不断改变时,以实现无需扫描原始交易数据库和不产生候选项集的情况下生成频繁项集。实验结果表明,该算法只需占用较小的存储空间、且检索项集的效率较高,能高效地解决增量更新关联规则难以维护的问题。     

测发控软件组态开发平台的设计与应用

通过配置和定制式开发,为了适应并满足快速构建运载火箭测发控软件的业务需求,提出一种以实时内存数据库为核心,多个软件构件为基础的组态式软件开发平台;为设计人员提供了统一的开发接口和应用模式,可根据具体需求选择不同的构件和模块进行组态配置和定制式开发;目前在该平台基础上开发的数十项测发控软件已经成功应用在多个运载火箭型号之中,证明其灵活的结构设计和高复用构件能够很好地满足需求的快速响应,极大提高了测发控软件的实时数据服务与应用水平.     

基于领域知识的协同过滤推荐算法

传统协同过滤推荐算法中项目相似度的计算建立在用户评分项目交集之上,没有考虑不同项目之间所存在的语义关系,致使推荐准确率低。基于领域知识进行项目相似度计算的协同过滤算法在用户评分的共同项目很少的情况下仍能给出不错的推荐。实验结果表明,该算法可以有效地解决用户评分数据极端稀疏的问题,提高推荐系统的推荐质量。     

基于同义替换和相邻词合并的关键词特征权重计算新方法

特征项权重计算是文本挖掘中关键词提取的核心,其计算方法的好坏对文本挖掘的结果有着重要的影响。本文在对关键词提取特征项权重计算的传统TFIDF算法分析的基础上,为减少该算法特征权重计算时对词频的过于依赖,提出一种基于同义替换和相邻词合并（KSRAM）的特征权重计算方法。为检验算法性能,对KSRAM算法和传统TFIDF算法进行了关键词提取对比实验,实验表明KSRAM算法在关键词提取的准确率和召回率方面比传统TFIDF算法有明显的提高。     

试谈Windows NT操作系统登记项的完整性

通过对Windows NT的操作系统及Windows中的.INI文件介绍,较全面、深入地介绍了Windows NT中的配置数据库登记项,对Windows NT如何维护登记项的完整性进行了讨论。     

关联规则的快速提取算法

针对基于频繁项集的关联规则挖掘算法效率低,需要多次扫描数据库且生成冗余候选项集问题,该文利用频繁项集的Aprior性质和概念格的基本思想提出一种关联规则提取算法,利用极大频繁项集来进行规则提取,去除了多数冗余的候选项集,提高了提取效率。     

J2EE企业场景式模拟教学

目前J2EE已成为非常流行而且成熟的主流技术。市场对J2EE人才的需求量猛增,为了适应企业的需要,提升毕业生的就业率,很多高职院校都开设了J2EE,J2EE教学也都采用了一些新颖的教学方法,但是总存在一定的局限性。究竟采用何种教学方法,才能显著提高教学效果,是近几年来教育界普遍关注和研究的热点。该文详细阐述J2EE企业场景式模拟教学,如何将企业实际的软件开发流程和运作方式引入课程教学环节,不但使得教学紧跟当前企业需求,而且让学生对软件开发流程形成系统的认知和理解。     

CVS在小城镇电子政务系统中的应用

介绍了软件配置管理工具CVS的运行机制及其功能特点,以及小城镇电子政务系统的体系结构和运行模式.针对在小城镇电子政务系统开发中产生的问题,CVS规范了软件开发流程,降低了管理难度,提高了开发效率,使整个开发过程在受控制、高效率的情况下进行,提高系统的可靠性、代码及文档的全面性与可追踪性.     

线性逻辑方程组的解

软件设计和硬件设计中经常遇见用逻辑方程或逻辑方程组表示的数学模型,讨论这类数学模型的求解问题是非常必要的.给出了AX=0,AX=1,AX=B,AY=1(X中不含逻辑非变量,Y中含逻辑非变量)等类型的线性逻辑方程组有解,有惟一解的充分必要条件,讨论了解的个数并给出了求解公式或解集表示式,阐明了任何形式的逻辑方程或逻辑方程组都可转化为线性逻辑方程组求解,采用置换矩阵和极大项两种方法,系统全面地解决了线性逻辑方程组、一般逻辑方程和一般逻辑方程组的求解问题.     

基于数据库划分的关联规则算法

关联规则是数据挖掘的一个重要研究方向.分析了FP算法的优缺点,提出了一种基于数据库划分的算法PFp算法,从理论上证明了该算法的正确性.该方法将事务数据库划分为子事务数据库,在子事务数据库中挖掘局部频繁项集,并入到全局频繁项集中,采用连接和剪枝策略有效挖掘出局部不频繁但全局频繁的频繁项集.实验结果表明,该算法比FP算法更加有效.