一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K-means聚类算法的优越性和存在不足的基础上,根据近两年复杂网络研究中部分新的理论成果,提出了复杂网络加权度、加权聚集度与加权聚集系数的定义,并将数据聚类转换为复杂网络上的节点聚类,提出基于加权复杂网络特征的K-means聚类算法(简称WCNFC算法)。实验结果表明,该算法根据节点加权复杂网络特征值,能够较好地找到聚类中心,有效地避免了对初始化选值敏感性的问题,从而使得聚类质量大大提高。     

一种新的软件Agent设计的评价标准:用户自治性

本文提出了软件Ａｇｅｎｔ设计中的用户自治性标准,我们认为用户自治性是Ａｇｅｎｔ设计中需要考虑的重要方面,探讨了自治性标准在Ａｇｅｎｔ设计中的定义以及Ａｇｅｎｔ如何影响用户自治性,并在此基础上提出了一个新的软件系统模型。     

知识的约简研究

本文首先给出了知识约简问题的形式定义,然后详细描述了知识库中面向范畴的约简,面向属性的约简和面向规则的约简方法,分别提出了面向属性的约简算法和面向规则的约简算法,最后进行了一些讨论。     

一个高效的关联规则增量式更新算法

针对关联规则的维护问题,设计了一个高效的增量式更新算法ＦＩＵＡ,并将ＦＩＵＡ和已有的ＩＵＡ算法进行了比较,并通过实验证实了ＦＩＵＡ算法的高效性。     

空间关联规则发掘的一种渐进求精算法

由于空间数据具有不同于事务型数据的特点,使得针对事务数据的挖掘算法不完全适用于空间数据．通过近似．求精的渐进方法,可以得到有效的空间关联规则挖掘算法．     

基于商空间模型的CBR系统

传统的CBR系统采用平面结构，系统在运行过程中不断学习，范例库将变得越来越大，当范例数超过某一预设的上界时，就会出现“沼泽问题”。为了解决这个问题，该文提出了基于商空间模型的CBR系统，采用分层递阶的立体结构，在运行阶段将惰性学习算法与积极学习算法相结合。实验表明利用本方法构造的CBR系统实现E-mail分类预测时，系统的性能和有效性都得到了很大的提高。     

抽样在数据挖掘中的应用研究

大规模数据集是数据挖掘高效实现的障碍。抽样是统计学中一种常用的调查方法，作为克服该障碍的方法，抽样被引入数据挖掘中。在国外，抽样在数据挖掘中的应用研究已比较广泛，而国内相关研究很少。本文在总结现有相关工作的基础上，系统介绍了数据挖掘中抽样的应用及其相关问题。相信抽样在数据挖掘中的应用研究将推动数据挖掘的发展。     

染色问题的网络特性

染色问题是约束满足问题的一个经典问题，通过分析染色问题的经典实例，发现染色问题具备复杂网络中常见的“小世界”特性，即染色问题所构成的网络中，任意两个节点之间的平均路径长度很小，整个系统呈现出高聚集度的特性，以及节点度的特异分布，这些特性是随机图所不具备的，因此，以随机图做染色问题测试集的传统方法是不完善的，在实验中同时发现，染色问题中最小染色数的大小与系统聚集度的大小密切相关，随聚集度的增大，呈指数关系增大。     

具有非一致性数据预处理的粗糙集特征选择算法

大多数特征选择算法面临着对非一致性数据缺乏有效的处理的问题。本文提出了一种处理非一致性数据的方法，采用阈值将非一致性数据做归类处理，当某一类非一致性数据的某个取值比例超过了该闽值，则该类数据都取该值，并只保留一条记录。在此基础上，本文提出了一种改进的基于粗糙集理论的特征选择算法。     

构建基于Browser/Server的统计分析COM组件

利用Browser／Server架构、COM组件和SOAP协议等先进技术．并在有针对性改进原有统计算法的基础上，构建出了一种基于Browser／Server架构的统计分析COM组件—Stana．这个组件系统在实际应用中高效稳定，性能优良，评价较高。