基于聚类的动态物化视图选择研究

物化视图选择方法大多是静态的,违背了联机分析处理和决策支持系统的动态本质.现有的动态算法也不能实现完全的动态化,为此提出了一种数据仓库中基于聚类的动态物化视图选择算法CBD-MVS(clustering-based dynamic materialized view selection),该算法采用层次聚类技术对用户查询语句进行聚类,提出视图合并算法建立候选物化视图,利用BPUS(benefit per unit space)算法生成最终应该被物化的视图.实验结果表明该算法是有效可行的,由于采用聚类技术,实现了完全的动态化.     

基于核空间相对密度的SVDD多类分类算法*

针对现有基于支持向量数据描述(SVDD)的多类分类算法未能充分利用重叠区域样本分布信息等问题,提出了一种基于核空间相对密度的SVDD多类分类算法DM-SVDD。该算法首先由SVDD确定包围每类数据的最小超球,然后计算位于最小超球重叠区域中每个样本在其同类样本间的相对密度,最后以各类样本相对密度的均值为标准,对重叠区域内的待测样本进行分类。实验结果表明,算法DM-SVDD是可行有效的。     

基于模糊规则的学习者认知水平估算方法

认知水平估算是远程学习系统中实现学习导航和知识推荐的一个重要依据.针对现有的估算方法存在计算方式单一、逻辑推理简单等问题,提出了一种用模糊集表示认知水平等级,以记忆量为判断标准、试题难度和做题时间为影响因素,通过模糊推理产生对认知等级不同的影响参数,并利用影响参数和改进的SherlockⅡ方法修改认知水平的等级隶属度的方法.通过和其他方法比较,得出本方法逻辑合理、计算简便,能够合理地反映学习者的认知过程.     

城市交通均衡流分配的多模式模型及算法

本文建立了城市交通均衡流分配的多模式模型。在深入分析Frank-Wolfe算法的基础上,提出一种加速收敛的新算法——FWN法。实例计算表明,其结果令人满意。     

基于分布数据库的快速关联规则挖掘算法

关联规则发现是数据挖掘的重要研究内容,随着数据库中数据的不断增加,大数据集环境下的关联规则发现日益受到重视,分布式关联规则发现是解决这一问题的有效方法。分布式数据库环境下的关联规则挖掘算法中,时间开销主要体现在两方面(:1)频繁项目集的确定;(2)网络的通讯量。为了解决第一个问题,文章提出了一种基于二进制形式的候选频繁项目集生成和相应的计算支持数算法,该算法只需对挖掘对象进行一些”或”、”与”、”异或”等逻辑运算操作,显著降低了算法的实现难度。将该算法与DMA算法相结合提出改进算法FDMA。理论分析和实验结果表明,算法FDMA大大提高了关联规则挖掘的效率,算法是有效可行的。     

约束最大频繁项目集的增量式更新算法

发现约束频繁(约束最大频繁)项目集是多种数据挖掘应用中的关键问题，目前已有许多算法可用于发现约束频繁(约束最大频繁)项目集，而对约束频繁(约束最大频繁)项目集维护问题的研究工作却很少。因此，需要设计高效的算法来更新、维护和管理已挖掘出来的约束频繁(约束最大频繁)项目集。为此。该文提出了一种快速的增量式更新约束最大频繁项目集算法IUACMFI，并举例说明了算法的执行过程。     

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Cascade的增量式组合分类算法研究

利用Learn++思想对Cascade组合分类器进行了改进,提出了一种基于Cascade的增量式组合分类算法,并将之应用到肝脏图像的分类中。实验结果表明,与原有组合分类器相比,该增量式组合分类方法可以在保证分类准确度的前提下有效地提高新增样本的学习效率。     

基于Cascade组合分类器的医学图像分类方法研究

提出了利用Cascade组合方法生成基于贝叶斯、神经网络与决策树的组合分类器,并将之应用到肝脏图像的分类中。实验结果表明,与现有医学图像分类方法相比,该组合方法可以有效地提高医学图像分类的准确性和稳定性。     

关联规则挖掘中若干关键技术的研究

Apriori类算法已经成为关联规则挖掘中的经典算法,其技术难点及运算量主要集中在以下两个方面：①如何确定候选频繁项目集和计算项目集的支持数;②如何减少候选频繁项目集的个数以及扫描数据库的次数．目前已提出了许多改进方法来解决第2个问题,并已取得了很好的效果．然而,对于第1个问题,仍沿用Apriori算法中的解决方案,其运算量是较大的．为此,提出了一种基于二进制形式的候选频繁项目集生成和相应的计算支持数算法,该算法只需对挖掘对象进行一些“或”、“与”、“异或”等逻辑运算操作,显著降低了算法的实现难度,将该算法与Apriori类算法相结合,可以进一步提高算法的执行效率,实验结果也表明算法是有效、快速的．