基于向量内积不等式的分布式k均值聚类算法

聚类分析是数据挖掘领域的一项重要研究课题．随着数据量的急剧增加,针对大数据集的聚类分析成为一个难点．虽然k均值算法具有易实现、复杂度与数据集大小成线性关系的优点,将其应用于大数据集时仍然存在效率低的问题．分布式聚类是解决这一问题的有效方法．在已有分布式聚类算法k—DMeans基础上,结合向量内积不等式关系对算法加以优化,提出分布式聚类算法k—DCBIP．理论分析和实验结果表明,算法k—DCBIP优于k-DMeans,可以有效地解决大数据集聚类问题,算法是有效可行的．     

k-LDCHD--高维空间k邻域局部密度聚类算法

聚类是数据挖掘领域的一项重要课题,高维空间聚类以数据分布稀疏、噪声数据多、“差距趋零现象”而成为难点．在分析现有聚类算法不足的基础上,引入k邻域点集、k邻域半径等概念,提出一种高维空间单参数k邻域局部密度聚类算法k—PCLDHD;为了提高算法的效率,进一步定义了参考距离等概念,并采用“双参考数据点”对数据集中的数据对象进行预处理,以减少扫描数据集的开销。提出k—PCLDHD的优化算法k—LDCHD．理论分析和实验结果表明,算法可以有效解决高维空间聚类问题,算法是有效可行的．     

基于最优K相异性的密度聚类算法研究

该文提出一种利用最优K相异性算法(OptiSim)的密度聚类算法,通过代表性子集选择技术与DBSCAN算法的结合,可显著降低I/O耗费和内存需求,使之能够有效地处理大规模空间数据库,并提出一种扩展的OptiSim代表性子集选择方法(EOptiSim),它在处理组合数据库方面能弥补基本的OptiSim方法的不足。实验结果表明文章的算法是可行、有效的。     

基于组态技术的电力企业信息系统自适应体系结构

分析了原有电力企业信息系统体系结构的欠缺，提出了一种实用的解决方案——自适应体系结构，并给出了其实现方法，系统阐述了其自动适应需求变化的方式。为今后信息系统的开发提供了一种参考模型。     

一种基于模糊集的时间序列挖掘算法的设计与实现

针对商业销售的智能分析需求,文章提出了一种基于模糊集合的数据挖掘时间序列模式算法。该算法已得到有效的应用,对企业的经营决策有一定的参考价值。     

一种解决联邦数据库系统查询处理的模式转换方法

本文在分析联邦数据库系统成员异构的特点后，论述了一种基于输入／输出模式和概念模式的转换方法，通过该转换处理可以有效地解决模式异构的问题，这种方法已在ＳＵ－ＦＤＢＳ原型中实现。     

增量关联规则在大型火力发电厂实时控制中的应用

本给出了实时数据库增量关联规则的概念基本模型在大型火力发电厂实时控制过程中的实际应用，并说明了处理互斥子序列的基本方法。     

一类数据空间网格化聚类算法的均值近似方法

随着聚类分析对象数据集规模的急剧增大,改进已有的算法以获得满意的效率受到越来越多的重视.讨论了一类采用数据空间网格划分的基于密度的聚类算法的均值近似方法.该方法过滤并释放位于稠密超方格中的数据项,并利用其重心点近似计算其对周围数据元素的影响因子.给出均值近似在聚类算法中的实现策略及其误差估计.均值近似方法在有效减少内存需求、大幅度降低计算复杂度的同时对聚类精确度影响甚微.实验结果验证了该方法能够取得令人满意的效果.     

基于网格上近似的大规模数据集离群点检测算法GROUT

通过对数据集中离群点分布特性的分析，给出离群点的解析定义，并在度量意义下采用数据空间网格化方法实现对密集数据主体的过滤，从而构造了在时间和空间上均具有极高效率的离群点检测算法。     

应用人机交互的遗传算法挖掘股票投资风险规则

介绍了人机交互的遗传算法的基本原理 ,论述了用人机交互的遗传算法挖掘股票投资风险规则的算法思想和关键问题 ,包括规则的表示与编码、适应度函数的定义以及交叉、变异和选择操作 ,提出了基于人机交互遗传算法的股票投资风险规则挖掘算法 .应用该算法从股票交易数据库中挖掘一段时间内股票涨跌与其属性之间的关系 .实验结果表明该算法是可行的和有效的 .人机交互的遗传算法对于挖掘股票投资风险规则以及求解人机合作的“可操作性”问题 ,提供了一种方法和途径