一种基于频繁闭合模式的非数值型数据聚类算法

提出了一种基于频繁闭合模式的非数值型数据聚类算法。该算法将频繁闭合模式所支持的事务集作为候选类,通过引入新颖的质量评价方法来评估频繁闭合模式的质量,并利用该方法选出高质量的频繁闭合模式进而生成最终聚类,从而有效克服了非数值型数据对象间因距离难以定义所带来的聚类困难。     

一种基于频繁闭合模式的非数值型数据聚类算法

常规鲁棒波束形成算法只适合特定误差形式,针对阵列幅相误差、期望指向误差和干扰数据失配等多种误差同时存在的情况,提出了基于等功率加载的鲁棒自适应波束形成算法。新算法通过斜投影矩阵估计出期望信号功率,且构造一组与期望信号功率相等的非相干虚拟信号,这样改进的好处是虚拟干扰功率与期望功率相等,使得宽零陷性能稳定优越,特别适合期望信号与干扰信号功率相差较大的情况。并且通过不确定集合约束保证算法在阵列误差和期望指向误差下主瓣性能稳定优越,给出了求解Lagrange乘数的数学公式,证明了迭代权值会收敛于最优权值。通过计算机仿真结果验证了新算法多种误差环境下的有效性与优越性。     

基于动态网格的数据流聚类分析*

提出的增量式数据流聚类算法DGCDS结合网格和密度技术,能够得到任意形状的聚类,通过改进网格密度的计算方式,解决了现有网格算法中丢失数据空间影响信息的问题,并且实现了关键参数的自适应设置,减小了人工参数对聚类结果的影响。     

基于网格的数据流聚类算法

本文提出的基于网格的数据流聚类算法，克服了算法CluStream对非球形的聚类效果不好等缺陷，不仅能在噪声干扰下发现任意形状的类，而且有效地解决了聚类算法参数敏感和聚类结果无法区分密度差异等问题。     

数据流层次窗口模型及聚集查询算法

本文提出了一种多层次时间窗口模型，支持在不同时段对数据流进行不同粒度的建模，并给出了多粒度聚集树结构及其数据流聚集查询算法，从而有效地解决了在有限时空条件下的数据流聚集查询问题。     

面向主题的关系—多维数据模型建立与数据集市

基于关系型数据库如何构建多维数据库的关键技术进行了深入研究,采用对星形模式分解成维表的方法,优化数据库结构,大大提高了数据的查询和处理性能,并用多维数据库实现了一个数据集市.     

E T L综述

阐述了ETL在创建数据仓库过程中的重要地位；分析了整个ETL流程，把它分为数据源验证、数据源改造、一般性变换、装载目标表和数据聚合5个阶段。最后分析了ETL产品现状、现有ETL产品的功能特点，以及今后ETL产品的发展趋势。     

基于线性链表的模糊关联规则挖掘

为改进现有模糊关联规则挖掘算法的不足,提出了一种基于线性链表的模糊关联规则挖掘算法。算法利用线性链表只存储有用的事务数据库信息,并不断利用前期的运算结果对之进行简化,减少了数据的存储开销及扫描时间,降低了算法的时间复杂度,提高了算法的效率。比较分析以及实验表明,该算法对于挖掘模糊关联规则是快速而有效的。     

一种最小生成树聚类算法

现有的聚类算法都不能在输入较少参数的情况下得到任意形状任意密度的类.提出一种最小生成树的聚类算法,该算法不但能解决上述问题,还能处理高维数据,发现异常点,且具有扩展性.针对该算法提出一个目标函数,该函数根据对象的类属情况和相似度统计信息来判别聚类效果的质量.最后,通过实验验证了该算法的聚类质量很好,目标函数具有良好的收敛性.     

高考志愿录取概率模型研究

高考是目前我国教育体制中最重要的考试之一,它关系到千万考生的切身利益,而志愿填报是其中的一个重要环节。采用概率模型的形式来描述高考志愿的录取情况,首先分析了各所高校录取分数的分布情况;接着探讨了考生成绩的标准化问题,在此基础上对历史数据进行了处理;然后提出了用矩阵的形式来存储历史数据,并给出了录取概率的计算方法;最后用湖南省2008年度的录取真实数据对模型进行了检验,实验结果表明该模型是合理的和可行的。