关联规则挖掘中Apriori算法的研究与改进

经典的产生频繁项目集的Apriori算法存在多次扫描数据库可能产生大量候选及反复对候选项集和事务进行模式匹配的缺陷,导致了算法的效率较低。为此,对Apriori算法进行以下3方面的改进:改进由k阶频繁项集生成k+1阶候选频繁项集时的连接和剪枝策略;改进对事务的处理方式,减少Apriori算法中的模式匹配所需的时间开销;改进首次对数据库的处理方法,使得整个算法只扫描一次数据库,并由此提出了改进算法。实验结果表明,改进算法在性能上得到了明显提高。     

NAT网络地址转换技术分析

介绍了NAT网络地址转换技术的基本原理和分类,分析了内网到公网主机通信、不同NAT后方主机相互通信的解决方案和实现过程.NAT技术有效地缓解了公有IP地址的不足,解决了路由表规模扩大的问题.     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法,提出了一种基于信息增益的属性约简算法.该算法总是优先考虑对于决策更为重要的属性,用条件属性对决策属性的信息增益作为条件属性的属性重要性度量,并以此度量作为启发式信息,算法从空集开始逐步将重要的属性加入到选择属性集,直到决策表达到一致分类时结束.并通过实例分析验证了该算法能有效地对属性进行约简,同时可以得到简单规则集.     

基于MANET的分簇算法研究

分簇是一种能将节点分成逻辑上独立的组的机制，在MANET中应用分簇算法得到的分级式结构能提高网络的总体性能．介绍了分簇算法的构成和度量分簇算法性能优劣的标准，并对几类典型的分簇算法进行了分析和比较，最后指出了其中存在的问题．     

NAT网络地址转换技术分析

介绍了NAT网络地址转换技术的基本原理和分类，分析了内网到公网主机通信、不同NAT后方主机相互通信的解决方案和实现过程．NAT技术有效地缓解了公有田地址的不足，解决了路由表规模扩大的问题．     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法，提出了一种基于信息增益的属性约简算法．该算法总是优先考虑对于决策更为重要的属性，用条件属性对决策属性的信息增益作为条件属性的属性重要性度量，并以此度量作为启发式信息，算法从空集开始逐步将重要的属性加入到选择属性集，直到决策表达到一致分类时结束．并通过实例分析验证了该算法能有效地对属性进行约简，同时可以得到简单规则集．     

一种基于序贯三支决策的图像识别方法

基于序贯三支决策的图像识别方法仅考虑测试样本与支持向量机(SVM)分离超平面的符号距离,忽略了已有粒度层的信息,图像识别性能有待提高。提出一种新的置信度评价(dual confidence score and ensembling, DCE),将符号距离结合测试样本与特征空间中每一类训练样本中心的距离作为基本置信度,用于序贯三支决策时,将较粗粒度层无法识别图像的置信度与当前粒度层的置信度合并进行评价,有效地利用已有信息,提高识别准确度,在粒度层较粗时也能进行决策,提升了识别效率。在Caltech-101和Caltech-256数据集上使用两个经典预训练模型进行验证,与现有三支决策图像识别方法相比,实验结果表明该方法能有效提升识别的准确度和效率。     

基于粒计算的概念聚类算法

背景知识的合理利用可以降低聚类结果和先验知识之间存在的不协调性,提高聚类效果。从粒计算的原理出发,利用背景知识,证明了粒的负关联保持性,将"细"粒度层次上的背景知识扩展到"粗"的粒度层次上。从较"粗"的粒度层次上考察问题,降低了搜索空间,提高了求解速度,并据此提出了基于粒计算原理的概念聚类算法CO-GrC算法。最后,通过实验证明该算法提高了时间效率,验证了算法的有效性。     

网络与信息安全的风险评估及管理

介绍了我国网络与信息安全的现状,分析了其中存在的问题及相应的解决方法与对策,然后对网络与信息安全的风险估计、威胁量化评估等作了介绍,最后指出只有对网络与信息进行有效的管理才能确保网络与信息的安全.     

基于卷积特征聚合的细粒度图像检索方法

针对卷积神经网络（CNN）全连接层得到的是图像类别的全局语义信息,无法有效抑制背景噪声以及表示图像局部的细节信息,导致细粒度图像检索任务中负样本靠前的问题,提出了一种选择性加权来聚合卷积特征并利用k相互最近邻（k-reciprocal nearest neighbor,k-RNN）重排的图像检索方法。该方法主要是通过提取并筛选CNN最后一层特征来聚合形成单维全局特征向量,再引入k相互最近邻算法对检索出的结果进行重排。在细粒度基准数据集CUB-200-2011、室内场景数据集Indoor和普通类别数据集Caltech-101进行验证评估。实验结果表明该方法能够有效改善检索出负样本靠前的问题,相比SCDA方法,该方法检索精度及召回率有显著提升。