一个混合特征属性选择算法

1.引言特征属性选择(feature attribute selection,FAS)是机器学习和模式识别中比较困难而又非常有意义的一个问题。FAS问题是从一个大的侯选属性集合中选择一个较好的、有代表性的属性子集。由于在实际应用中,过多的属性会严重影响归纳学习的质量,一些不必要的属性会加大训练数据量,影响学习速度,损害所生成规则的精度,因此FAS是一个有实际意义的问题。     

证券投资交易系统技术实现中若干问题的研究

文章给出了一个证券交易与信托投资系统的网络结构框架和技术实现方法,并针对该类系统技术实现过程中所面临的一些关键性技术问题进行了研究与探讨,给出了相应的解决方案。这些问题与解决方案对于基于Internet的证券交易系统以及信托投资管理系统也具有一定意义。     

AMS-14C样品制备系统的研制及其性能研究

为了开展加速器质谱仪（accelerator mass spectrometry, AMS）在¹⁴C测量方面的研究,研制了可采用锌法、氢法、氢化钛法制备¹⁴C样品的装置,该制样系统以石英玻璃为主要结构材料,分为以下三个单元：系统真空维护单元、CO₂纯化单元和CO₂还原单元。为验证此装置的可靠性,进行了系列 ¹⁴C样品的制备实验,得到的石墨产率基本达到80%,同时对商业碳粉、树木的含碳量与实验过程中测量区域对应的CO₂量进行了线性拟合,结果呈现明显的线性关系。对一批标准样品和本底样品进行AMS测试,结果显示每个样品¹²C^-的引出束流均大于20 μA,系列空白样品的测量结果表明,¹⁴C/¹²C丰度比平均值为1.061×10^-15,样品制备系统稳定且在制样过程中引入的碳污染较小,符合制样要求,现代木头样品的AMS绝对测量值为（9.13±0.05)×10^-13,与预期值~9.0×10^-13相符合。上述结果表明,该系统结构紧凑,能避免相互污染,高效且便于操作,满足AMS对¹⁴C样品的测试要求。     

数据挖掘中的数据预处理

1 引言数据挖掘(Data Mining,简称DM),也称为数据库中的知识发现KDD(Knowledge Discovery inDatabase),是近几年来随着数据库和人工智能发展起来的一门新兴的数据库技术。其处理对象是大量的日常业务数据,目的是为了从这些数据中抽取一些有价值的知识或信息。原始业务数据是知识和信息提取的源泉,对于数据挖掘就显得十分重要。目前所进行的关于数据挖掘的研究工作,大多着眼于数据挖掘算法的探讨,而忽视了对数据处理的研究。目前一些比较成     

小型14C加速器质谱仪实验条件研究

本文基于小型化¹⁴C专用加速器质谱仪（GXNU-AMS）进行了系统介绍及实验条件研究，包括束流引出调试、剥离气体与电荷态的确定、束流传输调试及本底排除调试。该仪器由中国原子能科学研究院与广西师范大学合作研制，在广西师范大学进行安装调试。仪器采用单极静电加速，最大工作电压为230 kV。仪器的测量精度为0.5%，测量灵敏度为¹⁴C/¹²C≈1.0×10^-14（测量本底4万年），可满足生命科学、考古学等领域的测量要求。     

基于多层次概念提升的知识发现方法

1 引言数据库中的知识发现KDD(Knowledge Discoveryin Database),也称为数据挖掘(Data Mining,简称DM),是近几年来随着数据库和人工智能发展起来的一门新兴的数据库技术。它从大量原始数据中挖掘出隐含的、有用的尚未发现的信息和知识(如规则、模型、规律、模式、约束等),帮助决策者寻找数据间潜在的关     

数据仓库在证券交易中的研究与应用

着重讨论了数据仓库技术在证券交易中的应用,详细介绍了主送交易系统中数据仓库的设计和建立,并且进一步讨论了如何建立基于仓库的证券交易决策支持模型。     

证券交易仿真系统的设计与实现

文章介绍了一个证券交易仿真系统（ＮＫ—ＳＥＳＳ）的功能结构、设计思想和实现技术,并结合系统所采用的工程化设计方法和数据仓库、数据挖掘等前沿技术,阐述了该系统的一些特点。     

基于模糊近似度的Web文本过滤模型

从1991年诞生以来,WWW(World Wide Web)得到了迅猛的发展,它已经成为拥有约3亿用户、400万站点的巨大分布式信息空间、它包含了技术资料、商业信息、新闻报道、娱乐信息等多种类别和形式的信息,资源分布很分散,且没有统一的管理和结构。如何快速、准确地从浩瀚的信息资源中提取用户所需要的信息已经成为一个新的研究课题。WWW上最多的就是文本信息,因此Web信息处理的核心就是如何处理这些Web文档。数据挖掘和知识发现(Data Mining and Knowl-edge Discovery,DMKD)可以帮助人们从大量原始数据中挖掘出隐含的、有用的尚未发现的信息和知识,有效地解决信息丰富知识贫乏问题。因此,基于Web文本信息的挖掘作为数据挖掘的一个新主题,引起了人们的极大兴趣。Web文本信息的挖掘就是在大量训练样本的基础上,得到文本数据间的内在特征,并以此为依据在网络资源中进行有目的的信息提取。在本文中,我们首先介绍了Web文本信息的向量空间表示模型(VSM),并在此模型的基础上提出了一     

基于协同演化的文本特征获取算法

作为证券监管机构,如何从海量的网络信息中有效地对文本信息进行准确的分类,对于提高日常监管工作效率是非常重要的。该文主要基于数据挖掘技术,以矢量空间模型VSM为文本的表示方法,提出了一个基于协同演化遗传算法的多文本特征抽取算法,有效地降低了文本特征矢量的维数,为文本分类模板获取等多文本特征获取问题提供了一个可行的解决方案。