决策信息系统的增量式F-并行属性约简

在传统的属性约简算法中,将增加的对象和原来的信息系统整合为一个信息系统,并对这个信息系统重新划分新的等价类,为了降低处理增量式数据的复杂度,在信息系统的属性集上定义了信息论意义下的F-属性重要度,给出了一种增量式F-并行属性约简算法。该算法将增加的多行记录组成一个或若干个新的信息系统进行并行计算。与传统的方式相比,该算法能够很好地适应新加入的数据,同时通过利用优秀的启发式信息避免了增量式属性约简时间复杂度过高的问题,时间效率提高。     

数据库自然语言接口技术研究及其在教学中的应用

本文分析了新高职学生学习关系数据库结构化查询语言(Structured Query Language,简称SQL)的现状与问题,提出了中文SQL语言学习理念,建立中文SQL语言库,结合示例阐明了实现sQL语言过程的三个步骤和两大模块,进而改进SQL语言的学习.     

关联规则挖掘Apriori算法研究综述

关联规则挖掘是数据挖掘中的一项重要技术,Apriori算法是关联规则挖掘中的一种经典算法。在信息技术的发展过程中,随着海量数据的收集和存储,从数据库中挖掘出相关联规则的数据集变得极为重要。为此,对国内外有关Apriori算法的研究现状、算法的原理、优化算法的思想进行了探讨,同时分析了几种经典的优化算法,最后对Apriori算法未来的发展趋势进行了预测和展望。     

改进的基于简化二进制分辨矩阵的属性约简方法

在基于二进制分辨矩阵的属性约简方法中,删除法即从属性全集中依次删除冗余属性,直至剩余的属性集是一个最小约简.针对传统的基于二进制分辨矩阵的删除法效率较低且得不到最小约简的问题,提出一种改进的二进制分辨矩阵属性约简方法.首先对决策表进行简化,然后给出一种改进的简化二进制分辨矩阵方法;其次通过一个新的属性约简度量方法一次性删除多个属性,并从理论上分析了该方法的可行性;最后通过实验证明了得到的约简结果是最小约简.     

基于遗传算法的聚类分析及其在入侵检测中的应用

将数据挖掘技术应用于入侵检测中可以提高检测的精度和效率.针对k-means算法对初始聚类中心很敏感,在聚类过程中对数据输入的顺序也有依赖性等特性,本文首先利用遗传算法初始中心点对k-means聚类算法进行了改进,然后使用k-means算法快速收敛获取聚类结果,最后在入侵检测的经典数据集KDD CUP 1999上检验了算法的有效性.实验结果表明,该方法与相关研究对比提高了入侵检测系统的精度和效率.     

基于邻域近似条件熵的启发式属性约简

目前粗糙集的研究局限于有限集,且现有的邻域粗糙集属性约简算法中属性重要性度量方式单一。针对邻域粗糙集存在的问题,提出了基于无限集的邻域近似条件熵模型。该模型以邻域近似条件熵下的属性重要度为启发条件,构造了一种基于邻域近似条件熵的前向贪心搜索属性约简算法。利用熵的单调性,证明了算法的正确性,并分析了算法的时间复杂度。通过实例分析和多个UCI数据集上的实验表明,所提出的算法是可行的,能有效减少属性数量,与现有的算法相比,不仅能够获得较小的属性约简结果,而且具有较好的分类性能。     

浅谈"教学合一"在新高职计算机英语教学中的研究与应用

本文分析了当前新高职计算机英语教学现状和问题,应用陶行知的"教学合一"理论结合计算机英语自身的特点,针对学生学习面临的困难,提出了"三个改变"、"两个加强"、"一个优化"学习理念.     

基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。     

变精度粗糙集推广模型及其性质研究

数据挖掘的主要目标之一是进行有效分类,粗糙集的上下近似空间正是为了对信息系统进行分类。变精度粗糙集作为经典粗糙集的推广模型,目前研究仅局限于有限集。针对变精度粗糙集模型无法处理无限集合的问题,在变精度粗糙集和测度的理论基础上,提出了基于Lebesgue测度的变精度粗糙集模型。首先,引入Lebesgue测度的概念,构造了一种基于Lebesgue测度的变精度粗糙集模型,将变精度粗糙集理论推广到无限集;其次,定义了该模型的上、下近似空间;最后,证明了其相关性质。通过理论研究表明,该模型能有效处理无限集合问题,对变精度粗糙集的理论研究形成突破,也将极大的扩充其应用范围。     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。