单叶复调和函数的二个子族

对单叶复调和星像函数的一个子族和单叶复调和凸像函数的一个子族进行了研究，得到了这两个族分别将任一原点为心的圆盘映成星像或凸像区域．还得到了系数估计、增长定理、覆盖半径等．     

压缩数据上的关系代数操作算法

针对在大数据管理中,在压缩的数据上无需解压即可进行相关操作的问题,在数据服从正态分布的前提下,根据列数据存储的特点,提出了一种新的面向列存储的压缩方法——CCA。首先,通过对列数据的长度进行归类;然后,采用抽样的方法获得重复度较高的前缀;最后,使用字典编码进行压缩,提出了列索引(CI)和列实体(CR)作为数据压缩结构来降低大数据存储的空间需求,从而直接有效地在压缩数据上支持选择、投影、连接等基本操作,并实现了基于CCA的数据库原型系统——D-DBMS。理论分析和在1 TB数据上的实验结果表明,该压缩算法能够显著提高大数据的存储效率和数据操作性能,与BAP和TIDC压缩方法相比,在压缩率分别提高了51%、14%;在执行速度上提高了47%、42%。     

MicroRNA前体的特征选择方法

microRNA(miRNA)是一类长度约为21nt的非编码RNA,具有重要的调控功能。miRNA前体包含一级序列特征和二级结构特征,其中含有冗余和无用的特征,这些特征无益于前体分类模型的分类准确度。因此需要去除冗余特征,进而降低特征维数并提高分类性能。针对miRNA的前体序列数据,已有特征选取方法,仅考虑了特征之间的区分距离。全面考虑了每个特征属性对分类的增益和特征间冗余性,选取的特征有助于建立高效的分类模型。实验结果表明,选取的特征子集有效地提高了miRNA前体分类器的预测性能,取得了更好的分类结果。     

融合图增强和采样策略的图卷积协同过滤模型

现有的基于图卷积网络（GCNs）的协同过滤（CF）模型存在两大问题，大多数原始图因存在噪声及数据稀疏问题会严重损害模型性能；对于大型用户项目图来说，传统GCN中的显式消息传递减慢了训练时的收敛速度，削弱了模型的训练效率.针对上述2点，提出融合图增强和采样策略的图卷积协同过滤模型（EL-GCCF）.图初始化学习模块通过生成2种图结构，综合考虑图中的结构和特征信息，对原始图进行增强，有效缓解了噪声问题.通过多任务的约束图卷积跳过显式的消息传递，利用辅助采样策略有效缓解训练中的过度平滑问题，提高了模型的训练效率.在2个真实数据集上的实验结果表明，EL-GCCF模型的性能优于众多主流模型，并且具有更高的训练效率.     

数据挖掘系统中语义缓存机制的设计与实现

越来越多的人开始研究如何能够快速高效地采用数据挖掘的方法获取有用的知识,然而面对大量数据特别是海量数据时,采用现有的挖掘算法有时会需要相当长的执行时间,而且如果挖掘请求相似,将会出现重复计算问题。论文在挖掘过程中引入一种称为语义cache的机制,在对挖掘请求进行分析并和已有挖掘结果进行比较的基础上,除去某些可以避免的计算,提取出用户所需的所有知识,以此来达到减少计算量,提高系统响应速度的目的。理论分析和实验结果证明了该机制的有效性。     

MicroRNA前体的特征选择方法

microRNA(miRNA)是一类长度约为21nt的非编码RNA,具有重要的调控功能.miRNA前体包含一级序列特征和二级结构特征,其中含有冗余和无用的特征,这些特征无益于前体分类模型的分类准确度.因此需要去除冗余特征,进而降低特征维数并提高分类性能.针对miRNA的前体序列数据,已有特征选取方法,仅考虑了特征之间的区分距离.全面考虑了每个特征属性对分类的增益和特征间冗余性,选取的特征有助于建立高效的分类模型.实验结果表明,选取的特征子集有效地提高了miRNA前体分类器的预测性能,取得了更好的分类结果.     

关于一阶微分从属的最佳控制

设h(z)是单位圆U上的解析函数,Θ(w)和Φ(w)是2个在区域D上解析的函数,文中研究一类一阶微分方程θ(q(z)) zq'(z)φ(q(z))=h(z).讨论并给出一个有关U上解析解是单叶的充分条件.同时把结论应用到微分从属和积分从属性质保持问题,得到很多新奇的结果.     

海量数据上挖掘关联规则的并行算法

针对目前关联规则挖掘算法中数据库规模很大时算法执行时间太长的问题。指出了并行计算是解决该问题的一个有效方法。利用新提出的可以忽略仅仅在少于1／4的结点机上的局部频繁项集，给出了一种新的并行随机抽样方法，并利用机群并行计算机的自治能力和I／O高度并行的特点，提高了抽样算法对海量数据的处理能力和效率。理论分析和实验数据显示，该算法的加速比接近于处理机的个数p，通信复杂性为处理机的个数p的对数，具有良好的扩展性和海量处理能力，且精确度较高。     

基于广义超曲面树的相似性搜索算法

相似性搜索是数据挖掘的主要领域之一.它在数据库中检索出相似的数据,发现数据间的相似性.它可以应用于图像数据库、空间数据库和时间序列分析.对于欧氏空间(一种特殊的度量空间),相似性搜索算法中基于R-tree的方法,在低维时是高效的,当维数增加时,R-tre e的方法将退化为线性扫描.该现象被称为维数灾难(dimensionality curse),主要原因是存在数据重复.当数据量很大且维数很高时,距离计算和I/O操作将非常费时.提出了度量空间上新的空间分割方法和索引结构rgh-tree,利用数据库的数据对象与很少几个固定参考对象的距离信息进行数据分割和分布,产生一个各节点没有数据重复的平衡树.另外,在rgh-tree的基础上提出了相应的相似性搜索算法,该算法具有较小的I/O代价和距离计算次数,平均复杂性近似为o(n^0.58).解决了目前算法存在的一些问题.     

目标轮廓检测技术新进展

轮廓检测是计算机视觉研究领域中最基础、最重要、最具挑战的问题之一.随着近年来深度学习的发展,视觉领域的其他研究方向取得了突破,例如目标检测、实例分割,这些逐渐证明了轮廓检测与其他研究方向的密切关系,因此轮廓检测任务也受到了越来越广泛的关注.文中讨论了多个主体内容,不仅包括对现有轮廓检测算法的细致回顾,而且根据轮廓检测提取特征的特点将其分为3个阶段即低层、中层和高层来介绍,还包括对应用到的数据集、性能评估指标、模型结构和模型细节、轮廓检测的应用及结果的应用进行详细分析,对轮廓检测发展进行了深入介绍.最后,还对轮廓检测所面临的挑战和未来趋势进行了分析和预测,以期为该领域后续的研究提供新思路及参考.