ATSP:时态网络可视化的自适应时间片划分方法

现有的时态网络可视化方法大多采用等量时间片来可视化网络的演变，不利于时态模式的快速挖掘和发现。为此，根据时态网络固有的特征提出自适应时间片划分方法（Adaptive Time Slice Partition method，ATSP）。在时态网络的两种表示方式（基于事件的表示方式和基于快照的表示方式）的基础上，构建了ATSP的基础模型，同时提出了一种改进模型用来描述事件间隔时间服从长尾分布的时态网络。为了实现时间片的不等量划分，针对探索任务的不同提出了基于时态模式的ATSP规则和基于中心节点的ATSP规则，并提出了实现算法--层次划分算法（Hierarchical Partition algorithm，HP）和增量划分算法（Incremental Partition algorithm，IP）。实验结果表明，ATSP方法比传统的时间片划分方法更能准确地表示网络的时态特征，且该方法应用于可视化时，能有效归纳并展示网络的特征，明显提高了视觉分析的效率。     

主存技术与时态数据库

多年来，时态数据库的研究与实现受到内存资源的制约。硬件技术的进步为数据库管理系统提供了海量内存。本文提出把时态数据库的全部或大部分数据置于主存中，并能在不读写磁盘的情况下连续作多个事务，称之为时态主存数据库（ＴｅｍｐｏｒａｌＭａｉｎＭｅｍｏｒｙＤＢ，以下简称ＴＭＭＤＢ）。该文讨论了ＴＭＭＤＢ的功能、标准、内存布局、与大缓存ＤＢＭＳ的本质差异，以及由“时态”和“主存”技术结合而引起的一系列特殊问题。     

语义协同时态XML索引研究与实现

该文研究一种以语义为基本要素并实现"语义"、"时间"和"结构"处理协同联动的时态XML索引技术SCTindex.首先,以时态结点为数据处理逻辑单元,在时态结点集合上建立基于线序划分的时态数据结构,这种结构具有相应的"拟序关系"数学基础,便于推广,能够实现"一次一集合"的查询方式,具有较高的时间查询效率;其次,以结点语义标签为数据处理技术单元,建立语义标签归并集合,在语义层面配置基于线序划分的时间索引机制,体现了XML本体要素——"语义"与时态数据基本内涵——"时间"约束间的整合联动;另外,引入带有足够结构信息和能够实现"更新友好"的结点编码方案GDFC,建立了相应时态数据的结构连接算法,实现了"结构"与"语义"协同处理.论文主要贡献是基于计算机协同处理理念,较精细地分析时态XML数据的"语义"、"结构"和"时间"等查询要素的本体特征和内在关联,提出了具有较高查询效率的线序划分结构,同时将其配置在语义层面,实现了不同于常规的以"结构摘要"为主轴部署查询的索引模式.论文进行基本实验仿真,通过与现有相关工作进行比较评估,表明SCTindex的可行性、有效性和优越性.     

TVBPS：一种基于Parallel Sets的具有度量属性的多变元时态数据可视化方法

针对现有“具有度量属性的多变元时态数据”可视化方法不足,提出Parallel Sets分类值排列顺序优化算法ACLEARCR、基于相关度的Parallel Sets变元轴配置算法（VABC）、深度信息Parallel Sets（DCPS）共同组成基于Parallel Sets的具有度量属性的多变元时态数据可视化方法TVBPS。使用具体数据集对提出的可视化方法进行实验,获得的视图能够挖掘数据集中的隐含知识,证明了该方法的有效性。TVBPS可视化方法为分析多变元时态数据集提供了有效手段,具有较高的适用性和易用性。     

基于仿射传播的进化数据流在线聚类算法

为提高数据流聚类的精度和时效性,提出一种具有时态特征与近邻传播思想的高效数据流聚类算法(TCAPStream).该算法利用改进的WAP将新检测到的类模式合并到聚类模型中,同时利用微簇时态密度表征数据流的时态演化特征,并提出在线动态删除机制对微簇进行维护,使算法模型既能体现数据流的时态特征,又能反映数据流的分布特性,得到更精确的聚类结果.实验结果表明,该算法在多个人工数据集和真实数据集上不仅具有良好的聚类效果,而且具有较好的伸缩性和可扩展性.     

智能主体的信念认知时态子结构逻辑模型*

智能主体获取信念的途径主要有两种：一种为他省,通过外界交互,从其他主体获取信息;另一种为自省,通过自己的历史数据库获取相关知识。对于主体信念的描述与刻画,两种途径缺一不可,但当前的BDI理论模型中较多地为他省系统,没有做到两者相结合。其次,在当前的许多理论模型中,通常使用的是二值逻辑、经典模态逻辑或其变形系统,使得相应的逻辑系统普遍存在逻辑全知和粗精度刻画等问题。针对上述问题进行了相关研究,采用了认知时态子结构逻辑建模的方法,表达了智能主体获得“双省”信念的方式,针对其建立了相应的逻辑系统BSoET。     

基于ATSQL2时间点与时间段时态操作扩充

以时态数据操作语言ATSQL2为基础,对其时间点与时间段查询运算操作存在的不足进行扩充。增加时间运算操作函数,完成不同时态逻辑时间段运算,不同时间粒度之间的转换和时间比较逻辑判断操作。结果表明,扩充后的时间运算操作,丰富了原有ATSQL2的查询操作语义,简化了复杂时态数据操作语句的书写,使时态查询操作更加高效、简便。     

基于时间变元绑定的双时态索引模型研究

在基于点方法的双时态索引算法基础上,引入了时间变元绑定的形式化描述,扩充了其索引的双时态数据,使由于时间变元绑定而导致数据错误的双时态索引问题得以解决,给出了相应的数据变换和查询变换模型,并指出了其实现方式.     

分布式多空间数据库复杂时态数据提取技术

由于时态数据的处理过程中存在数据片面性的问题,加之其历史复杂性,如果依然采用传统的方法不能对时态数据予以完全描述,而相似性训练算法也无法对动态复杂的时态数据予以准确匹配,导致提取效果不佳,所提取的数据存在误差。由于这种提取方法精确度不高,就需要采用新的方式,分布式多空间数据库复杂时态数据提取技术可以获得良好的效果。健康动态化的径向基神经网络设计出来,采用建模的方法对分布式多空间数据库中所产生的未知动态予以分析、进行辨识,将模型建立起来,对时态数据进行描述。对于所获得结果采用加权的方法进行处理。输入方式复杂时态数据序列,输出方式加权时态关联规则,都采用描述的方法体现出来,运用大数据挖掘技术将有价值的信息提取出来。通过向量计算,得到加权时态频繁项1项集和2项集,并以加权时态频繁项集作为依据将初始频繁项集树建立起来;根据初始频繁项集树就可以得到所有的时态频繁项集;根据运用频繁项集就可以促使加权时态关联规则生成。从所有关联规则中选择规则的时候,要考虑到优先级,构建提取装置,对复杂时态数据有效提取,即便时态数据比较复杂,也可以提取。根据实验所获得的结果明确,这种方法操作比较简单,所提取结果更有较高的精确度,而且全面可靠。本论文着重于研究分布式多空间数据库复杂时态数据提取技术。