高维空间中的离群点发现

在许多KDD(knowledge discovery in databases)应用中,如电子商务中的欺诈行为监测,例外情况或离群点的发现比常规知识的发现更有意义.现有的离群点发现大多是针对数值属性的,而且这些方法只能发现离群点,不能对其含义进行解释.提出了一种基于超图模型的离群点(outlier)定义,这一定义既体现了"局部"的概念,又能很好地解释离群点的含义.同时给出了HOT(hypergraph-based outlier test)算法,通过计算每个点的支持度、隶属度和规模偏差来检测离群点.该算法既能够处理数值属性,又能够处理类别属性.分析表明,该算法能有效地发现高维空间数据中的离群点.  

参数化设计中的对象约束模型及反向约束的研究

应用图论方法，建立了基于有向超图的对象约束模型，提出了压缩十字链表形式的网状存储结构，能够完整，准确地记录设计者的设计意图，实现尺寸及参数驱动图形的功能清晰地表示约束间的双向约束关系，有效地实现了约束的传播与救解，其完备的表不方式可方便地实现反向约束求解。同时利用面向对象技术，高效地实现了实体及约束建模，采用相应的类层次结构，充分发挥对象的封装性和扩展性，提出了一种方便灵活的参数化设计方法。  

一种基于超图模式的高维空间数据聚类方法

把一个救解高维空间数据聚类问题的转换为一个超图分割寻优问题，提出了一种基于超图模式的高维空间数据聚类方法，该方法不需要减少高维空间数据顶的维数，直接用超图模式描述原始数据之间的关系，并通过选择适当的支持度阈值，有效祛除噪声点，保证数据聚类的质量。  

基于等价类和最大完全图集聚类的关联规则发现算法

关联规则的发现是数据挖掘中的一个重要问题，本文提供了一个基于等价类和最大完全图集聚类的关联规则的发现算法。  

基于有向超图的参数代表示模型及其实现

本文提出了一种基于有向超图的参数化图形表示模型．它不仅能够表示图形的尺寸约束和几何约束，而且能够支持图形拓扑结构变化和工程设计约束的表示．在交互绘制图形对象的同时直接建立参数化图形约束模型．由于在图形构造的每一步都保证约束的一致性，因此，不会出现过约束或欠约束的情况．经实践表明，该模型具有实用方便、高效可行的特点，适合于系列化产品的参数化ＣＡＤ系统建模和绘图．  

基于属性分布相似度的超图高维聚类算法研究

在许多聚类应用中，数据对象是具有高维、稀疏、二元的特征。传统聚类算法无法有效地处理此类数据。该文提出一种基于超图模型的高维聚类算法，通过定义对象属性分布特征向量和对象间属性分布相似度，建立超图模型，并应用超图分割法进行聚类。聚类结果通过簇内奇异特征值进行评价。实验结果和算法分析表明，该算法可以有效地进行聚类知识挖掘。  

基于逆向FD超图的属性闭包求解算法研究

本文对文⑴进行深入分析的基础上给出了正向ＦＤ超图、逆向ＦＤ超图，给出了正向、逆向超图的相互转换算法，并对属性闭包的求法进行了研究，给出了求解关系模式属性闭包的新算法。  

基于逆向MVD超图的求MVD最小覆盖算法研究

本文详细讨论了逆向ＭＶＤ超图的性质，给出了伪完全等价准路、完全等价准路、子边等价准路等概念。证明了若干个逆向ＭＶＤ超图的化简定理，最后给出了基于逆向ＭＶＤ超图的求ＭＶＤ最小覆盖算法。