高维数据集离群子空间特性研究

探讨对挖掘出的离群数据集进行解释与分析的有效方法。以粗糙集理论的属性约简技术为基础,定义了属性离群贡献度等概念对高维数据集离群特性进行了量化描述,提出了离群划分与离群约简思想以及离群数据关键属性域子空间分析方法,给出了一种离群约简算法并分析了算法复杂性。实验表明,这种方法可以有效地揭示离群数据产生来源,有助于对整体数据集的更全面理解,且提出的算法对于问题规模具有较好的适应性。     

领域分析过程框架及UML描述

文章首先对领域的基本概念进行了讨论，并给出了一个一般的描述性定义；然后通过从三个不同角度讨论了领域及分析过程，并提出一个一般的领域分析过程框架，这将有利于对领域分析活动进行分类和管理，也为领域分析的标准化提供了一种参考解决方案，最后，给出了领域分析过程框架的UML描述。     

基于遗传算法的α-离群约简搜索算法

离群数据挖掘与分析在网络入侵控制、信用卡检测、通信欺诈分析等诸多领域具有十分重要的意义。结合粗糙集理论的属性约简技术,定义了α-离群约简等概念,提出了一种以属性离群贡献率和离群划分相似水平为基础的基于遗传算法的α-离群约简算法。这种方法通过维数更小的属性子空间去获得相同或相近的离群数据集,使对离群数据来源及出现原因的分析和理解更加集中于较小的目标域。通过对现实数据集的实验表明,该算法可有效地产生出约简并具有较好的规模适应性。     

领域分析方法及技术的讨论

本文讨论领域分析方法，说明领域分析方法在软件重用技术中的应用和作用，企图通过这些方法来揭示领域内各个应用系统的公性和差异，以及所有应用系统都适应的参考体系结构模型。文章通过三个不同层次对领域及分析过程的讨论，提出一个一般的领域分析实施过程框架，这将有利于领域分析活动的分类和管理，也为领域分析的标准化提供了一种参考解决方案。     

领域知识的表示及UML建模

领域模型是领域知识的一种图形化表示形式，是领域知识各组成部分的抽象。通过对5种领域模型的讨论，展示了不同角度和不同层次的领域知识，这些不同层次的领域知识对于认识领域内的各相关系统的特征和行为是十分有用的。此外，通过对领域知识的UML建模，提高了领域内系统的软件重用层次，以便在面向对象的软件开发过程中获得最佳的软件重用时机。     

基于领域模型的面向对象分析及UML建模

领域模型是领域知识的一种图形化表示形式，是领域知识各组成部分的抽象形式，同时领域模型也表示了领域内各系统的一些共同特征。因此，本文通过对领域模型所展示出来的一些特征的分析，讨论了如何对领域内的系统进行系统分析，并将分析过程进行UML建模。通过对分析过程的UML建模，可以提高领域内系统的软件重用层次，改善软件开发过程。     

基于邻接图的离群数据聚类算法

离群数据是数据中的小模式,因其固有的少数据与稀疏性等特征,使得基于距离或基于统计等常规聚类方式不适用于对离群数据的分类。该文根据离群对象关键域子空间的重合度,定义了离群共享属性集与离群相似度等概念,提出-离群簇分析技术。通过构建离群邻接图并将其稀疏化,将-离群簇搜索与相应的离群邻接图的最大完全子图搜索一一对应,给出一种基于邻接图的离群数据聚类算法。算例及实验结果表明,该方法具有较高的效率及良好的直观性。     

领域分析方法及实施过程框架的讨论

文章首先对领域的基本概念进行了讨论,并给出了一个一般的描述性定义;然后通过从三个不同角度讨论了领域及分析过程,并提出了一个一般的领域分析实施过程框架,这将有利于对领域分析活动进行分类和管理,也为领域分析的标准化提供了一种参考解决方案。     

面向对象的软件重用成熟度模型

一、前言 1.软件成熟度模型CMM 软件成熟度模型CMM由SEI的Waffs Hump-hrev首次在1986年提出,最初命名为软件过程成熟度模型(Software Process Maturity Model),它支持组织通过开发基础结构,以便获得一个严格的、成熟的软件过程。改善的过程以高质量的软件开发作为目标,同时