基于三角不等式原理的TTSAS聚类加速算法

顺序聚类算法是一种非常直接和快速的算法，并且不需要提前确定聚类个数。但是当处理海量数据时，时间效率仍然有待提高。TTSAS算法是两个阈值的顺序聚类算法，在此基础上，该文应用三角不等式原理提出了TI_TTSAS算法，该算法避免了冗余的距离计算，实验结果证明，相对于TTSAS算法，TI_TTSAS在速度上有很大程度的提高，数据规模越大，改进效果越明显。并且聚类效果保持了TTSAS算法的准确性。     

EXCEL实现恒回流比间歇精馏的计算机仿真

对于恒回流比操作方式的间歇精馏,过程计算量大且公式应用相对复杂,用计算机完成间歇精馏的过程计算及操作仿真已经成为许多国内外学者的研究课题。为了满足系统的响应速度,提高动态釜液量误差,用Excel的VBA、函数、图表及重算等功能,实现间歇精馏的计算机仿真的新方法。在Excel中,建立了间歇精馏过程的数学模型与“数据处理表”,完成多项式拟合,由递推公式确定塔内各塔板液相组成xn与时间t的动态响应关系。获得的六次拟合曲线接近于实测的平衡数据,其相关系数达到0．999,各塔板液相组成xn与时间t的动态响应关系与实际计算吻合较好,获得了较满意的结果,为设计提供有效依据。     

基于邻接矩阵的FP-tree构造算法

提出了一种基于邻接矩阵的FP-tree构造方法。首先通过扫描数据库建立2-项集支持数的邻接矩阵,通过邻接矩阵对项进行过滤和新方式排序,然后再利用邻接矩阵构造FP-tree,使得FP-tree的分支、节点数和深度大幅度地减少,从而使存储空间减少、遍历时间缩短。最后使用标准数据集进行验证测试并和其他算法的比较,实验结果表明,该算法在保证结果的同时有效地提高频繁项集挖掘的效率。     

基于小样本集弱学习规则的KNN分类算法*

KNN及其改进算法使用类标号已知的数据集 对类标号未知的数据集 进行类别标识,如果 中的数据数量过少,将会影响最后的分类精度。基于小样本弱学习规则的KNN分类算法旨在提高基于小样本集的KNN算法的分类精度,它首先对 中的数据对象进行学习,从中选取一些数据,利用学到的标签知识对其进行类别标号,然后将其加入到 中,最后利用扩展后的 对 中的数据对象进行类别标识。通过使用标准数据集的测试发现该算法能够提高KNN的分类精度,取得了较满意的结果。     

基于主动数据选取的半监督聚类算法

利用少量标签数据获得较高聚类精度的半监督聚类技术是近年来数据挖掘和机器学习领域的研究热点。但是现有的半监督聚类算法在处理极少量标签数据和多密度不平衡数据集时的聚类精度比较低。基于主动学习技术研究标签数据选取,提出了一个新的半监督聚类算法。该算法结合最小生成树聚类和主动学习思想,选取包含信息较多的数据点作为标签数据,使用类KNN思想对类标签进行传播。通过在UCI标准数据集和模拟数据集上的测试,结果表明提出的算法比其他算法在处理多密度、不平衡数据集时有更高精度且稳定的聚类结果。     

一种基于影响因子的快速K-均值算法

K-均值聚类算法的执行时间过度依赖于初始点的选取，但是在实际问题中并不知道k的取值和怎样才能有效地选取初始点。在对K-均值算法中初始点的选取进行深入研究的基础上，提出了一种有效的初始点选取算法。现存的类间相似度并不能很好地度量两个类的相似性，为此提出了一种新颖的度量方法：类间影响因子，使用类间影响因子对类进行合并。该方法和上面提出的初始点选取算法能够根据数据集本身的特性快速地自动选取初始中心并给出初始点的个数。最后用高斯数据集对算法进行测试，得到了一个令人满意的结果。     

基于链表数组的最大频繁项集挖掘算法

挖掘密集型数据集的全部频繁项集代价高昂,针对该问题,提出一种数据结构链表数组和基于链表数组的最大频繁项集快速生成算法。该方法使用链表数组为每个项目建立事务链表,并且链表的创建过程只需扫描数据库1次。使用深度优先搜索得到所有候选最大频繁项集,利用约束条件缩小搜索空间。使用标准数据集进行验证测试并与其他算法进行比较,实验结果表明,该算法具有较快的挖掘速度。     

变异区间自适应调整的遗传算法

在对遗传算法进化概率进行深入分析的基础上,提出了变异区间随演化进程自适应调整的遗传算法,旨在通过变异区间的自适应调整提高遗传算法的性能。实验结果表明变异区间自适应调整的遗传算法不仅比基本遗传算法有更快的收敛速度,而且有更高的求解精度。     

VBA实现恒馏出液组成间歇精馏的计算机模拟

对于恒馏出液组成操作方式的间歇精馏,过程计算相对复杂,计算量很大。在常用软件Excel中利用VBA实现塔内各塔板液相组成xn与时间t的动态响应,完成间歇精馏的过程计算及模拟,具有可视化、即时化、自动化等优点,可行且有实用意义。