基于加权Bayes分类器的流数据在线分类算法研究

传统的分类算法在对模型进行训练之前,需要得到整个训练数据集。然而在大数据环境下,数据以数据流的形式源源不断地流向系统,因此不可能预先获得整个训练数据集。研究了大数据环境下含有噪音的流数据的在线分类问题。将流数据的在线分类描述成一个优化问题,提出了一种加权的Nave Bayes分类器和一种误差敏感的(Error Adaptive)分类器,并通过真实的数据集对提出的算法进行了验证。实验结果表明,文中提出的误差敏感的分类器算法在系统没有噪音的情况下分类预测的准确性要优于相关的算法;此外,当流数据中含有噪音时,误差敏感的分类器算法对噪音不敏感,仍然具有很好的预测准确性,因此可以应用于大数据环境下流数据的在线分类预测。     

社会网络中基于集合枚举树的k匿名方法

k匿名方法是一种重要的数据隐私保护方法.在应用k匿名方法保护社会网络中用户的隐私时,现有的方法对社会网络的结构进行匿名化处理,当攻击者了解了网络的文本信息后可以很容易识别出用户的身份等隐私信息.为此,提出一种包含结构和文本的k匿名方法.该方法在采用传统的节点度匿名化的基础上,将社会网络中的文本信息分成不同的值域,对每一个值域构建一个全局的层次结构树,对所有的值域采用集合枚举树来优化文本标记泛化时的信息丢失,并针对集合枚举树的特征提出了三种剪枝方法.实验表明,提出的k匿名方法在实现了社会网络的结构和文本匿名化的同时具有较低额的开销.     

隐式迭代法的数值试验与应用

针对非线性方程组数值求解问题,利用嵌入法思想给出了一类隐式迭代法,这类迭代法包含了知名学者Ｍ．Ｋ．Ｊａｉｎ１９８５年和１９８６年的两个工作。采用效率较高的Ｃｈｉｐｍａｎ等效代换方法实现了这类方法的计算过程,并从稳定性、计算量以及收敛范围等方面对其进行了大量的数值试验,结果表明隐式迭代法在以上几方面均优于传统迭代法。将该方法在波动方程反问题上进行了应用,进一步表明了该方法的广泛适用性。