基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

一种保持语义的压缩数据立方体结构

通常数据立方体体积较大,语义关系复杂,完整的语义立方体很难实现。基于商立方体,该文提出了语义数据立方体结构(SDC),将单元格中的单元以其上界替代,并保存下界,简化了单元格的表示,保持单元格的全部语义,并可以实现单元的上卷和下钻操作。把语义关系应用到数据立方体的查询、增量更新中,使查询响应时间及更新代价大大降低。实验结果表明,SDC是有效的。     

数据立方体聚集范围查询分块方法研究

范围查询是数据立方体数据分析的有效工具，预计算技术通过预先计算并存储范围查询的结果，可以实现快速的用户响应。近年来研究人员对基于MOLAP的预计算技术的研究主要以prefix sum及分块技术为基础。本文对预计算技术的分块方法进行研究，分析了现有分块技术的方法和性能，并提出了两种新的分块方法：嵌套分块和基于前缀区域边界的分块。本文对这两种分块的方法和特点做了阐述，研究表明这两种方法为分块技术提出了新的思路，是对现有分块方案的有力补充。     

基于API序列的可解释恶意代码检测方法

针对基于API序列的恶意代码检测方法中,深度学习方法特征可解释性差,传统机器学习方法依赖人工设计特征以及忽视数据间时序特性等问题,从时序分类的角度,提出一种基于API序列的可解释恶意代码检测方法。将恶意代码动态API调用序列转换为熵时间序列;使用时间序列分类中的shapelet方法提取具有辨别性的特征;使用多种分类器构造检测模型。实验结果表明,该方法能够自主学习具有辨别性的时序特征,能够在兼具高准确率的同时提供模型的可解释性分类依据。     

基于Mahout的新用户推荐算法的设计与实现

为了解决大数据背景下新用户因没有历史数据而导致推荐难和推荐效率低等问题,提出将基于Mahout的协同过滤算法与基于MapReduce的Top N算法相结合的技术方法,来实现新用户推荐算法,从而构建新用户推荐系统的架构,并对Hadoop Top N算法以及Mahout中协同过滤算法进行设计与实现。理论分析和实验验证表明,该新用户推荐算法在推荐效率、对大规模数据处理的伸缩性以及推荐质量上都明显优于单独使用协同过滤算法的新用户推荐。     

美国高校计算思维培养作业案例分析及启示

以美国高校“计算机科学I-计算初步”课程的一次作业为例,介绍作业内容、编程环境、编程语言、作业目标、程序实践方法、效率要求等,分析作业案例涉及的计算思维核心要素培养,给出选取和设计培养计算思维优秀作业案例的启示。     

融合用户兴趣和评分差异的协同过滤推荐算法

针对传统的协同过滤算法中单一评分相似性计算不准确的问题,提出融合用户兴趣和评分差异的协同过滤推荐算法。将TF-IDF思想运用到用户对标签的权重计算中,并使用指数衰减函数和时间窗口捕捉用户兴趣的变化;根据历史评分矩阵,充分考虑用户评分值差异、评判准则差异、影响力差异和项目影响差异等影响因子,定义了一种评分差异相似性度量算法;最后将用户兴趣相似性和评分差异相似性进行加权融合,获取更加准确的用户邻居,从而预测项目评分并进行推荐。在数据集Movielens的实验表明,提出的算法能有效提高推荐精度。     

饲料配方计算机辅助设计

目的 解决中、小养殖户饲料配制过程中配方计算问题。方法 用Ｖｉｓｕａｌ Ｂａｓｉｃ语言建立线性规划模型编制实用程序。结果 用Ｖｉｓｕａｌ Ｂａｓｉｃ语言成功地实现了上述目的。结论 该软件使用方便、精度高。     

基于分类超平面的非线性集成学习机

针对支持向量机面临的大规模数据分类问题, 提出基于分类超平面的非线性集成学习机NALM。该方法借鉴管理学中协同管理的思想, 将大规模数据分成规模较小的子集, 然后分别在子集上运行分类超平面算法, 最后将各子集上的分类结果进行非线性集成得到最终的分类结果。该方法不仅继承了分类超平面的优点, 而且还将分类超平面的适用范围从小规模数据扩展到中大规模数据, 从线性空间推广到Hilbert核空间。若干数据集上的实验表明：NALM能以较少的支持向量来解决大规模样本分类问题。     

炸药GAS重结晶细化过程中膨胀度测试技术研究

介绍了GAS重结晶细化方法中膨胀度测试原理、方法、装置，并对丙酮—CO2，环己酮—CO2体系膨胀度进行了测试。研究表明，膨胀度主要受压力、温度及实验过程搅拌作用的影响。