二阶段模糊聚类方法研究

针对当前聚类方法存在的缺点,提出一种高效的高维数据硬划分算法,在此基础上提出了一种分阶段模糊聚类方法.第一阶段,利用硬划分算法对数据聚类,克服了模糊聚类算法对初始值敏感的缺点.第二阶段,以第一阶段运算结果作为初始值,进行模糊聚类的,并将模拟退火算法引入模糊聚类,从而保证了聚类结果的全局最优性.实验结果表明,该方法是可行的、有价值的.     

约束概念格及其构造方法

概念格是一种有效的数据分析和知识提取的形式化工具．然而，随着要处理的数据量的剧增，基于原始形式背景构造出的概念格结点数目庞大，占用大的存储空间，同时概念格结点中一些属性集形成的内涵，用户并不都感兴趣，因而从中提取用户需求知识费时．为了降低概念格构造的时空复杂性，增强实用性和针对性，首先采用谓词逻辑描述用户感兴趣的背景知识，并将背景知识引入到概念格结构中，提出了一种新的概念格：约束概念格．在此基础上，提出了基于背景知识的约束概念格构造算法CCLA．理论分析表明，该算法能有效地减少概念格的存储空间和建格时间．最后，采用恒星天体光谱数据作为形式背景，实验验证了该算法的有效性．     

启发式教学改革的几个方面

教学的改革,归根结底是教学方法的改革。传统教学模式中有些内容已不适应新时期人才培养的要求,需要进行变革。启发式教学模式克服了传统教学模式中的一些弊端,为教学引入了全新的理念。一、变被动的“灌输”式为主动的“汲取”式传统的教学内容相对封闭,学生在教学活动中处于被动地位,对年轻人活跃的思维和强烈的好奇心无疑是一种压抑,长此下去,必将制约他们创造个性的发挥。现代教学理念主张以教师为主导,以学生为主体。作为主导,教师要将课程内容传授给学生,但更要注意引导学生自主学习,要教给他们发现问题的方法、培养解决问题的能力,鼓…     

粗糙集理论中属性约简的增量式算法

1引言 近年来,作为一种新生的处理不确定性知识的数学工具,由于其独特的计算优势[1],及其在机器学习、数据库知识发现、决策分析、专家系统和决策支持系统等方面的成功应用,粗糙集数据分析(RSDA)逐渐被公认为人工智能领域最具潜力的五大新兴技术(粗糙集理论、神经网络、演化计算、模糊系统及混沌系统)之一[2].     

基于动态交易项目集的关联规则更新

该文在交易数据库和最小支持度不变条件下,当用户动态地增加或删除交易项目集中的某些交易项目时,充分利用了交易项目集改变前已采掘出的频繁模式集,提出了两种关联规则的快速更新算法ｌｚｉ－ａｒ和Ｄｚｉ－ａｒ,经实验分析表明,该地关联规则的更 可行的和高效的。     

异质信息网络高阶层次化嵌入学习与推荐预测

异质信息网络是一种异质数据表示形式,如何融合异质数据复杂语义信息,是推荐系统面临的挑战之一.利用弱关系具有的丰富语义和信息传递能力,构建一种面向推荐系统的异质信息网络高阶嵌入学习框架,主要包括:初始化信息嵌入、高阶信息嵌入聚合与推荐预测3个模块.初始化信息嵌入模块首先采用基于弱关系的异质信息网络最佳信任路径筛选算法,有效地避免在全关系异质信息网络中,采样固定数量邻居造成的信息损失,其次利用新定义的基于多头图注意力的多任务共享特征重要性度量因子,筛选出节点的语义信息,并结合交互结构,有效地表征网络节点;高阶信息嵌入聚合模块通过融入弱关系及网络嵌入对知识良好的表征能力,实现高阶信息表达,并利用异质信息网络的层级传播机制,将被采样节点的特征聚合到待预测节点;推荐预测模块利用高阶信息的影响力推荐方法,实现了推荐任务.该框架具有嵌入节点类型丰富、融合共享属性和隐式交互信息等特点.最后,实验验证UI-HEHo学习框架可有效地改善评级预测的准确性,以及推荐生成的针对性、新颖性和多样性,尤其是在数据稀疏的应用场景中,具有良好的推荐效果.     

基于离散区间的频繁嵌入式子树挖掘算法

针对频繁嵌入式子树挖掘,利用离散区间来构造投影库,给出一种基于离散区间的频繁嵌入式子树挖掘算法。该算法通过离散区间消除冗余投影,有效地压缩投影库的规模,提高了子树节点计数效率,减低了算法的时空复杂性。实验结果表明该算法具有较高的挖掘效率。     

基于概念格的天体光谱离群数据识别方法

在宇宙中, 寻求特殊的、未知的天体是人类探索宇宙奥妙所追求的目标之一, 天体光谱离群数据识别方法是实现该目标的有效手段之一. 将概念格中每个概念节点内涵描述为天体光谱数据特征子空间, 提出了一种天体光谱离群数据识别方法. 首先将概念节点的内涵缩减看作天体光谱特征子空间, 并依据稀疏度系数阈值确定稀疏子空间; 其次对于稀疏子空间, 依据稠密度系数判定祖先概念节点内涵是否为稠密子空间, 进而判断出概念节点外延中包含的数据对象是否为天体光谱离群数据; 最后以离散化天体光谱数据作为形式背景, 实验验证了利用该方法识别出的天体光谱离群数据是准确的、完备的和有效的.     

基于MapReduce与相关子空间的局部离群数据挖掘算法

针对高维海量数据,在MapReduce编程模型下,提出了一种基于相关子空间的局部离群数据挖掘算法.该算法首先利用属性维上的局部稀疏程度,重新定义了相关子空间,从而能够有效地刻画各种局部数据集上的分布特征;其次,利用局部数据集的概率密度,给出了相关子空间中的局部离群因子计算公式,有效地体现了相关子空间中数据对象不服从局部数据集分布特征的程度,并选取离群程度最大的N个数据对象定义为局部离群数据;在此基础上,采用LSH分布式策略,提出了一种MapReduce编程模型下的局部离群数据挖掘算法;最后,采用人工数据集和恒星光谱数据集,实验验证了该算法的有效性、可扩展性和可伸缩性.