基于改进Apriori算法的评教系统应用研究

指出了Apriroi算法的不足,并提出改进算法:在剪枝侯选项目集的时候,采用生成频繁项目集和删除具有非频繁子集候选同时进行的方法来减少多余子项目集的生成。这样,既提高了扫描数据库过程中的信息获取率,又及时删除超集不是频繁项目集的项集,进一步缩减项集的潜在规模,提高了频繁项目集即关联规则生成的效率。讨论了如何利用改进的Apriori算法对评教系统数据进行关联规则挖掘。     

一体化应急联动系统设计研究

针对我国目前应急联动系统的建设情况,提出了一种应急与非应急一体化大联动系统的设计架构。给出了系统中各个主要模块功能结构,并设计了整个系统的处警流程。该架构能有效的解决警情信息的危机等级在动态变化的现实情况,有效的整合了资源,提高了处警效率,在了不同的联动部门间起到了较好的协调作用。与传统设计方案相比,该设计架构能更好适应未来应急联动系统的发展要求,为未来应急联动系统的建设进行了有益的探索。     

AACP：可靠多播网络中的自适应主动缓存管理协议

缓存管理是影响可靠多播协议性能的重要因素.在可靠多播领域,现有大多数缓存管理机制的设计目标限于单多播组的网络环境.在缓存资源被多个多播组所共享的Internet环境中采用单组缓存管理方案无法获得预期目标.为了解决该问题,基于主动式网络中路由器能够执行预设计算并缓存数据的特点,提出并实现了一种全新的多播网络缓存管理协议(Adaptive and Active Cache Pool,简称AACP).AACP提出全局动态分配,Borrow-In和Return3种核心策略,首次提出采用全局加权移动平均计算缓存配额,并设计出分级,TTL缓存替换算法.NS2模拟实验的结果数据表明,AACP能为多播网络在恢复延迟,带宽消耗和网络吞吐等方面带来显著的性能提升.这同时也意味着AACP将为对数据完整性和实时性要求极高的多播应用,如金融电子化实时系统和电子白板等,提供高质量的基础支撑.     

基于贝叶斯网络的半监督聚类集成模型

已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低。把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点。主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Califor     

基于隐含变量的聚类集成模型

聚类集成能成为机器学习活跃的研究热点,是因为聚类集成能够保护私有信息、分布式处理数据和对知识进行重用,此外,噪声和孤立点对结果的影响较小.主要工作包括:第一,分析了把每一个基聚类器看成是原数据的一个属性这种处理方式的优越性,发现按此方法建立起来的聚类集成算法就具有良好的扩展性和灵活性;第二,在此基础之上,建立了latent variable cluster ensemble(LVCE)概率模型进行聚类集成,并且给出了LVCE 模型的Markovchain Monte Carlo(MCMC)算法.实验结果表明,LVCE 模型的MCMC 算法能够进行聚类集成并且达到良好的效果,同时可以体现数据聚类的紧密程度.