利用U矩阵对SOM网络的处理

自组织神经网络的最大优点是能够保持原始数据的拓扑结构。但是当数据量很大的时候，自组织神经网络的神经元的数据也随之增大。因此为了更好地对数据进行分析，需要将自组织神经网络中相似的神经元进行分组，也就是聚类。在对SOM网络进行再次分析之前，为了减少“噪音”数据和孤立点对聚类结构的影响，用U矩阵的变型方法对自组织神经网络分析的结果进行预处理。     

P2P网络中基于RDF/S的数据库语义查询系统设计*

提出一种P2P网络环境下基于RDF/S 数据模型的数据库语义查询原型系统,可以有效地对各种基于ODBC的异构数据源进行语义查询。首先数据内容经RDF/S描述成RDF/S schema片断形式,然后对片段进行编码,再把编码杂凑到DHT中,就可以使用Chord协议定位目标节点。     

邮电网络与信息高速公路

介绍了深圳市邮电局计算机网络的体系结构与系统功能，并通过分析网络建设过程中所遇到的问题，指出了我国信息高速公路建设中可能出现和应该注意的问题。     

基于聚类和分类的自学习系统模型

论文在分析聚类与分类方法的基础上,尝试将这两种独立的开采方法集成起来,使两种开采方法能够相得益彰。由此建立的知识发现系统能自动利用已有知识进行分类,同时可较为准确地估计聚类分析所必需的参数,并通过聚类分析来发现和修正错误知识。论文给出了集成方法和实验结果,最后对该集成算法的性能进行了分析。     

量化关联规则的几种开采算法及其比较

关联规则的发现是数据挖掘的一个重要方面，而数量关联规则的发现不同于传统的布尔型关联规则。属性值的离散映射是挖掘定量关联规则的一个重要环节，离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素。该文介绍几种发现大型事务数据库中数量关联规则的算法，并对他们加以比较。     

基于粗糙集理论的一种属性约简算法

MIBARK算法在度量属性的重要性时计算量很大,它需要多次计算不同条件属性组合与决策属性之间的互信息。论文的改进算法以属性的频率作为选择属性的启发信息,由过滤差别矩阵得到属性的频率。实验表明,在获得相同属性约简的前提下,该算法与MIBARK算法相比,属性约简的计算量较少,提高了计算速度。     

一种新的两阶段抽样算法

两阶段抽样算法从海量数据集中抽取样本数据用于数据挖掘，当数据集规模过大时算法效率偏低，当数据集规模过大且为稀疏数据集时抽样精度偏低。本文改进了传统两阶段抽样算法，提出新的抽样算法EAFAST，可自适应地调节算法参数，而且能充分利用历史信息进行启发式搜索。实验证明，EAFAST算法可同时提高算法效率和抽样精度，弥补了传统算法的不足。