时序测试数据的粗糙集离散化方法研究

用粗糙集理论研究时序测试数据,主要目的是从中挖掘出有用知识.但是原始信息表不能直接用粗糙集进行处理,而要求对信息表进行预处理,即离散化处理.时序信息表的离散化问题本质上可归纳为利用选取的断点对条件属性构成的空间进行划分问题,即把n维空间划分为有限个区域使每个区域中对象的决策值相同.时序信息表的粗糙集离散化算法可以根据给出的信息表求出所有可能的断点集,而且采用任意一种断点集,得到的新信息表不会引入冲突.本文对离散化问题进行了严格的数学定义,阐述了粗糙集离散化算法及启发式算法,并对几个主要问题进行了讨论.     

频繁项目集及相关事务集的挖掘算法

发现频繁项目集所关联的事务集是十分有意义的,它能使人们了解频繁项目集是由哪些顾客的购买行为所引起的。文章首先定义了事务树及其相关操作,在此基础上,设计了一种能在挖掘频繁项目集的同时发现项目集所在事务集的算法(FS-TS_DM),该算法具有仅需扫描一次事务数据库的特点。另外,还定义了“分散度”指标,用于指导“真频繁项目集”的挖掘。     

不生成候选项目集的并行挖掘关联规则

为了减少并行挖掘关联规则过程中产生的网络流量及同步次数，提高挖掘效率，在Tree-DM算法的基础上，提出了不生成候选项目集的并行关联规则挖掘算法Ptree-DM。给出了Ptree-DM算法的执行示例，并对该算法的效率进行了分析和讨论。     

选择分类器进行入侵检测

使用集成分类器的方法进行入侵检测,但差的个体分类器往往会对集成性能造成不良影响。因此,使用信息增益法评价各分类器性能,并剔除表现不好的若干个分类器。一方面,降低了分类器空间维数。另一方面,提高了集成效果。在公用的入侵检测数据集上的实验结果表明,本文方法具有较好的集成效果,优于单分类器性能。     

精英交叉二进制蝙蝠算法求解0-1背包问题*

针对基本蝙蝠算法收敛速度慢,易早熟的问题,提出了一种精英交叉二进制蝙蝠算法。该算法借鉴精英策略和遗传算法中的交叉机制,按照一定比例选择蝙蝠群中的精英个体进行交叉,将得到子蝙蝠群和父蝙蝠群进行混合择优,保证蝙蝠群的多样性和优秀性,提高了全局搜索能力;为提高局部搜索能力,算法在对每个个体计算适应度值时加入贪心策略;另外,通过对蝙蝠群最优解进行动态监测,适时对种群进行柯西变异,使算法具有跳出局部极值的能力。通过对5个实例的仿真计算比较表明,该算法与改进贪心遗传算法,贪心二进制蝙蝠算法和病毒协同蝙蝠算法相比,无论是收敛速度还是寻优能力都表现优异,为求解0-1背包问题提供了一个实用的算法。     

邻域结构为复杂网络的粒子群算法*

为避免早熟收敛和局部最优,设计了一种基于复杂网络进行个体交互的粒子群算法(CNS-PSO)。该算法在粒子与网络节点间建立映射关系,并根据节点的邻居集合,获得粒子的动态飞行邻居。每个飞行邻居集合是一个独立又彼此联系的进化小社会。在CNS-PSO中,每个粒子的位置更新策略不仅考虑了认知部分及社会的信息共享,还考虑了小社会内和小社会间的信息交流。在8个测试函数上,将CNS-PSO与标准PSO进行了对比,在不同维度的大多数函数上,前者的性能均优后者。说明具有无标度网络邻域结构的CNS-PSO算法具有较强的避免早熟和逃逸局部最优的能力。     

使用Fisher线性判别方法的提取分类器

为了消除个体分类器间的相关性,提高集成器分类性能及稳定性,提出了基于Fisher线性判别方法的分类器提取方法。该方法将高维分类器空间压缩至低维分类器空间,并在该空间内学习集成器。在多个数据集上的比较实验结果表明,该方法可行,其集成性能较理想。     

一种有效的软件测试模型

软件测试是软件质量保证的一个重要元素。在测试过程中使用合理的软件测试模型可以降低测试在开发活动中的花费。该文提出了一个软件测试模型。该模型将软件测试贯穿软件开发周期的各个阶段,可以尽可能早地发现软件中的错误,有效地缩短了测试在软件开发过程中所占的时间。最后给出该测试模型在报表生成软件升级开发项目中的应用。     

邻域结构为复杂网络的差分演化算法*

为了提升差分演化算法对局部最优的逃逸能力和避免早熟收敛,设计了一种邻域结构为复杂网络的差分演化算法(CNS-DE)。该算法将复杂网络上每一个节点定义为一个计算个体,节点间的连接关系决定了个体间的交互结构。CNS-DE的差分策略主要基于节点（个体）的邻居关系定义,该策略有利于保持群体的多样性,充分利用了群体分布特性。在函数寻优的经典数据集上,将CNS-DE与传统差分算法进行了对比。结果表明,该算法能有效避免陷入局部最优,有效改善了早熟现象,对解的质量有较大幅度提高。     

基于深度自编码的局部增强属性网络表示学习

基于深度自编码器的网络表示,可以捕获高度非线性的网络结构,但当链接稀疏时学到的表示不够准确。针对这一问题,提出一种基于深度自编码的局部增强属性网络表示学习模型,以提高表示学习的准确度。该模型首先利用链接与属性特征,采用多个深度自编码器,学习保持网络拓扑结构及属性特征的低维网络表示。之后,基于节点间近邻结构及属性相似性,对学出的低维网络表示进行节点约束,实现网络局部结构增强,达到最大程度保持原始结构信息及属性特征的目的。在五个真实属性网络上的实验结果表明,提出的模型在聚类与分类任务中,效果均优于目前流行的表示学习方法。