一种多重最小支持度关联规则挖掘算法

针对单一最小支持度挖掘关联规则不能反应不同数据项出现频度与性质的问题,提出了一个基于频繁模式树的多重支持度关联规则挖掘算法MSDMFIA(Multiple minimum Supports for Discover Maximum Fre-quent Item sets Algorithm),根据不同数据项的特点定义多重支持度,通过挖掘数据库中的最大频繁项目集,计算最大频繁候选项目集在数据库中的支持度来发现关联规则.该算法可以解决关联规则挖掘中经常出现的稀少数据项问题,并解决了传统的关联规则挖掘算法中的生成频繁候选集和多次扫描数据库的性能瓶颈.实验结果表明,本文提出的算法在功能和性能方面均优于已有算法.     

基于离散度的SVDD支持向量预选取方法

为了提高SVDD训练效率、降低存储空间需求,提出了样本的离散度概念,从理论上证明了样本的离散度和支持向量可能性大小之间的关系,并以此为依据来预选取支持向量.仿真实验表明该方法能够在保证SVDD分类精度的前提下,大幅减少训练样本数,而且比现有的其它方法精度更高,证明了该方法的有效性和优越性.     

地区清廉度对地方政府环境治理的影响研究

基于2003-2018年中国30个省区的面板数据,检验了地区清廉度对地方政府环境治理的两个理论假说.结果表明:清廉度降低对地方政府各种环境治理方式均有一定程度的负面影响,且对政府环保执法的负面影响更加显著;与东部地区相比,清廉度降低对中西部地方政府环境治理的负面影响更加明显.因此,地方政府应当切实转变经济发展方式,加大...     

多支持度在非频繁项集挖掘中的研究

关联规则是当前数据挖掘研究最重要的分支之一,目前的关联规则多是在频繁项集的基础上进行挖掘,而没有挖掘非频繁项集的算法。本文在多支持度算法的基础上,提出了一种新的算法模型,在挖掘频繁项集的同时还能够对非频繁项集进行挖掘。     

基于可变支持度的流数据频繁模式挖掘算法

大量的动态数据使得传统数据挖掘方法难以适应流数据.频繁模式挖掘算法大多在挖掘频繁项集时使用一个固定的最小支持度,然而实际使用中支持度阈值应该随用户需求和流数据的特点而改变.针对此问题提出一种名为VSSDM的算法,用于在流数据中以可变支持度挖掘频繁项集.     

“社会支持理论”在新建地方本科院校校友工作中的应用

新建地方本科院校大多在专科院校基础上扩充、合并、升格而成的,它们在推进高等教育大众化、多样化、地方化进程方面的作用日益显著。随着学校的发展和广泛的对外交流,校友工作对新建地方本科院校发展的重要作用日益显现,而新建地方本科院校校友工作目前仍处于探索阶段,理论研究和分析成果较少,用社会支持理论对新建地方本科院校校友工作进行简要分析并提出改善措施,可以在一定程度上丰富高校理论与实践研究。     

基于云隶属度支持向量机的舰船购置费时间序列预测

模糊支持向量机降低了传统支持向量机对异常点的敏感度,但其模糊隶属度函数对样本点的分类缺乏模糊性,影响舰船购置费预测的精度。因此,利用云理论能够科学表达模糊性的特点,设计了一种面向异常点模糊分类的云隶属度发生器;在支持向量机中引入这种云隶属度发生器,提出了一种基于云隶属度的支持向量机算法;构建了基于云隶属度支持向量机的舰船购置费时间序列预测模型。实验证明：该算法模糊地降低了模型对异常点的敏感度,并自适应地对支持向量约束水平进行寻优,提高了舰船购置费预测的精度。     

基于模糊偏序关系支持度模型的真值发现算法

为了解决主数据集成、web数据集成中的真值发现问题,提出了一种基于模糊偏序关系支持度计算模型的真值发现算法(FA-SDCM)。针对已有算法中,以描述相似度替代描述支持度进行计算,忽视了描述所含真值信息的不对称性问题,在分析描述本身特性的基础上,提出了描述蕴含概念,定义了基于模糊偏序关系的支持度计算模型,较好地解决了描述所含真值信息的不对称性问题。在考虑了数据源可信度及描述之间支持度对真值发现影响的基础上,基于迭代思想,提出了FA-SDCM算法。在Books-Authors数据集上进行实验,结果表明FA-SDCM算法比Vote算法与TruthFinder算法具有更高的准确率。