基于交叉位图的多维流分类算法*

聚合位向量算法(ABV)是一种快速的流分类算法,但由于空间占用量大,并不适合大规模规则库。基于聚合位向量算法,提出一种新的改进算法,在不影响时间效率的基础上,通过改变算法中位图的存储方式,将聚合位图与位图交叉存储,忽略位图中全为0的部分,极大地减少了空间开销。最后,在仿真环境中对算法进行评测表明,该算法在大规模规则库中具有良好的时空效率。     

基于Bin位图索引的多维查询优化算法

在属性基数（该属性可能的取值数）很高的情况下,简单位图索引需要占用太大存储空间。Bin位图索引可以很好解决这个问题。这种索引不像简单位图索引那样建立在不同的属性值上,而是建立在属性范围上,但候选检查往往占用大部分的查询时间。为了提高查询性能,提出一种排序方法来对各属性进行排序,以减少候选检查数目,并在此基础上提出动态预扫描算法。实验结果表明,排序和动态预扫描算法都取得了良好的效果。     

一种基于递归流的快速多维包分类算法

为了使用户在现有的网络上得到不同的服务类型和更好的QOS,同时满足下一代网络的需要,包分类技术受到越来越多的关注,本文在介绍RFC包分类算法的基础上,提出一种新的快速多维包分类算法。     

基于交叉覆盖算法的文本分类

分类是文本信息搜索和挖掘的核心内容,被广泛应用于搜索引擎的设计以及数据挖掘的研究中。首先对文本进行分词,对分词的结果采用x2统计量的方法提取特征,再使用前向神经网络的交叉覆盖算法作为分类器进行文本分类。实验表明,x2统计量可大规模降低特征维数,在此基础上结合交叉覆盖算法的优秀分类能力,可在特征维数较低的情况下获得一个性能较好的文本分类器。     

基于交叉覆盖算法的文本分类

分类是文本信息搜索和挖掘的核心内容,被广泛应用于搜索引擎的设计以及数据挖掘的研究中。首先对文本进行分词,对分词的结果采用x2统计量的方法提取特征,再使用前向神经网络的交叉覆盖算法作为分类器进行文本分类。实验表明,x2统计量可大规模降低特征维数,在此基础上结合交叉覆盖算法的优秀分类能力,可在特征维数较低的情况下获得一个性能较好的文本分类器。     

基于RFC算法的快速多维数据包分类算法

数据包分类技术应用于许多网络服务,其性能基本决定了服务的质量。RFC算法是具有代表性的数据包分类算法,分类速度快,但由于存储开销巨大,增加了算法实现的存储消耗,加大了成本。该文在RFC算法的基础上提出了一种利用Hash技术减少存储开销且保持相对快速的数据包分类算法。     

基于多维特征交叉的深度协同过滤算法

基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。     

基于位图连接索引的复杂多维层次的连接和聚集算法

在ROLAP中往往涉及到大量数据的复杂即席查询，从SQL角度看，这些查询通常都包含多表连接和分组聚集操作。本文提出了一种连接和聚集操作的新算法JAMDHBJI，该算法充分考虑了ROLAP中复杂多维层次的特点，同时考虑到并非全部维都具有维层次的语义特性，将维层次编码和位图连接索引有效结合，把复杂的连接和分组聚集操作转化为在事实表上的区域查询，从而大大提高了连接和分组聚集的效率。理论分析表明该算法是高效的。     

基于网络处理器的多维包分类算法

提出一种基于网络处理器并行处理能力的多维快速IP数据包分类算法.首先对包过滤规则库进行有效的预处理,以使对规则的分组能够最大限度地发挥并行算法的优势;在合理分组之后对每一组规则实施相关的三值TRIE树最优编码,这种最优编码形式从根本上消除了在对规则库进行压缩编码时产生的规则扩展问题.算法的最终实现,仅需要对数据包进行一次索引表的哈希查询和一次规则匹配,因此有效提高了包分类运算的效率.     

基于交叉覆盖算法的中文文本分类

基于向量空间模型的文本分类过程中遇到的最大问题就是以词为特征项的向量维数太大，需要进行特征选取，而交叉覆盖算法的输入集是n维欧式空间的点集，可以忽略维数的大小，从而最大程度上精确地表示文本，然后再进行分类，能够大大提高正确率。将交叉覆盖算法作为一种分类算法来进行中文文本分类，取得了不错的效果，在封闭测试中的准确率达到98.32%。     

基于Patricia树的快速多维分组分类算法

通过分类规则矩阵的分析,构造适于硬件实现的Patricia分类树,从而实现了基于Patricia树的快速多维分组分类算法PBT。该算法具有较好的灵活性和可扩展性,在存储空间、查找时间上也具有较强的优越性。     

基于交叉覆盖设计算法的空间分类挖掘

空间数据库中存储了大量的空间和非空间数据,并且隐含了丰富的知识.为了从空间数据库中发现有价值的模式和知识,文中介绍了空间数据分类挖掘的研究现状和方法,及M-P神经元的超球领域几何意义,然后将多层前向神经网络的交叉覆盖设计算法应用于空间数据分类挖掘中,用来预测和分析森林覆盖类型,实验得到了很好的效果.     

基于交叉覆盖设计算法的空间分类挖掘

空间数据库中存储了大量的空间和非空间数据,并且隐含了丰富的知识。为了从空间数据库中发现有价值的模式和知识,文中介绍了空间数据分类挖掘的研究现状和方法,及M-P神经元的超球领域几何意义,然后将多层前向神经网络的交叉覆盖设计算法应用于空间数据分类挖掘中,用来预测和分析森林覆盖类型,实验得到了很好的效果。     

流分类算法综述

流分类问题是当前国内外研究的热点 ,流分类算法层出不穷 .首先介绍了流分类的重要意义 ,然后简单的介绍了流分类问题涉及到的一些概念性问题 ,最后着重介绍了目前流分类的最新成果 .本文对每一类详细介绍了其中典型的算法 ,并且对各算法的性能进行了分析比较     

基于多维问题的交叉算子量子粒子群优化算法

针对量子行为粒子群优化(QPSO)算法在求解多维问题时优秀维信息丢失的问题,引入交叉算子的策略,改善解的质量,提升算法性能。首先,分析了量子粒子群算法进化过程中的粒子整体更新评价策略,发现各维信息之间相互干扰,会丢失已经搜索到的优秀维信息;然后,指出如果采用逐维进化方法,会指数级增加算法的复杂度;最后,提出对进化过程中的问题解采用多点交叉的策略增加优秀维信息的保留概率,并将改进后的量子粒子群算法与线性下降参数控制策略、非线性下降参数控制策略方法通过12个CEC2005 benchmark测试函数进行了比较,并对结果进行了分析。仿真结果显示,所提算法比改进前在10个测试函数中取得了明显的改进效果,而比其他2种改进算法也在7个测试函数中取得了优势。因此该算法能够有效提升量子粒子群优化算法的性能。     

基于聚合折叠向量的多维包分类算法*

系统地论述了目前包分类研究的相关领域:分类器的种类、分类算法的评价准则、设计分类算法的原则和现实规则库的特点等.通过对各分类算法和现实规则库的特点进行分析,采用聚合折叠向量法,提出了一种适用于多维大规则库的多域分解查找算法及其硬件实现模型,解决了高性能五维包分类问题.算法采用并行与流水相结合来实现,进一步提高了包分类的性能.     

分组映射多维流分类方法分析研究

流分类技术为多种高级网络服务提供支持,是未来宽带通信网络中的关键技术之一。RFC（Recursive Flow Classification）算法是一种具有代表性的流分类算法。分析RFC算法的特点后,针对其在空间效率和规则集更新上存在的不足,提出了一种基于分组映射的五维流分类算法。与RFC算法相比,该算法大大降低了存储空间,并支持规则集的动态更新。     

多维流序列并行预测算法研究

提出并行算法MSSF-VQ(Multiple Sequential Stream Forecast algorithm based on Vector Quantization),以解决多维序列流的未来趋势预测问题.算法利用矢量空间表示序列流的计算模型,并采用量子化技术离散处理连续序列流,然后提出了序列流矢量概率树的构造算法和搜索算法,最后阐述了算法步骤.真实流序列上的实验结果表明,MSSF-VQ算法预测的准确率高,速度快,在线处理占用的空间小,并有良好的扩展性.