基于复合粒子群的数据分类方法

分类是数据挖掘中的一个重要任务。当前许多分类算法一般要求处理离散属性数据,提出了一种新的基于复合粒子群算法,它能对含有连续属性和离散属性值的混合数据进行分类。为提高分类正确率和效率,对基本粒子群采用复合结构编码,通过粒子群算法得到连续属性离散化后的候选分割点并分类,将混合数据分类问题转化为0-1组合优化问题。实验结果证明,该算法有很好的分类效果,而且具有较快的收敛速度。     

一种修复FDT文件的方法

本文通过分析ＦｏｘＰｒｏ数据库的ＦＰＴ文件的内部结构,发现有所Ｍ型字段数据为空的ＦＰＴ文件有相同的内部结构,从而提出了修复丢失了ＦＰＴ文件的数据的方法,并编制了通用程序。     

数据库安全问题

在数据库系统中,由于数据的集中管理以及随之而来的多用户存取和近年来迅速发展的跨网络的分布式系统,使得数据库的安全问题变得更为突出．影响数据库安全、可靠的因素很多,比如,软硬件故障;天灾人祸;人为的破坏等等．当然,有些情况是数据库系统本身无法解决的．本...     

基于机器学习算法的九寨沟自然保护区植被生态水储量定量反演研究

运用不同数据源(Sentinel-2B影像和Landsat8 OLI影像)和回归方法(XGBoost模型、MARS模型和随机森林模型)的能力,以改善九寨沟自然保护区的植被生态水储量定量反演。建立并采集了54个样地数据,以获得参考区域的实测植被生态水含量,并通过相关性分析计算出60个指标用作构建植被生态水储量模型的预测因子。结果表明,纹理指数在植被生态水反演中具有较高的相关性,属于重要变量指标。在XGBoost模型中,结合Landsat8 OLI和Sentinel-12B影像作为预测变量反演的相关性最高,R²为0.57,RMSE为48,提供了最好的生态水储量估计。     

基于变异粒子群的聚类挖掘

聚类可以看成是寻找K个最佳聚类中心的过程。把一组聚类中心视为一个粒子,把总类内离散度和的倒数看成优化函数,采用变异概率作为粒子变异的条件,从而提高了粒子群的探索能力,克服粒子群收敛到局部最优值的缺点。因此通过变异粒子群算法能够找到最佳聚类中心。实验结果表明该算法有很好的稳定性,提高了聚类效果。     

基于改进粒计算的K-medoids聚类算法

针对传统K-medoids聚类算法对初始聚类中心敏感、收敛速度缓慢以及聚类精度不够高等缺点,提出一种基于改进粒计算、粒度迭代搜索策略和优化适应度函数的新算法。该算法利用粒计算思想在有效粒子中选择K个密度大且距离较远的粒子,选择其中心点作为K个聚类初始中心点;并在对应的K个有效粒子中进行中心点更新,来减少迭代次数;采用类间距离和类内距离优化适应度函数来提高聚类的精度。实验结果表明：该算法在UCI多个标准数据集中测试,在有效缩短迭代次数的同时提高了算法聚类准确率。     

采掘有效的关联规则

关联规则挖掘是数据挖掘中重要的研究课题．为了减少关联规则挖掘中的无效关联规则。我们分析了其原因，提出了二种改进方法，即在衡量标准中增加影响度或相对置信度．根据它们的大小，我们将强关联规则分为正关联规则、无效关联规则、负关联规则,我们给出了用新衡量标准挖掘关联规则的改进算法，并用Visual FoxPro进行了试验．实验表明：新方法能明显减少无效关联规则的数目．     

数据挖及其发展研究

讨论了数据挖掘的产生，定义，操作对象和分类方法，论述了数据挖掘可以挖掘的模式及其兴趣度，简要介绍了几种流行的数据挖掘系统，最后提出了挖掘研究今后的若干发展趋势。     

Apriori算法用于频繁子图挖掘的改进方法

AGM算法最早将Apriori思想应用到频繁子图挖掘中。AGM算法结构简单,以递归统计为基础,但面临庞大的图数据集时,由于存在子图同构的问题,在生成候选子图时容易产生很多冗余子图,使计算时间开销很大。基于AGM算法,针对候选子图生成这一环节对原算法进行改进,减少了冗余子图的生成,使改进后的算法在计算时间上具有高效性;测试了在不同最小支持度情况下改进方法的时间开销。实验结果表明改进算法比原算法缩短了计算时间,提高了频繁子图的挖掘效率。     

基于改进的PSO算法求解电力公司最优报价策略

电力公司报价策略是一个双层优化问题,其中上层的ISO是保证社会公共效益最大化而制定的市场清除价模型,确定参与发电的电力公司,下层是基于发电公司利润最大的模型。采用启发式算法求解简单易行,最优解具有全局性,且与初始点选择无关。运用改进后的粒子群优化算法（PSO）求解电力公司利润最大的优化问题,并与确定性方法的计算结果进行了比较。在IEEE30节点6机系统验证了该方法的有效性。