通用报表生成工具及其与MIS的集成

本文叙述了一个通用报表生成工具的设计与实现情况。该工具支持各种结构的报表的自动生成，并提供了一致的数据接口和定义及操纵报表的用户界面，能方便地集成到ＭＩＳ中，提高了系统开发效率，增强了系统可维护性与可扩展性。     

浅谈学校建筑的建筑文化设计

学校建筑设计中运用无形的文化资源非常之多,比较典型的是地域文化、"意境美"、地缘文化等。建筑文化设计赋予学校建筑丰富多彩的灵魂。     

高可伸缩性海量数据挖掘技术

挖掘海量数据从中发现有用的信息与知识是人们面临的重大挑战，而目前大多数挖掘算法对于海量数据的可伸缩性较差。针对频繁模式与关联规则挖掘问题，提出了数据集削减法，设计了相应的缓冲管理模型，将宽度与深度挖掘相结合，用于扩展Apriori和OpportumeProject两个算法。实验表明，扩展后的算法不仅可伸缩性大大提高，而且时间效率的提高也非常显著。     

智能学习中的知识表示和知识聚类

e-Learning中的智能化学习一直是诸多网络教育研究人员努力去解决而至今尚未有合适解决方案的一个问题。采用传统的导航方式或搜索引擎方式引导学习过程有着自身固有的缺陷。一种新的引导方式是:基于知识指定的表示和组织方式,以知识项和知识交流域(上下文)的映射来引导学习过程。这种方式以知识项得到领域专家认证为前提,通过关联规则对知识进行有效的聚类,给出一系列相关的知识项(相关案例或有关内容),向学习者提供建议性的学习内容,方便了关联学习。     

一种直接生成跨层频繁模式的算法

定义了一种基于树的跨层模式信息表示，在此基础上提出了直接生成跨层频繁模式算法TBA－CLFP，它能高效地挖掘多层特别是跨层频繁模式，实验表明TBA－CLFP的时间效率与空间可伸缩性远优于Cumulate,Apriori等经典算法，TBA－CLFP可进一步推广到数量型频繁模式挖掘。     

黑板系统的关键技术与开发

本文阐明了人工智能中黑板系统的基本结构，全面分析了黑板体系结构、知识源结构、控制机制、知识应用策略、搜索与识别问题和其中的关键技术。结合目前分布式人工智能的发展状况，探讨了黑板系统的研究方向和发展趋势。     

基于开源框架的高质量J2EE应用架构

在分析大量高质量开源框架的优缺点基础上,提出分层解耦、一个框架管理一个应用层次思想,并通过筛选、整合、扩展多个开源框架和对比多个具体整合模式,提出优秀的J2EE应用架构(Struts Spring Hibernate),并利用此架构实际开发了一个高质量的J2EE应用.实践证明,利用整合的架框易于大规模的开发与管理,且开发的系统具用重复代码少、可扩展性和可维护性强等优点.     

基于混合投影的频繁模式挖掘算法

频繁模式挖掘是最基本的数据挖掘问题，由于内在复杂性，提高挖掘算法性能一直是个难题．耶是通过数据库混合投影来挖掘频繁模式完全集的全新算法．HP混合投影思想是：任意数据集都不能简单地归入某个单一特性类别，挖掘过程应根据局部数据子集的特性变化动态地调整频繁模式树构造策略、事务子集表示形式、投影方法．HP提出基于树表示的虚拟投影与基于数组表示的非过滤投影，较好地解决了提高时间效率与节省内存空间的矛盾．实验表明，HP时间效率比Apriori，FP—Growth和H-Mine高出1～3个数量级，并且空间可伸缩性也大大优于这些算法．     

实现动态数据流分布式挖掘的网格平台模型

围绕挖掘动态数据流频繁模式问题，详细讨论数据流管理模型和挖掘技术；设计兼容网格基础结构、支持多种挖掘策略的数据挖掘网格平台；发展伺机挖掘思想，根据局部数据流片段的特性不断地调整存储结构和变换搜索方式，解决效率与空间的矛盾，提高微观效率；应用网格技术有效地利用计算资源进行分布式挖掘，提高宏观效率。     

挖掘闭合模式的高性能算法

频繁闭合模式集惟一确定频繁模式完全集并且尺寸小得多,然而挖掘频繁闭合模式仍然是时间与存储开销很大的任务.提出一种高性能算法来解决这一难题.采用复合型频繁模式树来组织频繁模式集,存储开销较小.通过集成深度与宽度优先策略,伺机选择基于数组或基于树的模式支持子集表示形式,启发式运用非过滤虚拟投影或过滤型投影,实现复合型频繁模式树的快速生成.局部和全局剪裁方法有效地缩小了搜索空间.通过树生成与剪裁代价的平衡实现时间效率与可伸缩性最大化.实验表明,该算法时间效率比其他算法高5倍到3个数量级,空间可伸缩性最佳.它可以进一步应用到无冗余关联规则发现、序列分析等许多数据挖掘问题.