递归算法的教学与程序调试能力的培养

本文指出了递归算法的教学方法以及程序调试能力的培养过程,提出了一种程序执行状态数值化的方法,实现了对程序执行流程的图形化,并以Hanoi问题、九连环问题为例,展示了一组优美的程序状态变化图。     

改进的多流形LLE学习算法

流形学习已成为机器学习和数据挖掘领域的研究热点。比如,算法LLE（Locally Linear Embedding）作为一种非线性降维算法有很好的泛化性能,被广泛地应用于图像分类和目标识别,但其仅仅假设了数据集处于单流形的情况。MM-LLE（Multiple Manifold Locally Linear Embedding）学习算法作为一种考虑多流形情况的改进算法,依然存在几点不足之处。因此,提出改进的MM-LLE算法,通过任意两类间的局部低维流形组合并构建分类器来提高分类精度;同时改进原算法计算最佳维度的方法。通过与算法ISOMAP、LLE以及MM-LLE比较分类精度,实验结果验证了改进算法的有效性。     

基于闭合频繁Induced子树的GML文档结构聚类

提出了一种GML文档结构聚类新算法MCF_CLU.与其它相关算法不同,该算法基于闭合频繁Induced子树进行聚类,聚类过程中不需树之间的两两相似度比较,而是挖掘GML文档数据库的闭合频繁Induced子树,为每个文档求一个闭合频繁Induced子树作为该文档的代表树,将具有相同代表树的文档聚为一类.聚类过程中自动生成簇的个数,为每个簇形成聚类描述,而且能够发现孤立点.实验结果表明算法MCF_CLU是有效的,且性能优于其它同类算法.     

不平衡数据分类方法综述

分类问题是机器学习领域的重要研究内容之一,现有的一些分类方法都已经相对成熟,用它们来对平衡数据进行分类一般都能取得较好的分类性能,但在现实世界中数据往往都是不平衡的,而现有的分类器的设计都是基于类分布大致平衡这一假设的,如果用这些方法来对不平衡数据进行分类就会导致分类器的性能下降,因而研究用于处理不平衡数据集的分类方法显得相当重要.为便于读者更清晰地了解数据不平衡分类问题的研究现状和未来研究的动向,本文对相关的研究进行了综述和展望.     

三维空间中面对象相邻关系的判断算法

提出了三维空间中面对象相邻关系的判断算法CRAR与算法CRAR-DF.计算空间面对象与其他空间对象之间的距离,如果该距离小于给定的阈值,则认为面对象与该对象相邻.算法CRAR-DF在算法CRAR的基础上利用距离函数进行相邻关系的快速判断.实验结果表明,算法CRAR和算法CRAR-DF能够准确地判断面对象的相邻关系,且CRAR-DF具有较高的效率.     

基于加权颜色直方图和颜色对的图像检索系统

提出了基于加权颜色直方图的图像检索算法以及基于颤色对的图像检索算法，该算法分别利用图像的加权颜色直方图和颜色对作为图像特征，通过图像的相似性计算实现图像匹配．用Visual C^ 实现了基于加权颜色直方图和颜色对的图像检索系统，阐述了该系统的组成结构．同时给出图像检索实例．并对该系统的检索效果和性能进行了详细分析．实验结果表明该系统具有较好的检索效果和性能．     

基于QR树索引的面包含关系求解算法

为提高空间拓扑计算中求解面包含关系的效率,提出一种基于QR树索引的面包含关系求解算法。根据空间对象的几何信息建立QR树索引,利用QR树查找面包含的空间对象,并将该算法应用于基于线面包含关系的GML空间聚类。实验结果表明该算法能有效提高计算面包含关系的时间效率。     

网络课程群综合实验教学平台的构建与实施

从南京师范大学省级计算机实验教学示范中心建设项目出发,较系统地论述计算机网络原理以及相关课程的教学内容,提出"网络主导、课程协同、情景教学、综合应用"的网络课程群模式,详细地规划了网络课程群的实验体系、实验组织、实验设备和环境的建设方案,以期建立符合计算机网络教学和人才培养需求的高质量、高效率和高水平的综合性平台。     

基于DDMINER分布式数据库系统中频繁项目集的更新

给出了一种分布式数据挖掘系统的体系结构DDMINER，对分布式数据库系统中频繁项目集的更新问题进行探讨，既考虑了数据库中事务增加的情况，又考虑了事务删除的情况；提出了一种基于DDMINER的局部频繁项目集的更新算法ULF和全局频繁项目集的更新算法UGF．该算法能够产生较少数量的候选频繁项目集，在求解全局频繁项目集过程中，传送候选局部频繁项目集支持数的通信量为O(n)；将文章提出的算法用Java语言加以实现，并对算法性能进行了研究；实验结果表明这些算法是正确、可行的，并且具有较高的效率．     

分布式决策树算法研究与实现

提出了一种基于分布多库环境下的决策树生成算法DDTA（Distributed Decision Tree Algorithm）．该算法使用基于信息熵增益的思想分割各个分布的、同构训练样本集,各分布站点利用服务器传来的分割属性分割自己的样本集,服务器则通过对所有分布站点传来的信息计算各个属性的信息熵增益得到分割属性．实验表明DDTA算法能对分布同构样本集进行有效决策树挖掘,分布多库环境下生成的决策树是正确的．与算法INDUS相比,该算法的通信代价小．