处理tibco中间件交互数据的通信系统设计与开发

高强汽车板MES系统采用Tibco中间件通过XML与其它系统通信。按惯例是用后台进程定时读取循环解析XML中的数据。该方式资源占用高,要频繁地读取数据库。为了解决如上问题,在新的通信方式上进行了技术攻关,解决了以往不足。通过触发器触发相应报文的解析存储过程,然后直接把解析后的数据保存到数据库。新的方式免除了频繁扫描数据库对数据库系统的占用,降低了服务器磁盘系统的占用,也减少了数据出错的几率。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。     

基于聚类的数据加权优化在犯罪预测中的应用

近年来，我国传统暴力犯罪与成年人犯罪呈下降态势，但是，犯罪案由层出不穷。为有效提升公安实践工作中犯罪预测能力，打击各类违法犯罪事件,本文针对犯罪数据，提出一种新型犯罪预测模型。利用密度聚类分析方法将犯罪数据分类，然后进行数据降维提取关键属性生成特征数据，继而对特征数据进行加权优化并采用机器学习的方式对特征数据进行学习，从而预测犯罪案由。实验结果表明，与传统方法相比，本文方法具有更好的预测效果，为公安实践工作中类似案件的侦破和预防，提供新的路径支撑。     

基于供应链管理的大数据应用分析

近几年大数据时代逐渐对我国的技术革新与企业经营造成一定的影响,以及大力的对商业革新、社会变革与科技创新的发展进行推动,而且在现代市场快速的发展与进步的过程中,对大数据进行应用具有极其重要的作用与意义。因此在各行各业中的商业领袖与业界精英,需要在供应链管理中对大数据的作用进行充分的发挥。     

因素空间理论下基点分类算法研究

目前，基于因素空间理论的背景基提取算法计算过程复杂，初始化必须依赖各因素极值，基点数量提取冗余等原因，未能在应用中取得很好效果。为此，结合内点判别法和知识可继承、可扩展的思想，提出一种计算简单、初始化独立、基点数量小的改进的背景基提取算法。然后，利用改进的背景基提取算法构造出一种全新的数据分类算法-基点分类算法，基点分类算法以提取每一类样本的背景基为预测模型，再通过新定义的λ-背景基，优化预测模型。数值实验表明:基点分类算法原理简单、构造难度小、分类模型泛化能力强，预测能力准确率高，同时严格的模型限定区域又能为识别新类别提供新方法。