基于分形维度的完全分布式聚类算法

传统的聚类算法通常针对单处理机,当数据资源分别存储在不同节点的计算机时,无法运用传统的聚类算法进行计算。本文提出一种完全分布式聚类算法,通过计算分形维度,利用分布式环境信息广播方式交流多台计算机的运行结果,最终汇集成全局聚类的信息进行聚类。理论分析表明,该算法不仅对分布数据可以很好的聚类而且可以最大限度降低通信成本和延时情况。     

深度数据挖掘——企业信息化成功的主轴

铺设网络、购买硬件、安装管理软件、建立系统不是企业信息化的本质,信息资源开发利用、信息挖掘才是企业信息化的主线。     

非一致分类数据集的一致化与特征选择

采用不一致性或含有冗余特征的样本数据集往往会降低分类的质量和效率.提出了一种将分类数据集一致化,并在此基础上选择最小特征变量集的方法.该方法首先根据贝叶斯公式,将非一致数据归为最可能的一类,使数据集一致化,然后在一致数据集上,定义类别区分矩阵,选择最小特征变量集,并给出了在类别区分矩阵上搜索最小特征变量集的启发式搜索策略.采用UCI标准数据集的实验结果表明,提出的方法可有效地删除数据集的不一致性,选择的最小特征变量集可准确区分各类数据并降低数据的维数.     

动态自学习的入侵检测模型研究

针对目前常见的入侵检测的模型的一些结构性的缺点,提出了基本数据挖掘的动态自学习入侵检测模型DMIDS,给出了动态自学习的正常行为库的更新机制,克服了传统静态检测模型必须完全重新学习才能更新模型甚至无法重新学习的缺陷.通过基于KDD'99数据集的实验,表明其相对于传统的异常检测方法在保证较高检测率的前提下,有效地降低了误报率.     

基于0-1矩阵的频繁项集挖掘算法研究

通过对关联规则挖掘技术及经典算法Apriori的研究和分析,结合该算法存在的问题,提出了一种基于0-1矩阵的频繁集挖掘算法.该算法使扫描数据库的次数减为一次,有效率地降低I/O的存取时间,直接通过支持矩阵行向量的按位与运算来找出频繁集,而不需要Aprion算法中的自联接和减枝,提高了系统的运行效率.通过不断压缩支持矩阵,不仅减少了高次频繁集挖掘的时间,而且节约了存储空间.仿真实验表明,该算法是有效的.     

粗糙集理论的研究与应用

对粗糙集的基本理论进行了讲解,同时给出了基于加权平均和频度的双向选择约简算法。     

Apriori算法在学生成绩管理中的应用

介绍了关联规则的基本概念及Apriori算法,提出了成绩预警模型,并利用Apriori算法进行了求解。所得到不及格课程之间的关联规则,可以为教师的教学管理及学生学习提供一定的指导和参考。     

动态划分序列模式挖掘算法

在对海量数据进行序列模式挖掘时,由于产生的候选序列数量大并且需要反复遍历数据库,会带来存储受限及时效性问题.为此,基于无共享分布式环境,提出一种动态划分序列模式挖掘算法DPSPM.通过分布数据降低数据库扫描的规模,降低I、O开销,使用分派函数指定选举节点,降低通信开销,设计动态列表存储候选序列,降低内存开销,多个子过程异步运行,提高算法的执行效能.实验结果表明,DPSPM算法在较小支持度情况下对中大型数据库有较好的搜索效率.     

基于Web挖掘的主页多主题更新模型

针对改善网站主页中多个主题更新的合理性问题,提出了一种新颖的基于Web数据挖掘技术的主页主题更新模型.对当前主页主题更新方法进行分析,指出目前一些大学校园网站主页主题更新的不合理性,然后通过数据挖掘,从安徽理工大学网站Web日志中提取有效数据,分析各个主题的点击率随时间的变化趋势,进而提出基于点击率的网站主页主题更新模型.实验结果证明,模型能够实现对主页主题的合理更新,有效提高网站主页的受欢迎程度.     

基于离散区间的频繁嵌入式子树挖掘算法

针对频繁嵌入式子树挖掘,利用离散区间来构造投影库,给出一种基于离散区间的频繁嵌入式子树挖掘算法。该算法通过离散区间消除冗余投影,有效地压缩投影库的规模,提高了子树节点计数效率,减低了算法的时空复杂性。实验结果表明该算法具有较高的挖掘效率。