基于领域知识的预警规则发现研究

预警有助于及时预防和解决隐患,具有重要的应用价值,受到了广泛的关注。提出了一种新的预警机制,以领域相关的预警知识为基础构建预警系统,重点研究了以实际数据为资源,基于背景领域知识挖掘出预警规则,使得预警系统中的预警知识更丰富、更完备、更具有实际应用价值。将上述研究应用于高校教学教务系统的学生成绩预警,实验结果表明所提出的预警机制和方法是有效的。     

数据挖掘技术在高校课堂教学评价中的应用

数据挖掘技术目前在商业、金融业等方面都得到了广泛的应用,而在教育领域应用较少。数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性。文中从滁州学院教师档案数据库提取相关教师的记录,并结合课堂教学质量评估中的实际数据,利用改进的Apriori算法找出教师本身的素质与学生评价结果之间的内在关系。     

基于肤色和Adaboost算法的人脸检测研究

人脸检测是计算机视觉和人工智能领域中的一项富有挑战性的工作,在虚拟现实、人机交互等很多领域都有广泛的应用。研究了基于Adaboost的人脸检测,并提出了肤色与Adaboost算法相结合的人脸检测方法。对输人的彩色图像进行从RGB空间到YCrCb空间的转换,再结合形态学等方法进行区域肤色分割,排除背景干扰,然后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法有较高的准确性和鲁棒性,可以得到满意的检测效果。     

基于OLAP的免疫疾病预防数据分析系统的设计和实现

免疫疾病预防数据库中保存了大量的统计数据,这些数据来自于各个疾病预防控制单位的免疫防病信息系统。传统的OLTP分析系统无法对这些数据进行有效的决策分析。为了能够根据这些信息迅速生成综合分析数据,以辅助卫生防疫部门和相关政府部门进行决策,急需一个基于统一数据仓库的数据分析系统。本文介绍了基于OLAP的免疫疾病预防数据分析系统的设计方案以及关键的实现技术。系统具有良好的可扩展性和可移植性,也为利用ASP.NET、OWC和SQL Server 2000 Analysis Services等构建基于W eb的深层数据分析提供了一个通用的解决方案。     

基于Web使用挖掘的网站优化服务研究

Web使用挖掘是通过分析上网过程所产生的数据,发现网络用户访问行为的隐含模式,以此优化网站的设计,吸引潜在的客户。本文就Web使用挖掘技术在网站优化服务中的应用做了探讨和研究。     

一个基于多层结构的快速眼睛定位算法

眼睛的位置是人脸识别过程中一个很重要的信息。针对灰度人脸图像上的眼睛定位问题,提出了一个基于多层结构的快速眼睛定位算法。该算法首先利用极小值区域(MER)进行眼睛粗定位;然后使用三层筛选算法逐步去除错误的候选保留唯一的正确候选;最后使用眼睛精确定位算法来校正眼睛的位置。该算法在CAS-PEAL人脸数据库、JAFFE数据库和自建数据集上均有良好表现,是一个行之有效的方法。     

仿射子空间最近点分类算法

为了取得更好的识别效果,受支持向量机的几何解释和最近点问题启发,提出了一种新的模式分类算法——仿射子空间最近点算法。该算法是将支持向量机最近点法的最近点搜索区域由两类训练集凸包推广到两类训练样本各自张成的仿射子空间,并以仿射子空间作为样本分布的粗略估计,通过仿射子空间中的最近点对来构造平分仿射子空间间隔的最优分类超平面。该算法在ORL人脸识别数据库上进行的比较实验中取得了较好的识别效果,从而证实了该方法的可行性和有效性。     

基于PCA及ICA的双空间特征提取算法

任何一种单子空间特征提取算法都不能在任何情况下优于其他子空间算法,但是采用双子空间却可以克服单子空间的局限性。为了提高分类结果的正确率,提出了一种基于PCA及ICA的双空间特征提取算法,该算法采用ICA作为PCA的补空间进行特征提取,其目的是将在PCA子空间中难以识别的样本,再次投影到ICA子空间中进行识别。该算法可分为以下两个步骤:首先进行预分类,即在一个子空间内同时使用两种分类器对测试样本进行分类,若某个测试样本被两种分类器划分到不同的类,则将该测试样本加入到新测试样本集中;然后将新测试样本集中的测试样本再次投影到另一个子空间中进行分类识别;最后,将识别结果与预分类结果一起进行正确率测试。在ORL及FERET人脸库上的实验结果表明,该算法的模式识别率明显优于传统的特征提取算法。     

浅谈数据挖掘理论与技术

数据挖掘是目前一种新的重要的研究领域,被称为未来信息处理的骨干技术之一,它以一种全新的概念改变着人类利用数据的方式。本文对数据挖掘的概念、技术、应用及目前所存在的问题等进行了详细的介绍。     

三维微阵列数据的多目标进化聚类

聚类技术广泛应用于微阵列数据分析中。在基因-样本-时间GST微阵列数据矩阵中,挖掘三雏聚类成为当前的热门研究课题。3D聚类过程经常需要对多个相互冲突的目标进行优化,而且进化算法以其强大的探寻能力成为高维搜索空间中非常有效的搜索方法。本文基于多目标进化计算方法提出一个新的3D聚类算法MOE-TC,以挖掘GST数据中的3D聚类。现实微阵列数据上的实验验证结果充分说明了本文算法的有效性。