一种快速识别长流的方法

网络上的流统计呈现很强的重尾分布特性的研究表明,流长度越长其所属报文的平均报文到达时间间隔越短。通过聚类的方法,把属于同一个类中的长流识别出来,并把它们的标识符保存下来。根据理论分析和仿真结果表明,该算法能够很好地识别长流信息。     

基于DNN的网络数据库的应用

分析了网络数据库及相关技术,针对门户网站PWP的实际开发阐述了将数据集封装成对象对数据库数据进行操作的实现及优点,并结合实际运用测试说明了反射机制和三层架构的实现,体现DNN在网络数据库中的应用。     

基于WWF的自定义工作流研究与实现

针对办公自动化系统的工作流标准不统一、很难整合的问题,提出一种利用微软wwF的核心技术,实现工作流设计和状态跟踪组件的思路和方法,在此组件的基础上,可以很容易实现工作流的编辑、状态跟踪、流程设置,降低了工作流设计复杂度和操作的难度.结果表明,利用此组件的工作流适用范围广泛,集成容易、操作简单.     

基于稳定性的基因表达数据聚类算法选择

聚类是一种常用的基因表达数据处理手段,然而它又是主观的,如何选择符合数据内在分布的聚类算法成为目前急待解决的问题.根据经验,当选择最佳簇数k后,采用合理的聚类算法对目标数据重复聚类时,结果稳定性较好.因此提出一种基于稳定性的聚类算法选择.该方法将聚类结果的簇间分离度、簇内紧致度和聚类结果稳定性三者结合起来.在验证和应用三组数据时发现,比传统的评估方法,基于稳定性的聚类算法选择更客观、更可靠.     

一种新的半监督入侵检测算法

针对无监督学习的入侵检测算法准确度不高、监督学习的入侵检测算法训练样本难以获取的问题,提出了一种粒子群改进的K均值半监督入侵检测算法,利用少量的标记数据生成正确样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用粒群优化的K均值聚类,有效提高分类器的分类准确性,并实现了对新类型攻击的检测。实验结果表明,算法的整体检测效果明显优于基于无监督学习和监督学习的检测算法。     

基于亮度分级和方向密度的无监督文本定位

提出一种基于RGB亮度分级和方向密度的自然场景无监督文本定位方法,该方法基于场景文本通常与局部背景有较大的对比度这一特性,分别在R、G、B三个颜色层进行亮度分级,以降低背景复杂性;然后,利用文字笔画的显著方向性,以方向密度为依据进行文本区域粗定位;再进一步利用SVM多类分类器实现文本区域精确判别。新方法克服了一般无监督方法颜色聚类数目选定困难的问题,限制了候选区域的种类,从而降低了SVM分类器的训练难度,具有较高的准确性和鲁棒性。     

P2P网络中的数据挖掘

在分析了现有分布式数据挖掘算法的运行机制和P2P技术具有无中心、不同步等特点的基础上,通过扩展经典K-mean算法的迭代过程,设计了一种能够用于P2P网络的分布式数据挖掘算法。该算法只需要在直接相连的节点间传递数据,并且能使每个节点上的数据按照全局聚类的结果聚合。最后用模拟实验验证了该算法的有效性。     

基于k-means和半监督机制的单类中心学习算法

提出了一个基于k means算法框架和半监督机制的single means算法,以解决单类中心学习问题。k means算法实质上是对一种混合高斯模型的期望最大化（EM）算法的近似,对该模型随机生成的多类混合数据集,从目标类中随机标定的初始中心出发,能确定地收敛到该类的实际中心。将single means算法应用到对单类文本中心学习问题中,实验结果表明：在给定目标类中的小标定文本集后,新算法能够有效地改进类的初始中心,且对数据稀疏和方差较大的实际问题具有健壮性。     

基于贝叶斯理论的图像标注和检索

图像自动语义标注是基于内容图像检索中很重要且很有挑战性的工作.提出用语义约束的聚类方法对分割后的图像区域进行聚类,在图像标注阶段,使用贪心选择连接(GSJ)算法找出聚类区域的独立子集,然后使用贝叶斯理论进行语义标注.对图像进行标注以后,使用标注的关键字进行检索.在一个包含500幅图像的图像库进行实验,结果表明,提出的方法具有较好的检索性能.     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.