Android应用开发之基于对象数据库Db4o的日记账工具

介绍了将对象数据库Db4o的开发包(SDK)移植到Android平台,并以Db4o数据库为引擎,开发一款日记账簿工具的实践过程。通过此开发案例,读者不仅可以了解Android平台移植的模式和要点,而且还可以了解在Android平台中开发Db4o数据库程序的过程和特点。     

C#实现基于代表色聚类的图像检索

论述了基于代表色聚类的图像检索方法,采用Visual C#和SQL Server设计并实现了一个图像检索的原型系统,对研究CBIR及其应用具有一定的参考价值。     

Flash as3连线题制作类的设计、实现与应用

连线题作为传统题型的重要成员有其自身的特点和优势,在电子测试系统中利用Flash制作连线题比较繁琐,为此编写了Flash连线题制作程序并封装成一个as3类,有了这个类制作连线题就变得非常简单了,不太懂as3编程的人也能轻松完成,而且功能完善,有效地延展了Flash制作连线题的功能,提高了教师制作Flash连线题的效率.     

一个Flash as3影片剪辑旋转移动类及其应用

Flash中实现元件的移动较容易,然而要实现元件的自由旋转却较困难.通过编程实现元件旋转与移动并封装成一个as3类,使得元件的旋转变得非常轻松,即使不懂编程的人也可以直接使用.     

不完备区间值信息系统中邻域粗集模型

目前对未知区间值的研究还处于起步阶段。以包含复杂的遗漏型未知区间值不完备信息系统为研究对象,提出了一种基于灰格运算和Hausdorff距离的新的邻域关系。在此基础上,依次提出了邻域关系、最大相容类和邻域系统3种灰色粗集模型。进一步讨论了3种灰色粗集模型之间的上、下近似空间,以提高近似空间的精确度,并用实例进行了分析及验证。     

基于混合蚁群算法的Web用户会话聚类

会话聚类是一种重要的Web使用挖掘技术,旨在发现相似的用户行为,这是目前电子商务中的热点问题之一。该问题的难度在于要对大规模的会话进行聚类,这些会话被表示成高维向量,加大了对算法高效性的要求。提出了一种ACO和PSO相结合的算法进行会话聚类分析。实验结果表明该算法与ACO算法、PSO算法、K-means算法相比,具有更好的性能。     

基于改进LDA和CNN的网络入侵聚类

提出了一种基于改进线性判别分析和近邻法的网络入侵聚类方法,运用改进的线性判别分析方法对网络入侵样本特征进行降维处理,使用近邻分类器对数据进行聚类。该算法降低了算法的聚类时间,还提高了算法的聚类能力。实验结果表明,相比其他模型,该算法有较高的检测率和较低的误警率。     

词性对中英文文本聚类的影响研究

不同词性特征在文本聚类中有不同的贡献度。该文对四组有代表性的中英文数据集,利用三种聚类算法验证了四种主要词性及其组合对中英文文本聚类的影响。实验结果表明,在中文和英文两种语言中,名词均是表征文本内容的最重要词性,动词、形容词和副词均对文本聚类结果有帮助,仅选择名词作为特征聚类的结果与保留所有词性聚类的结果相近,但可大大降低文本的维度;选用名词为文本特征不能实现最好的聚类效果;相对其他词性组合和单一词性,采用名词、动词、形容词和副词的组合特征往往可以实现更好的聚类效果。在词性所占的比例以及单一词性聚类的结果上,同一词性在中英文文本聚类中呈现出较大差异。相对于英文,不同词性特征及其组合在中文文本聚类中呈现的差异更为稳定。     

基于词义类簇的文本聚类

文档表示是文本聚类的重要组成部分,该文旨在通过改进文档表示改进文本聚类。同义词和多义词现象是文档表示所面临的重要挑战。为此该文提出了词义类簇模型(Sense Cluster Model,SCM),在词义类簇空间上表示文档。SCM首先构造词义类簇空间,然后将文档表示在词义类簇空间上,获得每篇文档在每个词义类簇的概率。在词义类簇空间构造这一步骤中,首先利用词义归纳技术从文本中自动发现词义,接着采用词义聚类技术识别相同或者相似的词义从而获得词义类簇。词义类簇空间构造后,该文首先进行词义消歧,然后利用词义消歧的结果将文档表示在词义空间上。实验表明,SCM在标准测试集上的性能优于基线系统以及经典话题模型LDA。     

一种高效的多层和概化关联规则挖掘方法

通过对分类数据的深入研究,提出了一种高效的多层关联规则挖掘方法:首先,根据分类数据所在的领域知识构建基于领域知识的项相关性模型DICM(domain knowledge-based item correlation model),并通过该模型对分类数据的项进行层次聚类;然后,基于项的聚类结果对事务数据库进行约简划分;最后,将约简划分后的事务数据库映射至一种压缩的AFOPT树形结构,并通过遍历AFOPT树替代原事务数据库来挖掘频繁项集.由于缩小了事务数据库规模,并采用了压缩的AFOPT结构,所提出的方法有效地节省了算法的I/O时间,极大地提升了多层关联规则的挖掘效率.基于该方法,给出了一种自顶向下的多层关联规则挖掘算法TD-CBP-MLARM和一种自底向上的多层关联规则挖掘算法BU-CBP-MLARM.此外,还将该挖掘方法成功扩展至概化关联规则挖掘领域,提出了一种高效的概化关联规则挖掘算法CBP-GARM.通过大量人工随机生成数据的实验证明,所提出的多层和概化关联规则挖掘算法不仅可以确保频繁项集挖掘结果的正确性和完整性,还比现有同类最新算法具有更好的挖掘效率和扩展性.