一种安全事件模糊关联规则挖掘算法

随着信息技术和数据库技术的飞速发展,从大量的数据中获取有用的信息和知识变得越来越重要。模糊关联规则挖掘是数据挖掘中针对数量型属性关联规则发现的一种有效方法。提出了一种基于矩阵的模糊关联规则挖掘算法,并将其应用于网络安全事件关联分析中,通过对DARPA标准数据集的分析,得出了预期数量的关联规则,并成功验证了某些攻击场景,该模糊关联规则挖掘算法取得了较好的实验结果。     

Power bipolar devices

This paper deals with the specific aspects of bipolar device physics and with the problems posed by the design of their structure. Emphasis will be placed on the fundamental mechanisms which determine the on-state, the off-state and the switching performance. A number of relationships between operating characteristics and structure parameters are established. These relationships are useful for improving structure designs. The current-handling capability of high-voltage transistors is discussed thoroughly as a relevant example. Finally, the state of the art and trends of power bipolar devices are briefly reviewed.     

FUZZY PARTITIONING OF FEATURE SPACE FOR PATTERN CLASSIFICATION BASED ON SUPERVISED C1USTERING

The choice of a fuzzy partitioning is crucial to the performance of a fuzzy system based on if-then rules. However, most of the existing methods are complicated or lead ,o too many subspaces, which is unfit for the applications of pattern classification. A simple but effective clustering approach is proposed in this paper, which obtains a set of compact subspaces and is applicable for classification problems with higher dimensional feature. Its effectiveness is demonstrated by the experimental results.     

火灾探测的模糊神经网络方法研究

本文把火灾的探测归结为与火灾特征信号相对应的各种规则,并用模糊技术和神经网络提取这种规则,推导了神经网络和模糊技术相结合的新算法。分析结果表明：模糊神经网络用于火灾探测是行之有效的方法。     

基于改进关联规则的Web使用挖掘方法研究

本文提出了改进关联挖掘算法的数据挖掘方式.在自然连接产生候选集以前,先进行一个修剪过程,减少参加连接的项集数量,进而减小生成的候选项集规模,减少了循环迭代次数和运行时间,同时在连接判断步骤中减少多余的判断次数,避免传统方法的弊端.仿真实验证明,这种改进算法能够大幅提高数据的查询速度,取得很好的效果.     

基于熵距离的离群点检测及其应用

离群数据检测是找出与正常数据不一致的数据。由于某种原因,会出现一些噪声数据。针对噪声数据的特征,提出了一个有效的离群点检测算法。通过层次k-means算法对数据集进行聚类,从包括离群点可能性最大的簇开始进行检测,在检测过程中提出基于熵值距离来衡量数据点的离群程度,并通过剪枝规则来减少检测次数,从而提高了检测的效率。仿真结果表明该算法对出现的噪声数据具有较好的过滤效果。     

一种基于项目编码的关联规则改进算法

针对传统的Apriori算法在挖掘布尔型关联规则的频繁项集中需不断扫描数据库,在时间与空间上都存在很大的冗余,尤其在处理海量稠密数据时,算法性能急剧下降的问题,本文从减少对数据集的扫描次数入手对Apriori算法进行改进,提出一种采用项目编码方式挖掘频繁项集的算法。最后通过实验结果证明改进后的算法在支持度较小情况下,在执行时间上比经典的Apriori算法的具有较高的执行效率。     

一种基于云计算的关联规则Apriori算法

关联规则是数据挖掘的重要方法之一,它基于支持度和置信度等对规则进行选择,以生成有用的规则。传统的关联规则算法需要读取数据库计算频繁集,开销巨大。随着云计算的发展,MapReduce编程架构已经成为云计算中的重要技术,针对Apriori算法的不足,设计了一种算法将云计算MapReduce框架进行了适当改进,并在此基础上编写了Apriori算法,以解决Apriori算法扩展性差的弱点。实验表明：该算法能有效提高Apriori算法的性能。     

改进的关联规则算法在教学评价中的研究与应用

数据挖掘就是从海量的数据中挖掘出潜在的、有价值的知识。在数据中隐含的未被人们发现的确实存在的内在联系与规律。学生对老师的教学评价是教学管理的一个重要部分,如何找出教学评价中大量数据之间的联系,是评价教师教学质量和提高教学水平的重要手段。本文利用了一种基于Apriori算法的改进的算法——Apriori_B算法对这个教学评价系统进行数据挖掘。     

一种适用于四代机的多目标威胁评估算法

针对传统的空战多目标威胁评估不适于第四代战斗机超视距多目标空战威胁评估的问题, 提出了一种新的适合第四代战斗机超视距多目标空战的威胁评估方法。该方法在传统多目标威胁评估的基础上, 考虑空战高度和第四代战斗机隐身性能, 分别运用模糊优选法和区间层次分析(IAHP)法解算主客观权重, 进而得到综合权重区间, 并运用改进的TOPSIS法进行多目标威胁评估研究。仿真结果表明该算法的有效性和合理性, 适合于第四代战斗机超视距多目标空战的威胁评估。