二次回归学习及其在软件开发工作量预测上的应用

回归学习是用于对具有实值标记样本进行学习建模的监督学习技术。为获得良好的预测性能,通常需要大量的训练样本,然而,在实际应用中可收集到的训练样本数量极少。针对该问题,提出一种基于二次学习框架的新型二次回归学习方法———基于神经网络集成的回归树算法( NERT)。该方法借助虚拟样本生成技术,通过串行执行的两个学习阶段对其进行有效利用,有效缓解训练样本不足的困难,从而提升学习性能。同时,通过为两个阶段分别选择泛化能力强和理解性好的学习方法,可得到预测性能好且可理解性高的模型。实验结果表明在训练样本极少的软件开发工作量预测问题上,NERT方法能够从小样本数据得到比现有方法更好的预测性能,同时其模型内在可理解性能够揭示工作量预测的关键因素。     

基于KL-散度的智能电网用户特征提取方法

智能电网技术的发展,使得传统电力系统的规模及复杂度大大增加,同时产生了大量的用电数据,如何有效利用数据挖掘技术,从这些海量数据中挖掘出有潜在价值的信息,成为了当前电力系统分析中的一个挑战性问题。首先根据不同的时间段,将用户的用电数据进行划分,在分析每段时间内用户用电数据的基础上,采用KL-divergence（KL-散度）方法衡量用户差异,并结合基于密度改进的K-means算法,给出了一种新的用户特征提取算法,用以描述电网用户的特征差异,从而实现针对不同类别用户制定不同电力营销策略,这在一定程度上能够提高企业经济效益。最后,算例仿真结果表明,所给出的用户特征提取算法在计算的时间效率和准确性上,较传统方法都有了明显的提升。     

高水头碟阀与球阀的实用评析

针对有关工程的初步设计,进行了水轮机进水阀的应用研究。通过调查和数学计算,进行了高水头蝶阀与球阀的技术经济比较,并进行了相关论证分析。结果表明,在满足水轮机进水阀运行功能的前提下,在一定的水头范围内(如:250 m ),水轮机进水阀采用高水头蝶阀最为经济,可以较大幅度地节约水轮机进水阀设备投资,从而提高设备的投资效益。     

轻工行业中的变频器系统设计与应用——第5讲 变频器在食品机械中的应用

对食品机械使用变频器后,可以简化传动系统,提高机器运转的稳定性和可靠性,降低机器运转的噪音,大大延长使用寿命和最大限度地降低故障率。同时还可以增加产量、降低成本,最终使产品产量和品质都得到提高,实现利润最大化。     

大型机械设备三维仿真训练系统的关键技术

大型机械设备具有体积庞大、价格昂贵、操作复杂、生产环境恶劣等特点,这些都给学习和操作此类设备带来了很多不便。针对这种实际情况,开发出以计算机仿真技术为核心大型机械设备三维仿真训练系统,可应用于对大型机械设备操作人员的培训。介绍了开发大型机械设备三维仿真训练系统应解决的关键问题,并以采用Java3D技术开发的锻压机三维仿真训练系统为例进行了验证。在应用中表明,大型机械设备三维仿真训练系统具有安全性、实用性、经济性等特点。     

数据挖掘在建立入侵检规则库中的应用

本文将数据挖掘中的聚类挖掘和关联规则挖掘应用于建立入侵检测系统规则库中,提出了一种不同于传统入侵检测规则库建立的动态更新的方法。     

数据仓库和数据挖掘在高校决策支持中的应用研究

运用高校学生成绩、学籍等相关数据,创建高校学生成绩分析的数据仓库,运用ID3算法实现基于学生成绩等级的决策树挖掘模型的构建,由决策树提取分类规则,并利用Analysis Services工具进行挖掘验证.     

基于统计的音乐摘要研究

随着Intemet的发展,大量音乐资源在网络上涌现,对音乐资源进行有效检索标识是很有必要的,而摘要的意义显得尤为重要.音乐摘要是文本摘要研究在音乐检索领域的一个比较新的应用.综合使用统计相关原理和文本挖掘相关研究理念,对音乐资源进行一定研究,为音乐检索提供新的参考.     

数据挖掘在教学系统中的应用

教务管理系统作为数字化校园重要组成部分之一,是涉及教务管理各环节、面向学校各部门以及各层次用户的多模块综合管理信息系统。在使用中会产生大量的有用的和无用的数据,可以通过数据挖掘技术来对这些数据进行分析,从而达到高效、人性化的管理。     

Link Prediction based on Structural Properties of Online Social Networks

Question-Answering Bulletin Boards (QABB), such as Yahoo! Answers and Windows Live QnA, are gaining popularity recently. Questions are submitted on QABB and let somebody in the internet answer them. Communications on QABB connect users, and the overall connections can be regarded as a social network. If the evolution of social networks can be predicted, it is quite useful for encouraging communications among users. Link prediction on QABB can be used for recommendation to potential answerers. Previous approaches for link prediction based on structural properties do not take weights of links into account. This paper describes an improved method for predicting links based on weighted proximity measures of social networks. The method is based on an assumption that proximities between nodes can be estimated better by using both graph proximity measures and the weights of existing links in a social network. In order to show the effectiveness of our method, the data of Yahoo! Chiebukuro (Japanese Yahoo! Answers) are used for our experiments. The results show that our method outperforms previous approaches, especially when target social networks are sufficiently dense.