一种有效压缩频繁模式挖掘的算法

频繁模式挖掘的研究最近致力于在一个合理的容错范围内寻找有代表性的模式来压缩庞大的挖掘结果集.一种新型启发式算法AMSA(Approximating Mining based Simulated Annealing)被提出,其采用了模拟退火思想来保证有效性和压缩的质量.依据FIMI(Frequent Itemset Mining Implementations Repository)提供的公用数据集进行的实验结果也证明了这一结论.通过与FPclose算法和RPglobal算法分别进行了性能的比较,AMSA挖掘的结果集规模小于FPclose算法和RPglobal算法得到的结果集规模,特别是当支持度阈值很低时,RPglobal不可在合理时间内产生结果集,AMSA却可在合理时间内得出较精准的结果集.     

语篇连贯解读与构建中的推理过程

语篇连贯既是一种语言现象,又可以被看作是一种心理行为。看一个语篇是否连贯是离不开依据语篇的呈现方式进行的逻辑推理以及世界知识的记忆和调取等心理活动。连贯在很大程度上是来自于理解者在对语篇加工时所产生的推导过程。以回指推理以及主题推理为例,通过对语篇推理过程的论述具体说明了阅读者是怎样通过推理过程在自己的认知中做出语篇是否连贯的判断的,从而促进阅读者更好地理解语篇的连贯。     

应用数据挖掘关联技术研究温湿度 对冲击谱试验的影响

冲击谱试验随机性强,难度较大,必须了解环境温度、湿度对试验的影响。通过对数据预处理并建立冲击谱试验评价模型,应用数据挖掘中关联分析方法提取数据背后隐藏的有用知识,获得了温度、湿度对冲击谱试验各个调试因素的影响,并分析了其间存在的某种规律性,找出了适用于冲击谱试验的环境温度、湿度范围。研究结果可为今后的产品冲击环境试验提供有力的技术支持,进一步提高冲击谱试验的试验质量和试验中的产品安全性。     

数据挖掘分类方法在冲击谱试验中的应用

冲击谱试验随机性强,难度较大。文章利用数据挖掘中分类方法提取数据背后隐藏的有用知识,通过数据预处理、构建冲击谱试验数据仓库、决策树分析、评估比较,最终总结出一套针对不同产品、不同试验工况的冲击谱试验调试方法。这可为以后产品的冲击环境试验提供有力的技术支持,进一步提高冲击谱试验的质量和试验中产品的安全性。     

基于Web的PDM中数据挖掘与统计实现技术

介绍一种从PDM系统的海量数据中挖掘航天材料表面性能分布规律的方法,采用ASP嵌入VB控件技术,实现基于Web的数据统计,并形成统计图,可用于网络化制造的远程管理与决策。     

数据挖掘中的关联规则在入侵检测系统中的应用

由于知识发现的快速发展,对海量数据分析和处理的技术、能力也日渐成熟。从1999年起,就开始了将数据挖掘技术和入侵检测系统结合的尝试。将数据挖掘引入入侵检测系统的原因是它能够从大量的数据中自动提取出特征和模型,自动维护模式或特征库。系统利用这些大量的特征和数据进行有效的分类,加快处理速度,提高准确度。文章针对网络安全当中的大量的入侵事件,结合数据挖掘中的关联规则的概念,建立特征库及其特征关联,通过审计处理来加强网络入侵检测系统的功能。     

IP网网络时延探讨

随着计算机互联网在世界范围内的广泛应用,许多原来由电信公网承载的业务,逐步移植到了互联网上,如语音业务(VOIP)、视频电话业务、IPTV业务等.采用TCP/IP协议构建的互联网,如何能保证上述业务的服务质量(QoS)是目前业内经常讨论的话题之一,在实际的应用过程中,分析影响服务质量的各种因素,网络时延是主要的原因之一,本文就时延的产生及改善进行深入的探讨.     

基于数据挖掘和决策树的测试用例重用技术研究

通过应用数据挖掘和决策树算法,将测试专家分类重用测试用例的思想固化,并可以根据新采集的可重用的测试用例,不断扩充分类规则,使测试用例重用库具有不断自扩充和自完善的能力。通过使用测试用例重用库中可重用的测试用例和测试思想,可以提高测试人员对被测软件需求规格说明中功能和性能等指标的测试全面性和有效性,提高工作效率,减少工作量,并提高测试质量。     

面向大数据的数据处理与分析算法综述

大数据处理是近年来广受关注和研究的技术领域,数据挖掘作为从大量数据中挖掘隐藏价值信息的技术,是处理大数据的有效工具。本文主要从数据挖掘的角度对大数据处理算法的研究现状进行分类总结。首先介绍了大数据中针对流式数据分类的方法,包括单模型算法和集成分类算法;其次分别从单机算法和基于分布式并行平台的多机算法两个角度概括介绍了大数据聚类方法以及大数据关联规则挖掘方法;最后总结了现有面向大数据的数据挖掘算法的研究进展并展望未来的发展趋势。     

基于支持向量的迭代修正质心文本分类算法

针对质心分类算法容易产生归纳偏置或模型失配问题的不足,提出一种基于支持向量的迭代修正质心分类算法.该方法仅使用由支持向量机(SVMs,Support Vector Machines)选出的支持向量来构造质心向量,然后利用训练集误分样本来迭代修正初始质心向量.与其他分类算法相比,该算法取得较好的宏平均F₁和微平均F₁,在8个常用文本分类数据集上的实验验证了该算法的有效性,特别是在不均衡文本语料上.