一种改进的Fuzzy c—means聚类算法

该文提出了一种改进的ｆｕｚｚｙ ｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙ ｃ－ｍｅａｎｓ的速度，证明了ＭＣＭ与ＦＭＣ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＭＣ空间复杂性的关系。最后数值实验证实了结论。     

NARMAX模型辨识的直交化最小二乘新算法

基于实际中常用的ＣＧＳ（ＣｌａｓｓｉｃａｌＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＭＧＳ（ＭｏｄｉｆｉｅｄＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＨＴ（ＨｏｕｓｅｈｏｌｄｅｒＴｒａｎｓｆｏｒｍａｔｉｏｎ）及Ｇｉｖｅｎｓ算法，给出了１类改进的直交化最小二乘新算法，分别称之为改进的ＣＧＳ、ＭＧＳ、ＭＨＴ及ＭＧＶ算法，改善了原算法的数值稳定性．将改进算法用于非线性ＮＡＲＭＡＸ模型辨识，构造出了１种新的模型结构与参数辨识的一体化算法．新算法基于逐步回归进行模型选项并消去模型中的冗余项，保证了最终模型的结构优化，并可给出比Ｂｉｌｉｎｇｓ等算法精度更高的参数估计．仿真结果证明了文章中算法的优越性     

Potts－Glass模型算法的软件实现与应用

Ｐｏｔｔｓ－Ｇｌａｓｓ模型与算法改进了Ｈｏｐｆｉｅｌｄ模型与算法。本论文就Ｐｏｔｔｓ－Ｇｌａｓｓ模型与算法的软件实现与应用进行了研究，并在微机ＩＢＭ３８６上用Ｃ￣（＋＋）语言基于该算法求解了我国３１个城市ＴＳＰ部，获得了目前最好的结果。     

Ｋ－Ｍｅａｎｓ 算法与数据挖掘在旅游电商平台设计中的应用

为了提升旅游电商服务水平 基于 Ｋ－ｍｅａｎｓ 聚类算法构建旅游电子商务平台 并采用随机梯度下降算法、自适应梯度优化算法和密度法对 Ｋ－ｍｅａｎｓ 聚类算法进行优化改进 结果表明:改进 Ｋ－ｍｅａｎｓ 聚类算法的系统响应速度相较于传统 Ｋ－ｍｅａｎｓ 聚类算法提升了 ３１.２％ 电商平台推荐流量转化率为 ２.９３％ 浏览行为中的推荐浏览率为 ２８.２１％ 购买行为中的推荐购买率为 １５.３７％ 优于 Ａｐｒｉｏｒｉ 算法和 Ｕｓｅｒ－ｂａｓｅｄ ＣＦ 算法 利用改进 Ｋ－ｍｅａｎｓ 聚类算法构建旅游电子商务平台 能为平台用户提供个性化的旅游产品推荐 有效提升旅游产品的购买成交量 对旅游电商平台竞争力提升具有一定的实用价值     

B 样条曲线升阶经典算法中的问题及其解决办法

升阶算法是Ｂ样条曲线和曲面设计的一个基本算法。它广泛应用于组合曲线、蒙皮或扫描曲面等设计中。文中指出了Ｐｒａｕｔｚｓｃｈ于１９８４年发表在《ＣｏｍｐｕｔｅｒＡｉｄｅｄＧｅｏ－ｍｅｔｒｉｃＤｅｓｉｇｎ》杂志上的论文“ＤｅｇｒｅｅｅｌｅｖａｔｉｏｎｏｆＢ－ｓｐｌｉｎｅｃｕｒｖｅｓ”中的问题，提出了解决问题的新方法。新的方法主要是对Ｐｒａｕｔｚｓｃｈ算法的改进，使之不仅能够用于端点插值Ｂ样条曲线的升阶问题，而且能够解决其它非均匀Ｂ样条曲线以及均匀Ｂ样条曲线的升阶问题。     

一种基于Bresenham算法的椭圆算法

本文通过圆与椭圆之间的映射关系，改进了画椭圆的Ｂｒｅｓｅｎｈａｍ算法，使之在速度和可移植性上都有所提高，并给出了算法的Ｃ语言子程序．     

一种模糊神经网络的改进学习算法

针对前人（Ｃ．Ｔ．Ｌｉｎ， ｅｔ ａｌ． Ｉｎ ＩＥＥＥ Ｔｒａｎｓ ＯｎＣｏｍ ｐｕｔｅｒ， １９９１， Ｖｏｌ．４０， Ｎｏ．１２） 提出的模糊神经网络结构，改进了已有的学习算法，新算法更加简洁有效。利用新算法，可以自动获取模糊规则。通过函数模拟实验，验证了新算法的有效性。提出了网络的分解与综合方法，避免了模糊神经网络用于实际复杂问题时，模糊规则的组合爆炸问题。该模糊神经网络可应用于换热器受热面的结垢过程模拟。     

用XPS对激活过程中的GaAs光电阴极的表面分析

对ＧａＡｓ光电阴极激活过程中各阶段做了Ｘ射线光电子谱（ＸＰＳ）表面分析，根据ＸＰＳ分析所得数据，改进了激活工艺，提出了获得更好发射性能的光电阴极的最佳Ｃｓ和Ｏ２量，并提出了Ｃｓ和Ｏ２在ＧａＡｓ表面排列的模型．     

Banach空间中可加函数方程的稳定性

最近Ｊ．Ｍ．Ｒａｓｓｉａｓ，解决了由Ｓ．Ｍ．Ｕｌａｍ提出的关于Ｃａｕｃｈｙ函数方程的稳定性问题，本文改进和扩充了Ｊ．Ｍ．Ｒａｓｓｉａｓ的结果。     

平面多边形凹凸性的算法研究

首先介绍目前计算机辅助设计应用系统中判断平面多边形凹凸性的常用算法，鉴于它具有占较多的ＣＰＵ时间、循环复杂、而且次数多，从而提出了一种判断平面多边形凹凸性的新方法，该算法逐点进行凹凸性判断，算法简单，循环少，占用的ＣＰＵ时间也大大减少，该算法对Ｃｏｏｎｓ，Ｂｅｚｉｅｒ，Ｂ－ｓｐｌｉｎｅ样条曲线特征多边形的凹凸性判断具有重要的意义。     

Carma关联规则算法的一种改进

首先介绍了由Christian Hidber提出的在线挖掘关联规则算法Carma，然后提出了对该算法的若干改进．减弱了原算法第一步中当前交易的子集v被插入集合V的条件，同时改进了maxMissed的计算公式，使其计算更为简单．实验表明，以上改进提高了算法的速度．     

流数据频繁项算法研究

流数据频繁项挖掘是一项重要的研究课题,是其他流数据挖掘任务的基础。Lossy counting 算法是第一个近似的流数据频繁项挖掘的算法,并且具有空间和时间的高效性。详细分析该算法,尤其是它不能回答关于时间的查询的不足后,对其进行改进,提出了一个在多时间粒度上挖掘流数据频繁项的设想,加入时间维度。改进后的算法在时间倾斜窗口保存与合并频繁项,可以应用于各种对时间敏感的流数据查询和挖掘应用中。     

基于频繁模式半结构化数据的模式抽取

为克服半结构化数据存储复杂的缺点,提出一种基于动态树的半结构化的存储模型。对该模型进行模式抽取, 并将其引入到Apriori算法。通过设置最小支持度阀值过滤掉不必要的信息, 输出最长频繁路径的集合, 以实现半结构化数据的提取。实验结果表明, 该算法能同时有效地处理分支及环路问题, 避免了死循环的出现。     

Web访问挖掘中数据预处理的改进

在分析现有的Web访问挖掘数据预处理模型和会话识别算法的基础上,提出了一种改进的Web访问挖掘数据预处理模型并对基于时间和引用的启发式会话识别算法进行了改进。实验证明,改进的Web访问挖掘数据预处理模型和会话识别算法非常适合于当前搜索引擎广泛使用下的Web访问挖掘数据预处理。     

一个基于SPRINT的分类算法的实现

在介绍数据挖掘、分类算法有关概念的基础上，介绍了决策树的具体生成算法．为了减少数据量，改进决策树算法实现时的数据结构，详细描述了基于SPRINT(scalable paraUehzable induction of decision trees)分类算法的实现，给出了SPRINT算法的性能评估。     

分布式数据库约束性关联规则挖掘

针对分布式数据库和约束条件的特点,提出了2种在分布式环境下挖掘约束性关联规则的有效算法,即基于Apriori算法的DMAIC算法和基于频繁模式树的DAMICFP算法.此外,进行了实例验证和测试分析,指出了这2种算法各自的优缺点及适用条件.研究结果表明:DMAIC算法可靠性高,通信协议简单,适用于对通信性能要求不高的分布式数据库;DAMICFP算法执行效率高,通信性能好,适用于对通信性能要求较高的多项目分布式数据库;这2种算法均能有效地解决分布式挖掘约束性关联规则的问题.     

一种基于动态调度的数据挖掘并行算法

数据挖掘并行算法,应该以不牺牲挖掘效率和挖掘质量为前提。通过对数据挖掘原理和并行化的深入研究,在考虑到挖掘效率,负载平衡,运行环境,节点状态等多方面因素的基础上,提出了一种新的基于动态调度的数据挖掘并行算法。该算法以规模较小的子数据集为并行挖掘单元,各个并行单元之间采用全局通讯模式—Master-Worker模式来进行互相通信。降低了并行挖掘的通信成本,提高了挖掘的效率,缩短了挖掘的时间。同时该算法对不断变化的节点状态适应能力强。最后,实验结果验证了该算法的有效性以及在大数据集挖掘应用中的优越性。该算法不但保证了挖掘结果的正确性,而且具有较高的加速比。     

常见关联规则算法分析与比较

介绍了常见的10种关联规则算法：AIS算法、SETM算法、A州州算法等,并对各种算法的性能进行了分析比较．其中SETM算法效率最低,但和DBMS集成的最好,AVM算法效率最高,但只适用于布尔类型的关联规则．     

数据挖掘中的增量式关联规则更新算法

设计增量关联规则更新算法,用于解决数据挖掘中元组数增加而最小支持度不发生变化时关联规则增量式更新问题.该算法只须扫描原始数据库和新增数据库各一遍,能大大降低运算时间,加快速度,极大地提高关联规则的挖掘性能.     

基于K-means聚类算法的研究

原始的k-means算法是从样本点的集合中随机选取K个中心,这种选取具有盲目性和随意性,它在很大程度上决定了算法的有效性．为消除选取初始中心的盲目性,应充分利用已有数据样本点的信息．采取对数据进行预处理的方式来选取初始中心．实验证明新的初始点的选取不仅提高了算法的计算效率,也提高了算法最终确定的聚类的精度．