分布式多传感器融合多目标跟踪方法

为实现杂波干扰环境中对密集多目标的精确跟踪,对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联算法。其中航迹关联采用了粗、精关联相结合的方法,航迹融合采用了序贯的融合方法。本文算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。     

分布式并行服务器的动态重构容错算法

分布式并行服务器的效率和可用性日益受到人们的关注。鉴于此,从体系结构上提出了动态重构容错模型,阐述了容错模型的数据分布和操作,并在此基础上描述了动态重构容错算法。该算法通过动态重构数据分布和操作解决了系统节点和网络故障,且使正在执行的任务不被中断。最后对比性地分析和测试了该算法的平均响应时间,说明该算法性能明显优于类似算法。此算法已成功应用于电子政务系统平台———分布式并行数据库系统DPSQL,经使用表明该算法使系统可用性和效率得到大幅度提高。     

语言值关联规则挖掘算法

挖掘语言值关联规则是数量型属性关联规则中的一个重要研究内容。已有的语言值关联规则挖掘算法没有充分考虑隶属度的信息，为此改进了语言值关联规则的挖掘算法，此算法能充分考虑隶属度的信息，但算法的效率不高。为了提高挖掘算法的效率，通过引入可变阈值，并提出折衷的语言值关联规则挖掘算法，折衷的算法损失了少量的隶属度信息，但节省了挖掘所需的内存和时间。     

网络协同跟踪下广义分布式航迹关联方法

针对协同网络下的多目标跟踪问题,提出了一种广义分布式航迹关联算法。首先对序贯航迹关联准则进行分析,构造了广义分布式航迹全配对似然函数以及航迹关联统计量;在此基础上,建立广义航迹关联的数学模型,从而将分布式航迹关联转化为多维分配问题;然后利用改进免疫算法来寻求最理想的航迹关联。在航迹关联过程中,先利用chi方分布的假设检验来排除明显不相关的关联组合,再通过计算免疫抗体的适应值来确定多节点航迹间的关联关系;最后利用航迹关联评价指标对所提出的方法进行评估。仿真结果显示,该方法在密集目标环境下具有较好的关联稳定性,与序贯航迹关联方法相比,关联效果得到明显改善。     

一种高效的关联规则更新算法

在大型数据库中 ,数据不是静止的 ,新的记录需要不断地增加到旧的数据库中 ,而从旧的数据库中挖掘出来的关联规则必须加以维护 ,为此提出了一种关联规则更新算法。该算法既能有效地利用已经发现的知识 ,又能减少数据库的扫描次数 ,同时只需产生少量候选集。实验表明 ,该算法的执行效率比现有的典型更新算法高 ,是一种有实际应用价值的、高铲的关联规则更新算法。     

分布式系统中的元挖掘研究

针对分布式系统中的数据挖掘问题,提出了一种新颖高效的分布式元挖掘方法。该算法只需在各自站点扫描局部数据库两次即可形成局部和全局频繁项集,并根据局部和全局频繁项集形成相应的关联规则集及元规则集。在形成元规则集时无需扫描各站点中的关联规则集,这样既减少了分布式系统中需要的通信交换的数据量,也减少了各站点中的扫描数据量。研究表明所提出的算法是有效的。     

基于二阶统计量的分布式信源二维波达方向估计

对于由本地散射导致的分布式信源二维波达方向估计,根据空间角度信号密度的共轭对称特性,首先将相干分布式信源方向向量化简为传统点信源方向向量与实向量的Schur Hadamard积,进而提出了一种基于Schur Hadamard积的相干分布式信源二维波达方向估计算法。该算法通过构造基于Schur Hadamard积的二阶统计量,可直接给出仰角和方位角的估计值。与传统谱峰搜索类算法和经典子空间类算法相比,无须谱峰搜索和任何特征值或奇异值分解,有效地降低了计算量;所利用的二阶统计量对噪声不敏感,具有较好的信噪比性能。仿真实验表明,该算法具有较好的参数估计精度,可有效解决复杂通信环境下相干分布式信源的二维波达方向估计问题。     

基于雷达组网的多目标数据融合系统研究

研究了多目标情况下的雷达组网数据融合问题 ,讨论了数据关联的最近邻法和概率数据关联 (PDA)这两种算法 ,针对雷达组网数据融合的分布式与集中式两种系统结构分别提出了一种算法 ,并同时应用数据关联和数据融合算法针对 4个目标的平行编队、交叉飞行、平行转弯飞行模式进行了蒙特卡罗仿真 ,证明了算法的有效性。     

多Agent系统中分布式约束优化问题

分布式约束优化问题在多Agent系统中应用十分广泛,它已经作为多Agent分布式推理的一项关键技术,既能够最优化一组分布约束,又能够在一定程度上保护Agent的信息,同时提高解决问题的效率。首先介绍分布式约束优化问题的背景及其算法的发展,对现有解决问题的一些完全算法和不完全算法作出了具体论述,通过从效率、质量、隐私等方面这些算法进行比较和分析,然后介绍在分布式约束优化问题在具体领域中的应用,最后论述分布式约束优化算法目前存在的问题及未来发展方向。     

相干分布式信源中心波达方向估计算法

针对移动通信中由本地散射导致的分布式信源的中心波达方向估计问题,根据分布式信源角度信号密度对称的约束条件,将相干分布式信源方向向量整理为点信源方向向量与实向量的Schur-Hadamard积,并构造相应的二阶统计量,提出了一种仅需利用二阶统计量就能直接估计中心波达方向的新方法。该算法与传统谱峰搜索类算法和经典子空间类算法相比,无须谱峰搜索和任何特征值或奇异值分解,有效地降低了计算量;所利用的二阶统计量对噪声不敏感,具有较好的信噪比性能;参数估计过程中,无须事先已知角度信号密度的具体类型,鲁棒性较好。仿真实验验证了所提算法的有效性。     

基于支持向量机的分布数据挖掘模型DSVM

针对分布环境的数据挖掘要求,提出了基于支持向量机的分布数据挖掘模型DSVM.定义了DSVM中特征多叉树的概念,描述了基于移动Agent访问分布数据集来构建特征多叉树的方法,阐述了通过特征多叉树来反映分布环境各数据集属性总体特征的思想,并利用该数据结构和支持向量机的特点,提出了基于壳向量的分布式支持向量机增量算法来修正和完善特征多叉树,最终实现分布环境下全局的数据挖掘.实验结果表明,该模型有效地解决原有分布环境下其他挖掘算法存储开销大、执行效率差、安全性和隐私性低等问题.     

基于兴趣度的数据流频繁模式散列挖掘算法

频繁模式挖掘是很多数据流挖掘工作的基础.现有算法虽然能够有效的在数据流中挖掘近似的频繁模式, 但是由于数据流数据的不确定性、连续性以及海量性, 始终不能有效的将算法的时间效率和空间效率控制在一个可以接受的范围内. 本文通过使用散列表作为概要数据的存储结构, 并引入关联规则兴趣度的概念, 提出了数据流频繁模式挖掘算法MIFS-HT(mining interesting frequent itemsets with hash table), 不仅有效降低现有算法的时空复杂度, 同时提高了算法的应用价值. 最后, 实验结果表明: MIFS-HT是一种高效的数据流频繁模式挖掘算法, 其性能优于FP-Stream、Lossy Counting等算法, 并且挖掘结果更具有现实意义.     

基于自适应哈希链的分布式频繁模式挖掘算法

针对分布式系统,提出了自适应哈希链结构的频繁模式挖掘算法。该算法首先在每个站点产生局部频繁1-项集,再产生全局频繁1-项集,根据全局频繁1-项集产生各站点的投影数据库,在各个站点分别扫描投影数据库中的交易,并根据站点可用内存情况形成相应大小的哈希链结构。通过挖掘各站点的哈希链结构得到全局频繁项集。给出了基本步骤和挖掘算法。研究表明该算法不但效率高,而且适应性强。     

一种基于划分的带项目约束的频繁项集挖掘算法

为提高关联规则挖掘算法的效率及其对大型数据集的适应性,提出了基于划分的带项目约束的频繁项集挖掘算法Partition CHS Miner。算法按照约束条件裁减数据集,并采用基于约束的超结构CHS(con-straint-based hyper-structure)存储数据。对大型数据集,先将其划分为多个不相交的数据子集,使子集的大小适合主存,然后在子集上采用基于超结构的带项目约束的挖掘算法挖掘出局部频繁项集,最后合并所有子集中的频繁项集形成全局的带约束的候选项集,计算出全局频繁项集。实验证明了算法的有效性。     

Linguistic Valued Association Rules

1　IntroductionData mining is the process of discovering interesting knowledge from large amounts of datastored either in database,data warehouses,or information repositories. The mining ofassociation rules is one of the most important topics in the field of data mining. Variousmining algorithms about association rules have been discussed in many literatures such as[1]and[2 ].The linguistic valued association rules are discussed in this paper.In Section2 ,the FCM algorithm in [3]is adopted t…     

Generalization-based discovery of spatial association rules with linguistic cloud models

Extraction of interesting and general spatial association rules from large spatial databases is an important task in the development of spatial database systems. In this paper, we investigate the generalization-based knowledge discovery mechanism that integrates attribute-oriented induction on nonspatial data and spatial merging and generalization on spatial data. Furthermore, we present linguistic cloud models for knowledge representation and uncertainty handling to enhance current generalization-based method. With these models, spatial and nonspatial attribute values are well generalized at higher-concept levels, allowing discovery of strong spatial association rules. Combining the cloud model based generalization method with Apriori algorithm for mining association rules from a spatial database shows the benefits in effectiveness and flexibility.     

一种关联规则增量更新算法

针对一个新的事物数据库加到原有的事务数据库中,在最小支持度和最小置信度都不变的情况下相应关联规则的更新问题,提出了一种简单高效的增量式关联规则挖掘算法。该算法从集合的角度出发,将事物数据库分为频繁项集集合和非频繁项集集合,从而在两个事务数据库可能出现的关系中,准确找出能够生成新的频繁项集的集合。在此基础上,利用给出的算法能够较为容易地发现新的关联规则。最后,分析了此算法的优越性。     

基于网络的数值关联规则挖掘方法

关联规则 ( Association Rules)发现的是属性间的关系 .属性可以是逻辑型的 ,也可以是数值型的 .在从逻辑型属性描述的数据中发现关联规则方面已经有许多比较成熟的算法 ,而在数值型属性方面则不然 .将数值关联规则挖掘问题映射成逻辑关联规则挖掘问题是一种方便有效的方法 .本文给出了一个新的数值属性关联规则挖掘算法 ,该算法利用数据本身的特征决定对数值属性值域的划分 ,进而将划分后的所有区间映射为逻辑属性 (项目 ) ,在此基础上可以挖掘出更容易理解、更具有概括性的有效关联规则 .本文给出了一个发现频繁项目集搜索算法 ,并采用一种纵向数据库格式来简化项目集支持度的计算.