基于数组的关联规则算法的改进

针对Apriori算法的不足,提出了基于数组的关联规则挖掘算法,该算法只扫描数据库一次,将数据库中的数据存于数组向量中。基于关联规则的性质,对扫描的事务数和项目数,连接步骤等进行压缩和优化,并且利用一维数组对候选2-项集进行计数,从而避免大量候选2项集的产生,有效解决了传统算法候选2项集的瓶颈问题,此算法与Apriori算法相比有明显的提高。     

改进的关联规则挖掘算法-MIFP-Apriori算法

Apriori算法是关联规则挖掘的经典算法,具有原理简洁、易编程实现等优点,得到广泛应用。针对该算法扫描数据库次数过多,产生大量冗余候选集的缺陷,在现有Apriori算法改进优化思想的基础上,结合矩阵、改进频繁模式树和计算候选集频数优化策略提出了一种改进的关联规则挖掘算法——MIFP-Apriori算法。实验表明,该算法能够将扫描数据库次数降低到一次,有效解决产生大量冗余候选集的缺陷,提高算法效率。     

基于PSO的加权关联规则挖掘算法

简要描述了加权关联规则问题及离散粒子群优化算法,提出了一种基于粒子群优化(PSO)算法的加权关联规则挖掘算法(PSO-WMAR).实验证明,本算法运行时间更省,产生的规则数更少且更有效.该算法具有以下特点:1)把关联规则挖掘的两个阶段结合在一起,无须先挖掘出全部频繁项目集然后再提取规则;2)只需要扫描一次数据库;3)把兴趣度引入适合度函数之中,挖掘出的规则数量更少、更有效;4)求加权频繁项目集无须查找所有候选加权频繁项目集,或者求频繁项目集的高序子集或非频繁项目集的低序超集.     

数独的历史

规则：数独只有一条规则——在图中格子内填入1到9的数字使每行、列、3×3的宫内数字不重复，对角线数独要求对角线上的数字也不能重复。     

一种改进的Apriori算法的研究

针对关联规则挖掘中Apriori算法的不足,提出了一种改进算法。该算法使用完美哈希函数,优化的事务压缩技术,分组查询计数和直接产生候选项集的技术来挖掘频繁项集,从而提高了算法效率。最后,通过对两种算法进行性能比较,验证了改进算法的优越性。     

基于区间映射的约束拓扑关联规则挖掘

 针对现有拓扑关联规则挖掘算法不能够有效地提取长频繁约束拓扑关联规则,提出一种基于区间映射的约束拓扑关联规则挖掘算法,该算法适合挖掘带约束空间布局关系的长频繁拓扑关联规则;该算法用区间映射法的下行搜索策略产生候选频繁拓扑项目集,利用逻辑"与"运算计算拓扑关系事务的支持数.实验证明在挖掘长频繁约束拓扑项目集时,该算法比现有算法更快速更有效.     

基于直线检测的遥感影像道路提取方法

针对传统的高分辨率遥感影像中提取道路精度低问题,提出了一种基于改进直线检测道路的方法。首先将彩色图像梯度计算运用到经典的直线段检测(LSD)算法中,实现遥感影像直线提取。根据相邻两条直线关系设置6个直线合并规则,然后判断直线间的区域是否为候选道路区域。以候选区域为种子点,生长其他直线间的区域。最后提取面状道路及优化,同时也对道路交叉路口进行提取。实验结果表明使用提出方法所提取道路区域更加完整。     

不定重循环问题及程序设计

指出回溯法应更名为不定重循环算法更为恰当。通过两个典型实例：N张骨牌覆盖问题和N阶拉丁阵问题，归纳出不定重循环算法的计算过程和程序的基本结构。得到了一个有意义的数学结论：N张骨牌覆盖问题中覆盖数组成的数列为菲波拉契数列。     

基于超图的非规则应用局部性优化

针对非规则循环应用中存在的一次迭代访问多个间接数组的问题,给出了超图数组的形式化描述,提出了三种基于超图的数据重排算法,即基于超图的非重复编码数据重排算法、基于超图的回溯搜索数据重排算法和基于超图的先划分再回溯数据重排算法,以及两种基于超图的迭代重排算法,即基于超图的非重复编码迭代重排算法和基于超图的回溯搜索迭代重排算法.通过对典型的非规则应用实例——流体力学问题进行实验,表明单独的重排算法提高程序执行速度约25.4%.在最好的数据重排与迭代重排的组合算法下,一级和二级高速缓存的平均命中率分别增加到91.7%和96.5%.     

前向预测与回溯结合的正交匹配追踪算法

在基于压缩感知的正交匹配追踪算法中,候选集原子的选取对最终的重建性能至关重要.文中结合前向预测和回溯两种策略更新候选原子集,提出了一种基于预测与回溯的正交匹配追踪(LABOMP)算法.该算法通过设定阈值将所有迭代划分为前后期,在迭代前期,通过预测原子在未来迭代中的性能选择最佳原子;在迭代后期,加入回溯策略,每两次迭代淘汰一个前面错误选择的原子.实验结果表明:LABOMP算法是实用有效的,由于加入回溯策略修正了预测算法LAOMP的不足,使迭代后期高斯稀疏信号与二值稀疏信号的精确重建概率较LAOMP算法分别平均提高了12.5％、18.2％.