线性规划的宽邻域预估校正算法

提出了一种新的内点算法--宽邻域预估校正算法。该算法基于经典预估校正算法思想,把窄邻域拓展到宽邻域里,使算法更快地迭代。给出了算法的具体步骤,讨论了其计算复杂性,分析结果表明,所给算法是一多项式时间算法。通过数值实验验证算法的有效性。     

对Apriori算法的一种改进

给出了一种对Apriori算法改进的算法。改进的算法只需扫描一次数据库D,同时简化了Apriori算法,减少了存储设备I/O时间,提高了算法的效率。     

基于退火加速的差分进化算法改进及应用

差分进化算法(DE)是一种简单有效的启发式全局搜索技术,为解决DE算法运行过程中存在的算法收敛早熟、收敛速度慢和求解精度不高等问题,提出了一种基于退火加速的差分进化算法.该方法在传统DE算法基础上,以退火概率来增强算法的局部开发能力,并利用Hooke-Jeeves算法加快收敛速度,在充分发挥Hooke-Jeeves算法局部探测能力的同时保持了DE算法的全局性能.仿真结果表明,该算法比基本DE算法收敛速度快、精度高,是一种有效的全局优化算法.     

改进的模拟退火算法及其在正交偶极子各向异性反演中的应用

正交偶极子各向异性反演中一般采用快速模拟退火算法(VFSA)。为了提高VFSA算法的分辨率,提出了一种改进的VFSA算法,此算法需结合局部优化算法,即在VFSA算法的每一循环中随机产生3个点,然后运用单纯形算法进行局部寻优,所得最优解作为下一循环的初始点继续下一循环。使用改进的VFSA算法处理了大庆某井的正交偶极子声波测井数据,并将该算法与传统的VFSA算法的处理结果进行了比较。结果表明,改进的VFSA算法比传统的VFSA算法具有更好的收敛特性。若合理地选择计算参数,则改进的VFSA算法的速度下降并不明显。     

凝聚型层次聚类算法的研究

本文在综合分析凝聚型层次聚类算法的优缺点和借鉴前人算法的基础上,提出了一种改进算法。实验证明该算法是一种速度更快、效率更高的算法。     

基于图形处理器的邻接矩阵算法

本文提出一种基于图形出理器的并行邻接矩阵算法,算法利用了图形处理器子素级的向量处理能力完成对n个数据点邻接矩阵的计算,将提出算法与现有算法进行的性能对比分析表明：本算法明显改进了现有文献的研究结果,是一种低成本的邻接矩阵算法。     

基于模拟退火算法的实现及应用

模拟退火算法是一种有效的全局优化算法。文章阐述了模拟退火算法的基本原理及实现过程,给出了模拟退火算法的基本算法步骤。最后,给出了利用MATLAB语言实现模拟退火算法运用的数值例子,计算结果表明其是一种有效可行的方法。     

基于矩阵的频繁项集发现算法

Apriori算法是关联规则的经典算法.在分析经典Apriori算法的基础上,提出了一种有效的基于矩阵的Apriori的改进算法.该算法应用了矩阵的思想,只需对数据库扫描一次,即可得到频繁项集,大大提高了算法的效率.     

一种混合稀疏置零的自适应声回波对消算法

对稀疏路径的自适应声回波对消算法进行了讨论,提出一种稀疏置零归一化解相关LMS自适应滤波算法(简称SSKNDLMS).该算法综合了稀疏算法,置零算法及归一化解相关算法的优点,在增加少量计算量的情况下,其收敛速度和稳态失配比常用的LMS算法都有明显的改善.计算机仿真证实了这一结果.     

最小支撑树的一种删除大权边算法及应用

最小支撑树的一种删除大权边算法是在Kruskal算法、Prim算法和破圈法的基础上,提出的另一种算法。介绍了删除大权边算法的基本概念和性质,列举了删除大权边算法的计算实例,叙述了删除大权边算法的及其应用。     

一种快速有效处理数据集分类问题的新算法

经典的分类算法对小型数据集分类是非常有效的，但当面对超大型数据集时往往失去了分类能力。在平均值和方差以及新定义的权这三个度量的基础上提出了一种快速有效处理超大型数据集分类问题的新算法一核心向量算法，简称CV算法。试验结果表明，该方法对超大型数据集分类是比较有效的。     

基于小波聚类的数据集简化算法研究

大数据集没有非常有效的简化方法。提出一种基于小波聚类的数据预处理的算法DPWaveCluster,该算法包括量化特征空间、小波变换、聚类、形成查找表、映射数据点到聚类,以及按要求在聚类标识周围选取适当数据点形成简化数据集等操作步骤。利用小波变换的多分辨分析特性获得无监督聚类来帮助简化数据集。通过synthetic_dat和topo标准数据集的仿真实验表明,该算法实现简化大数据集高效而适用。     

无线传感器网络数据聚合网络划分算法

提出了一种应用于无线传感器网络数据聚合的有效划分算法算法选取网络中一组无环连通点集抽象为广义数据汇聚点集．当传感器节点进行数据汇报时,信源节点依按需路由策略将数据传送到广义数据汇聚点集中数据在广义数据汇聚点集内经过在网计算,依表驱动路由快速转发至sink．理论计算确定最优广义数据汇聚点集选取方式,提出分布式“贪婪远跳”算法构建广义数据汇聚点集．仿真论证该优化选择保证网络内任意节点两跳可达广义数据汇聚点集的概率为97％,分析数据传输性能证明了该算法的有效性．     

快速关联规则增量式更新算法研究

快速关联规则增量式更新算法充分利用以往挖掘过程中的结果,无需再次扫描原数据集,对新增数据集也只扫描一次,即可得到事务更新后的数据集的频繁项集。该算法避免了重新处理已经处理过的数据和多次扫描新增数据集,与其他相关算法相比,极大地减少了算法运行时间,提高了挖掘效率。随着历史数据集的增大,更加显现出本算法的优越性。本算法还可以用于解决由于数据集过大而导致的内存不够的Apriori算法的挖掘问题,相当于数据集分组挖掘。     

基于局部密度离群点检测k-means算法

针对数据集的聚类过程容易受到离群值的影响这一问题,提出了局部密度离群值检测k-means算法,即先对数据集使用局部密度离群值检测方法检测离群值,先把离群值去除,再进行k-means聚类,算法的有效性通过Davies-Bouldin指标(DB)、Dunn指标和Silhouette指标进行评价,在人工生成的数据集与UCI数据集上验证,去除离群值,再使用k-means算法得到的聚类结果相比原始数据集进行k-means算法聚类结果较好,并且用在疫情数据分析上,对安徽省、北京市、福建省、广东省等24个省、市、自治区2020年2月18日新型冠状病毒肺炎确诊人数进行聚类分析,得到的去除离群值在使用k-means算法相比原始数据集进行k-means算法聚类结果较好,该结果能帮助更好地在实际中怎么去做决策以及更好地降低经济损失。     

一种基于目标函数的局部离群点检测方法

针对传统的基于密度的局部离群点检测算法对原始数据集没有进行预处理导致该算法在面对未知数据集时检测效果不理想,又由于其需要计算每一个数据点的离群因子,在数据量过多时,计算量大大增加的问题,通过对局部离群点检测算法的分析,提出了一种基于目标函数的局部离群点检测方法FOLOF(FCM objective function-based LOF).首先,使用肘部法则确定数据集的最佳聚类个数;然后,通过FCM的目标函数对数据集进行剪枝,得到离群点候选集;最后,利用加权局部离群因子检测算法计算候选集中每个点的离群程度.利用该方法在人工数据集和UCI数据集上进行了相关实验,并与其他相关方法进行了对比,结果显示,该算法能够提高离群点检测精度,减少计算量,有效提高离群点检测性能.     

面向不平衡数据集融合Canopy和K-means的SMOTE改进算法

针对SMOTE算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-SMOTE改进算法。先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用SMOTE算法增加少数类样本数量,使数据趋于平衡。选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-SMOTE算法可有效平衡不平衡数据集。     

基于模糊C-Means的改进型KNN分类算法

KNN算法是一种思想简单且容易实现的分类算法,但在训练集较大以及特征属性较多时候,其效率低、时间开销大.针对这一问题,论文提出了基于模糊C-means的改进型KNN分类算法,该算法在传统的KNN分类算法基础上引入了模糊C-means理论,通过对样本数据进行聚类处理,用形成的子簇代替该子簇所有的样本集,以减少训练集的数量,从而减少KNN分类过程的工作量、提高分类效率,使KNN算法更好地应用于数据挖掘.通过理论分析和实验结果表明,论文所提算法在面对较大数据时能有效提高算法的效率和精确性,满足处理数据的需求.     

基于启发式信息熵的粗集数值属性离散化算法

在一致性假设前提下,以数据集的统计性质作为启发式知识,从候选离散点集中选择离散点,根据数据集的期望值和方差来确定搜索最优离散点的区域,提出一种新的基于信息熵粗集数值属性离散化算法,并采用UCI国际标准数据集来验证新算法.新算法与已报道的算法所得到的离散断点集完全一致,决策表的离散化结果也相同,但时间代价不同,新算法比其计算效率提高40%～50%.     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。