基于随机抽样和聚类特征的聚类算法

在分析BIRCH算法不足的基础上，提出了一种基于随机抽样和聚类特征的聚类算法(CLAP)，该算法采用随机抽样技术，从数据库中抽取一部分数据进行聚类的预处理过程，这样大大降低了运行时间，CLAP通过设立索引树的叶节点的直径和聚类直径，提高了聚类的精度，并采用全局搜索和局部搜索相结合的方式，消除了输入顺序对聚类质量的影响．测试结果表明，CLAP算法不仅提高了聚类速度，而且改善了聚类质量。     

遗传神经网络在载人飞船环控决策系统中的应用研究

针对载人飞船环控生保系统的状态监控由于参数数量及不确定性因素多,导致学习模型训练周期长,不能满足快速、实时、准确参数预测的现实,运用遗传算法对神经网络进行优化,提出了基于遗传神经网络的环控生保参数预测模型,设计并实现了相应的仿真软件.以轨道舱总压预测为例,通过飞船的真实飞行数据测试,证实在达到同样误差的情况下,遗传神经网络的训练周期数比BP神经网络的训练周期数减少了30%,而且遗传神经网络的平均误差小于BP神经网络的平均误差,说明基于遗传神经网络的参数预测算法和模型能为栽人飞船环控决策支持系统提供更准确和实时的关键参数预测.     

教育管理数据仓库系统分析

根据教育管理信息的特点, 本文分析了现代教育决策的需求, 提出于教育业务数据库系统之上为辅助教育分析决策建立数据仓库系统的基本构想     

交会对接航天员训练仿真误差分析

针对交会对接任务中地面训练仿真与实际飞行任务的天地一致性问题,研究了仿真中的关键误差并提出了对策.以航天员在回路中的感知为焦点,从仿真模型、视觉感知和操作感知等3个方面进行了误差特性分析研究.通过训练样本数据,讨论了自控/人控模式下训练仿真误差对航天员实飞操作品质的影响,提出了模型构建、过程修正和地面辨识等误差对策.试验结果表明,对策可行,时间延迟和操作精度响应仿真拉偏有效.误差分析和对策方法对训练模拟器研制和航天员训练有重要应用价值.     

基于粗糙关系数据库的粗糙数据查询

以粗糙关系数据库模型（RRDM）为背景，从分解原理、投影原理、粗糙关系数据库（RRDB）的可定义性及上、下近似几方面讨论了RRDB的查询理论，并以此为基础提出了一种新的RRDB查询方法--粗糙数据查询，我们把粗糙数据查询分为精确查询、粗糙完全查询、粗糙组合查询三类，并从这三方面对粗糙数据查询进行了讨论与仿真实验，仿真结果验证了这种方法的可行性和正确性。     

基于信息粒度与粗糙集的决策细化研究

从理论上研究了决策表中决策值细化程度与信息粒度、近似分类的精度及近似分类质量之间的关系,结果表明,决策属性的属性值划分得越细,则该属性的信息粒度、近似分类精度和近似分类质量的值就越小.仿真实验同时证明,在基于决策属性划分之下,对任意一个条件属性集经决策细化后的决策表所对应的信息粒度、近似分类精度和近似分类质量的值,都不大于决策细化前决策表所对应的信息粒度、近似分类精度和近似分类质量的值,这个结果对研究决策表属性约简和决策规则的有效性等问题都有指导作用.     

样本信息处理中一种属性约简方法的研究

为了剔除样本信息中存在的冗余成分和不相容性,同时提取关键信息等,根据样本信息的特点和信息具有粒度的思想,基于粗糙集的2个近似精度科学地定义了条件属性重要性,进而提出一种对样本信息进行属性约简的有效、简便方法.该方法主要包括信息核的求取、可省条件属性的重要性计算和相对属性约简集的确定.其中,为连续属性的离散化处理提供了一种基于模糊相似比原理的快速离散化算法,它能起到剔除模糊噪声的作用.典型实例计算和在油水层识别系统中的实际应用表明,这种属性约简方法的识别准确率可达90%以上,应用效果显著.     

实时元数据管理的软件体系结构研究

针对数据仓库环境中元数据互操作困难和老化的问题，提出了一种实时分布式元数据管理的软件体系结构．通过对元数据管理模式的分析，基于公共仓库元模型(CWM)规范，以CWM元模型规定的元数据集成、交换内容，用XML元数据交换提供实时元数据交换和共享机制，结果使每个异构软件成员仅需对应一个接口驱动程序即可实现分布式元数据的动态读取和集成．利用模型管理算子，在模型的抽象层次上讨论了模式集成和进化的实现过程．在原型实验中，所有实时操作都在10s内完成，这验证了在该体系结构下元数据的互操作性和实时分布式存取的可行性、有效性。     

带限制的动态数据库中大项目集增量式挖掘

提出了一种带限制的动态数据库中大项目集的增量式挖掘算法，基于限制条件它有4种优化策略，并对候选项目集进行修剪，减少了个性选项目集的数量。同时，利用已挖掘的大项目集计算本次挖掘顺在项目集的记数，减少了I／O的次数。该算法允许用户不断改变限制条件，实现交互式挖掘，而且可将挖掘的目标仅仅聚焦到其感兴趣的模式上，这不仅适用于对数据库进行插入操作，还适用于删除，修改操作，实验表明该算法是有效的。     

一种新的组合k-近邻预测方法

针对传统k-近邻(k-NN)算法基于单一k值预测难以兼顾不同样本的个性,从而导致总体预测精度不够理想的问题,提出了一种组合Bk-NN预测方法.首先通过Boosting理论建立了个性化预测模型集,然后分别采用每个模型对样本进行独立预测,最后各模型预测值的加权和将作为最终预测结果.Bk-NN预测充分考虑了不同类型的样本可能要求不同的预测模型与之相适应的情况,有效降低了预测误差.与其他方法不同的是,Bk-NN预测对数据集的属性类型没有特殊要求.在标准数据集上的实验结果表明,Bk-NN预测精度比传统k-NN方法平均提高了6.44%～15.25%.