FP-growth算法的一种优化实现

研究工作者已经提出了许多对事务数据库中频繁模式、关联规则的挖掘算法.早期算法有Apriori算法,然而该算法利用候选项集找频繁项集,而候选项集的产生往往是非常耗时的.JianweiHan等人提出了一种改进的算法,FP-growth算法.该算法不产生候选项集,效率比Apriori算法提高了近一个数量级.在描述FP-growth算法的基础上,具体讨论了如何优化数据结构,有效的实现该算法.     

规则"真"的一般概念和"真"规则形式算法

在粗糙集理论框架内研究基于不完备信息系统的决策规则"真"的一般概念,讨论在一般"真"意义下最优决策规则的统一获取算法,其中首先探讨了在研究不完备决策系统时的基本考虑,然后讨论了决策规则的"真"的一般框架,引入了在一般"真"意义下广义决策向量概念,以此为基础,研究了最优决策规则的形式获取算法.     

一种新的遗传算法及其在变压器故障诊断中的应用

提出了一种新的遗传算法,其基本思想是:以网络权重和偏差的实数形式作为基因构成染色体向量,采用基因多点交叉和动态变异进行种群最优选择.研究结果表明,这种新的遗传算法是一种随机优化算法,克服了梯度下降法的不足,能够自动调节网络参数、网络的连接权重和偏差.在此基础上设计出一种基于遗传算法和溶解气体分析的变压器故障在线诊断系统.该系统只要将传感器测出的变压器中线圈电流、特征气体的含量作为输入参数,就能对信息进行融合分析,得到输入变量(线圈电流、溶解气体含量)与输出结果(故障类型、程度和部位)的复杂对应关系;能有效地减少输入层神经元的个数,改进网络内部结构,提高神经网络模型的学习效率和诊断的准确率,诊断精度高,漏报少,无误报现象.     

基于网页探测技术的数据搜索系统的设计与实现

从网络搜索的原理入手,详细阐述了网络搜索的工作过程,包括对网络协议和搜索算法的研究和论证,对系统主要功能、构成和工作流程也进行了细致地划分、描述和解释.在整个设计过程中,首先制定了系统设计的理念原则,这是一个好的系统设计的基础,其次,给出了系统的程序设计,明确了系统的性能、功能要求、任务、结构和工作原理,最后给出了系统的程序实现.     

cdma2000 1x EV-DO前向链路高速分组数据传输中的调度算法

在保证用户间公平性的前提下,为尽量提高cdma2000的增强型1xEV DO系统前向链路的数据吞吐量,通过讨论现有的多种调度算法原理,分析了影响系统吞吐量和公平性的因素,在此基础上提出将用户平均请求传输速率、限制用户最小平均传输速率和系统最小吞吐量的影响同时引入调度算法的思想,通过在CadenceSPW软件平台上的仿真研究表明,改进后的调度算法在保持公平性的前提下,有效提高了系统前向链路吞吐量.     

基于Levenberg-Marquardt算法的用户鉴别

为了维护计算机系统的安全,一般通过设置用户口令以便进行身份鉴别,防止他人冒名顶替.口令鉴别的主要弱点在于,一旦被窃,冒名顶替者就可以轻而易举地进入用户的私人账户进行非法活动.击键动力学的研究是给口令加上一个简便而有效的保护措施.击键动力学方法通过获取并分析用户敲击键盘的特征数据,自动地识别出用户的真实身份.这一辅助身份鉴别的关键问题主要是寻找准确率高、执行速度快的识别算法.本论文采用Levenberg-Marquardt(LM)算法对上述存在的问题进行了研究.     

基于最小距离均衡系数的TSP问题求解算法

提出了一种基于最小距离均衡系数的TSP求解算法,该算法在最近邻算法(NearestneighborAlgorithm)的基础上进行了改进,引入了距离均衡系数的概念,把优化方法从局部最优转化为全局最优,即将最短路径问题转化为最小距离均衡系数问题.仿真结果表明,该算法能够弱化导致最近邻法等算法性能下降的因素,从而在不同情况下保持算法的高有效性.     

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能，神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点，能很好地用于神经网络的训练。两种方法综合使用，可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用Active X技术在Lab VIEW中调用和操作MATLAB的方法，实现了基于遗传算法的模糊神经网络控制器。     

Ad hoc网络路由问题的研究

随着无线网络的广泛应用,设计一种有效安全的路由协议是目前亟待研究的重要课题。Ad hoc的应用产生了传统网络所未遇到过的安全问题。研究了目前常见的标准路由算法,分析了发生在路由层的攻击手段,阐述了几种路由安全机制。     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．