高频度模拟酸雨胁迫条件下菲白竹的光合响应

为了探讨竹类植物对高频度酸雨胁迫的光合响应特性及其机制,以园林观赏竹种菲白竹(Pleioblastus fortunei)为材料,通过模拟不同强度酸雨(pH=2.0、3.0、4.0)高频度处理,研究其对叶绿素含量、光合作用日变化及叶绿素荧光特性的影响。结果表明:各胁迫处理组均导致菲白竹叶片叶绿素相对含量下降,酸度越强,降幅越大。酸雨胁迫导致光合速率日变化从对照的“单峰型”向“双峰型”转变,呈现明显的“午休”现象。随着胁迫强度的增加,净光合速率(P_n)、气孔导度(G_s)、蒸腾速率(T_r)、气孔限制值(L_s)均呈下降趋势,而胞间二氧化碳浓度(C_i)总体上则呈上升趋势,表明酸雨胁迫抑制光合速率主要由非气孔限制所致。不同强度的酸雨胁迫均使菲白竹PSⅡ最大光化学效率(F_v/F_m)、PSⅡ潜在活性(F_v/F_o)、PSⅡ有效光化学效率(F_v'/F_m')、PSⅡ实际光化学效率(Φ_PSⅡ)、光化学淬灭系数(q_P)显著降低,而非光化学淬灭系数(q_NPQ)显著增加。经过1个多月的恢复期,pH 4.0处理组各荧光参数恢复趋势明显; 而pH 2.0处理组则无法恢复,表明菲白竹对pH 4.0的酸雨胁迫处理表现出较强的自我修复能力。其中,q_NPQ的增强可能是菲白竹防御酸胁迫下光破坏的一种重要机制。     

考虑数据不确定性的非均匀挖掘算法

针对高维大数据不确定性的非均匀挖掘问题,提出一种基于不确定频繁模式树的模糊逻辑非均匀数据挖掘算法.首先,在考虑数据不确定性的前提下建立高维数据的区域连接演算(RCC)模型,并基于数据集合组元定义分析不确定数据集合的模糊距离;然后,采用不确定模式树对数据的非均匀特性进行均匀泛化处理,并给出了具体的实现步骤.仿真结果表明:文中方法有效地提升不确定非均匀数据集合在不同支持度情况下的挖掘效率.     

基于约束的最大频繁模式的挖掘

频繁模式挖掘通常产生大量的挖掘结果,基于约束的最大模式挖掘成为目前研究的焦点．给出基于约束的频繁最大模式的定义和挖掘基于约束的频繁最大模式算法．     

基于频繁2-项集的贝叶斯分类器

针对NB分类方法中过于严格的独立性假设,应用频繁2-项集为分类测度,通过放宽独立性假设达到改善分类性能的目的.在训练阶段使用类似Apriori关联规则发现算法挖掘并建立频繁2-项集库,当测试新文档时,文档特征通过竞争搭配生成基于测试文档的频繁2-项集序列,优先选择类词频率和置信度综合评分最高的频繁2-项集进入概率估算过程,并用频繁2-项集的综合评分置换NB的单项特征概率估计.在不同数据集的实验中显示,基于频繁2-项集的贝叶斯分类器(TIB)的分类精度整体上好于NB分类器,是一种有效的分类方法.     

基于事务数据库的关联规则采掘算法研究

采掘关联规则是知识发现领域的一个重要问题,文中对采掘关联规则问题进行了简单的回顾,分析了传统的关联规则Apriori算法的优缺点,设计了一种基于事务数据库的快速采掘算法TB－MA。实例证明,与Apriori算法相比,TB－MA算法削减了数据库遍历次数,提高了采掘效率,是十分有效的采掘算法。     

基于标准编码的有向标记频繁子图挖掘算法

针对大部分频繁子图挖掘算法,基于无向图而不适用于更具有实际意义的有向图的挖掘的现状,通过对无向图挖掘算法gSpan中编码结构的扩展,采用改进的规范形式,使编码适用于有向图领域。并使用针对有向图的DADI++存储结构来存储图集,简化了数据访问操作的代价。另外在挖掘中使用Hash表存储同构图的Hash地址和支持度,避免对图集的重复扫描和直接的同构测试。在实际数据集上运行的实验结果表明提出的Dspan算法是正确的,并比FFSM算法效率更高。     

基于关联规则的文档智能查寻算法研究

针对经典关联规则在解决与其他应用领域相关的概念、完备频繁项目集和高效算法的定义等问题上的缺陷,提出了一种关联规则算法,在文档智能查询的应用问题上,此算法有效地解决了这些问题,实验表明此关联规则算法在文档智能查询项目中,得到了良好的应用效果.     

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DSCFCI_tree的带项目约束的数据流频繁闭合模式挖掘算法

根据数据流的特点,提出了一种挖掘约束频繁闭合项集的算法,该算法将数据流分段,用DSCFCI_tree动态存储潜在约束频繁闭合项集,对每一批到来的数据流,首先建立局部DSCFCI_tree,进而对全局DSCFCI_tree进行有效更新并剪枝,从而有效地挖掘整个数据流中的约束频繁闭合模式.实验表明,该算法具有很好的时间和空间效率.     

基于项集分解的快速挖掘最大频繁项集算法

对Apriori算法的分析,提出采用分解事务数据库中最长的项集,使用前缀划分的表示方法,从而快速地归纳出事务数据库中的最大频繁项集.