数据挖掘技术浅谈

数据挖掘是致力于数据分析和理解、揭示数据内部蕴藏知识的技术,它成为未来信息技术应用的重要目标之一。本文对数据挖掘的概念、算法、使用的技术、实际的挖掘过程及其发展趋势进行了论述。     

利用DA算法实现大规模FIR滤波器

分布式算法是一种广泛地应用在可编程逻辑序列（FPCA）和ASIC设计中计算乘积和的算法。DA算法的处理速度仅与输入的位宽有关，对于大规模乘积和的运算，其计算速度有着明显的优势。当输入位宽过大时，可以将DA算法改进成并串结构以获得更快的处理速度。该文对在FPCA中利用DA算法实现大规模FIR滤波器，提出了具体的实现方案。     

序列模式挖掘的两种典型算法及比较

序列模式挖掘是数据挖掘的重要分支,GSP算法与PSP算法是序列模式挖掘中的两种典型算法。本文介绍了这两种算法并对其进行了分析与比较。     

一种基于总线链式查询平等响应算法的实现

通过对总线仲裁链式查询方式的分析,提出了一种最近最常提出总线请求的平等响应算法,克服了链式查询方式中设备优先级固定的缺点,提高了设备获取总线控制权的灵活性。     

一种基于段的基音检测算法

作为语音信号处理领域一项基本、关键的技术,基音检测在语音信号处理中扮演着重要的角色,一直是语音信号处理的一个研究热点.首先对传统的基于短时自相关函数法的基音检测进行了研究;在此基础上提出了一种能同时检测一段语音信号基音周期的方法,有效地克服了传统基音检测算法只能检测一帧语音信号基音的缺点.进行了实验仿真,结果表明通过去野点,中值平滑等后处理的基于段的基音检测算法比传统的基于帧的基音检测算法具有更好的抗噪性.     

An efficient algorithm to generate candidates in discovering frequent episodes

0 IntroductionData mining is widely used in many research fieldssuch as decision supporting systems[1], bio-informationanalysis[2]and knowledge engineering[3-5]. Most data col-lected from scientific experiments or telecommunicationnetworks have inherent sequential nature inthemand canthus be abstractly viewed as a sequence of events . Onebasic problemin miningsuchevent sequencesis discoveryof recurrent combinations of events , which are calledepisodes. Once frequent episodes are discovered,rul…     

求解Po-函数非线性互补问题的一个下降牛顿算法

构建了一个新的光滑价值函数来求解Po-函数非线性互补问题.区别于以往所构建的价值函数,构建的新的光滑价值函数不含任何光滑参数.对于Po-函数,可以得到,此价值函数的任一稳定点都是非线性互补问题的解.基于这个简单的光滑价值函数,提出了求解Po-函数非线性互补问题的一个下降牛顿算法.在适当的条件下,该算法的全局收敛性及局部超线性(二次收敛性)也得到了证明.     

多维函数全局寻优的团队进步算法

通过模仿团队进步需要的学习、探索行为和成员更新规则,提出了一种新颖的双群体演化算法,称为团队进步算法(TPA).算法将一个团队的成员分为精英和普通组,建立了两组的学习样板,定义了学习和探索运算,并合理设定了成员更新规则.两组成员在搜索过程中出现了明显分工,使算法兼备了全局搜索、局部搜索和定向搜索的能力.数值试验结果验证了新算法具有实现简单、全局寻优成功率高、收敛快、计算量少、坚韧性强和参数选择相对容易等特性,对解决优化应用问题具有较大的价值.     

基于正六边形线阵CCD探测器的周视场目标探测系统

提出了一种基于正六边形线阵CCD探测器的运动目标探测系统.系统不仅可以实现360°范围内环形视场探测,还可以实时显示运动目标的位置及角速度信息,达到搜索跟踪的目的.在硬件设计方面,提出并实现了基于CPLD和AVR的电路方案.在算法设计方面,设计了适于周视场运动目标探测算法.     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.