新形势下图书馆学会工作刍议--以上海市浦东新区图书馆学会为例

介绍了上海市浦东新区图书馆学会的成立背景及缘起，阐述了浦东新区图书馆学会的工作计划，结合工作实际指出了图书馆学会应重点加强的几项工作。     

异地配置的雷达与电子支援措施异步航迹关联

针对异步条件下雷达与电子支援措施(electronic support measurements, ESM)航迹关联问题, 通过分析方位角异步测量值对交叉定位原理的影响, 提出一种无需时域配准的航迹关联算法。根据传感器存在时延以及采样率的不同, 给出不等长航迹序列的等长区间变换以及异步航迹交叉定位的区间化方法, 通过计算区间序列离散度实现异类传感器航迹关联。通过仿真验证, 区间序列离散度不受噪声分布的影响, 且对数据集整体特征的求解避免了传统算法中的逐点运算, 有效提高了算法运算率。与传统算法相比, 可在多种测量误差场景下对异步航迹直接进行准确关联。     

基于数据挖掘技术的专业图书书目受众定位研究

采用数据挖掘技术,对图书馆管理系统中读者借阅记录进行深入分析和挖掘,建立了读者阅读书目模型,利用模型推荐与读者借阅行为密切相关的阅读书目。实例证明,该模型具有可操作性,可以激发读者借阅行为,促使图书馆资源合理地分配,从而提升了图书馆服务质量。     

基于关联规则的课程信息推荐应用研究

网络教学系统中的课程资源丰富而繁多,借助数据挖掘技术,可以对这些资源进行有效挖掘,以期达到更充分、合理的使用.借助关联规则数据挖据方法,构建课程信息推荐模型,研究网络教学系统中的课程关联,为学生网络学习提供课程信息推荐.     

一种改进的基于超网络的高维数据聚类算法

高维数据聚类问题是当前聚类分析研究的重点。笔者提出了一种改进的基于超网络的高维数据聚类算法。首先,将高维数据映射到一个大规模带权超网络中;其次,定义超网络中边的权重;再次,采用优化的超图划分方法划分带权超网络;最后实现高维数据聚类。这样有效过滤掉聚类中的噪声数据,避免了传统聚类方法在降维过程中产生的弊端。实验证明,该算法具有较理想的有效性和精确度。     

机床温度测点优化方法研究及试验验证

针对机床热误差补偿技术中的关键温度测点选取问题,提出了一种温度测点优化新方法.首先采用简单相关分析,剔除掉与热误差明显不相关的测点.然后对初步筛选出的测点进行模糊聚类分析,以消除温度变量间的复共线性问题,同时进行灰色综合关联度分析,判断各测点与热误差间的紧密程度.根据分析结果,建立多个不同测点的热误差模型,对模型进行基于统计学理论的分析,确定出关键温度变量,将温度测点由20个减少至4个.根据优化结果,重新建立多元线性回归模型.误差预测结果表明,主轴Z向最大热误差从17.903μm减小到1.850μm.     

关联规则挖掘算法的优化

Apriori算法是关联规则挖掘的经典算法,该算法在处理规模巨大的候选项目集时存在耗时长和效率低的问题,提出了采用分割法对数据进行分片的优化算法.实验证明该算法不仅能减少数据挖掘对系统资源的占用,而且解决了数据库中数据分割下局部频繁项目序列集产生和全局频繁项目序列集的转换问题.     

点迹-曲线关联算法的旋转对称群目标分辨

基于微多普勒效应分析的弹道目标识别得到了广泛研究,然而传统的微多普勒特征提取技术大都难以解决空间群目标的分辨与识别。针对这一问题,提出了一种基于点迹-曲线关联算法的空间群目标分辨方法。在以旋转对称群目标为研究对象的前提下,建立了具有滑动散射特性的目标模型并分析推导了散射点的微动表达式,利用点迹凝聚处理抑制了一维距离像旁瓣,在此基础上,提出了点迹-曲线关联算法分离出混叠的群目标微多普勒曲线,通过各曲线的极值包络特性差异实现了旋转对称群目标分辨。实验仿真验证了本方法的正确性和可行性。     

基于划分和压缩数据库的改进Apriori算法

针对Apriori算法在面对大规模数据时效率较低的问题,提出了一种基于划分和压缩数据库的改进方法。该方法首先依据特征数据出现的频率将数据按照升序存储在临时数组中;然后将原始事务数据库分为几个互不相交的事务数据库,使得子数据库能够容纳在内存中;最后根据每个子数据库计算出的频繁项集计算整个数据库的频繁项集,从而消除了不必要的冗余数据。通过改进可以将大规模数据集进行有效的划分和压缩,对子数据库进行关联规则挖掘。实验结果表明,改进的Apriori算法在针对海量数据挖掘的执行速度和效率都有很大提高。