基于图的数据挖掘算法研究

对图数据频繁模式的挖掘是近年的研究热点,而从图数据库中挖掘频繁模式的关键是子图测试和候选子图生成操作。与传统广泛研究的频繁项集、频繁序列、频繁子树挖掘相比较,频繁子图的挖掘更复杂、更有难度,因为图同构问题是一个NP-完全问题。因此,必须有个好的规范化编码和有效的算法来避免子图同构这个难题。     

再生核空间中时间分数阶扩散方程的数值解法

提出一种简单的求解时间分数阶扩散方程的新方法,数值结果表明该方法是有效的.     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

基于IDM法与CRI推理机制的应用研究

模糊知识表示及处理技术是人工智能中的重要研究课题之一.内接圆直径匹配法IDM(In-scribed Diameter Matching)是一种新的模糊知识匹配方法,该方法在合成推理规ompositionalRule of Inference)方案下,根据应用领域选取合理的蕴涵算子与合成算子能提高模糊推理的效率和准确性.通过营养学领域内疾病诊断及治疗专家系统的实例验证了该方法是有效的.     

一种新的犯罪团伙挖掘算法

为了利用图模式挖掘犯罪情报网络中的核心团伙和核心人物,提高犯罪网络威胁预测和识别的效率,提出一种新的核心团伙挖掘算法(Core Gang Mining Algorithm, CGMA).对海量的犯罪情报网络数据集建立相应的无向简单图模型,通过改进图挖掘方式,构建候选核心团伙集的数据结构,并提出由k-团伙通过连接和扩展2种操作得到(k+1)-团伙,从各个不同的图数据中统计其频度,最后在模拟数据集和真实数据集上验证算法CGMA的准确性和时间复杂度.该算法避免了传统的图模式挖掘中的子图同构问题,同时也优于其他常用的犯罪团伙挖掘算法.试验结果表明：该算法能对犯罪核心团伙信息进行有效预测.     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.