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.     

基于神经网络的数据挖掘模型研究

在实代数理论的基础上引入样条权函数实现一个神经网络数据挖掘模型,克服传统神经网络训练的权值难以反映训练样本信息的缺陷;优化神经网络结构,简化数据挖掘模型结构;增强神经网络的泛化能力;解决神经网络神经元个数与样本有关的难点;采用以上方式实现一个能解决传统神经网络数据挖掘模型存在的挖掘速度慢、收敛速度慢、初值敏感等缺陷的高效神经网络数据挖掘模型.     

张量扩散滤波在极化SAR图像降噪中的应用

为完成对全极化SAR图像相干斑噪声的有效抑制,引入了张量扩散模型。分析并引入了规范化的张量扩散模型,并对扩散张量的设计进行了分析。结合全极化SAR图像数据的格式,对扩散方程进行了改造,提出了适用于协方差矩阵数据格式的滤波方程,并给出了算法的实施步骤。对AIRSAR数据集中的样本图像Flevoland进行了定性的、定量的实验,实验结果表明,新的算法能够有效的提高等效视数并保持图像的空间分辨率和SAR数据的极化属性。