基于小波和动态时间弯曲的时间序列相似匹配

提出了一种基于小波和动态时间弯曲(DTW)距离的时间序列索引和相似匹配方法. 该方法采用小波变换进行数据降维,利用R·-tree建立多维索引结构. 给出了查询序列的DTW距离边界和其在小波空间的查询超矩形的计算方法,从而将原始空间的基于DTW距离的相似匹配转换为小波空间基于欧氏距离的相似匹配. 证明了此匹配方法不会产生漏报,给出了基于DTW距离的范围查询算法和近邻查询算法. 实验结果表明该方法具有较高匹配精度和其较低的计算代价.     

豌豆杆支持的水源水生物脱氮实验研究

针对水源水中硝酸盐氮(NO3-N),采用豌豆杆支持的生物脱氮法开展了批实验研究,考察了生物脱氮过程中NO3-N、亚硝酸盐氮(NO2-N)、氨氮(NH4-N)、溶解氧(DO)和pH随反应时间的变化,探讨了豌豆杆的长期性能。实验结果表明:2d后,NO3-N被完全去除,豌豆杆生物脱氮能有效去除水中的NO3-N;0.5 d之后,开始出现NO2-N,并在第2天时达到峰值(2.46mg/L),硝酸盐还原速率比亚硝酸盐还原速率大;模拟水中检出了NH4-N(<2.1mg/L),豌豆杆自身含有的有机氮好氧时在氨化菌的作用下分解、转化为NH4-N;DO降为0mg/L的时间为0.14d,体系中的颗粒铁能快速除氧;溶液pH介于7.65～7.88之间,变动幅度不大,模拟水中HCO3-对OH-起到缓冲作用;随着反应时间的延长,生物脱氮能力降低,豌豆杆不能长期稳定持续的供给有机碳,需要定期更换。豌豆杆作为固体碳源具有潜在的应用价值。     

基于多镜像站点的分布式Web使用聚类

提出了一种适用于多镜像站点环境下的分布式Web使用聚类局部挖掘算法LUC和全局挖掘算法GUC,较好地解决了Web访问信息的异地存储、分布式算法通讯量等因素给模式分析过程带来的困难. 将给出的算法用Java语言加以实现,并对算法性能进行了研究. 结果证明,该算法是有效的,可以用来高效、准确地在多镜像站点环境下发现Web用户群体模式.     

基于深度置信网络与梯度提升决策树的糖尿病检测方法

针对糖尿病数据特征维度较高,单一分类器过度拟合导致性能受限,不能较好对糖尿病进行分类识别这一问题,提出了一种深度置信网(Deep Belief Networks,DBN)融合梯度提升决策树(Gradient Boosting Decision Tree,GBDT)的糖尿病检测算法(DBN-GBDT).该算法利用DBN对海量数据的特征提取和拟合复杂模型的能力,GBDT算法具有很强的泛化能力,将DBN用于特征提取和特征降维,GBDT方法用于分类.将提出的算法用于糖尿病数据分类识别,并与DBN、GBDT、SVM和随机森林四种经典方法进行对比.实验结果表明,该算法分类精度较高,稳定性更强,为糖尿病检测提供了新的方法.     

基于奇异事件特征聚类的时间序列符号化方法

提出一种基于小波的多尺度奇异事件特征提取方法,将时间序列分割为一系列具有独立趋势形态的事件子序列;对以变换参数表示的事件子序列的利用混合遗传聚类算法实现离散符号化,每一事件子序列以其所属类别标识,从而将连续数值域的时间序列转化为离散符号域的事件序列。方法用于对非平稳金融时间序列进行了符号化转换,实验结果表明该方法是有效的。     

一种分布式Web使用模式挖掘模型及算法

给出了一种分布式Web日志挖掘模型DWLMS. 根据对挖掘过程及算法进行分析,提出了一种基于DWLMS的局部频繁路径的更新算法LFP和全局频繁路径的更新算法GFP,较好地解决了Web访问信息的异地存储、实时增长、分布式算法通讯量等因素给模式分析过程带来的困难. 在实验室对该方法进行了简单实现和实际日志数据的测试,结果表明了算法的有效性.     

基于广义后缀树的事件序列频繁情节挖掘算法

为了有效地挖掘事件序列频繁情节,提出了一种广义后缀树结构发现和存储频繁情节. 此结构利用广义后缀概念并且树中只包含频繁情节结点,用频繁情节发生列表逐层构建的方法提高了建树效率. 该方法充分利用了事件序列的有序特点,可用于发现各类频繁情节. 实验结果表明该算法性能优于Apriori-like频繁情节发现算法.