运用面向对象的方法设计多维立方体

运用面向对象的技术与UML语言相合设计满足约束条件的多维立方体模型。该模型展现了维度的层次关系，支持不均衡及非严格的层次结构；实现了度量的多种聚合操作及度量和维度的相互转换。并给出针对立方体操作的具体实现的算法。     

基于多维立方体网络的内存存储系统设计与研究

针对OLDI应用的联动特性和低延迟、高带宽、高吞吐量等需求,介绍了一种新型的内存存储系统Mem-ory X,其核心机制是掌握存储在内存存储节点中的数据.将数据备份到网络磁盘中的大量存储节点,然后以相对较低的存储成本实现高I/O性能和故障恢复,支持大数据处理的能效优化.     

项目风险的多维描述与度量

分析了项目风险描述的传统方法,分别就概率分析法和模糊逻辑方法的优缺点进行了讨论;提出了多维结构风险描述方法,从风险事件的发生概率、风险损失、风险的可预测性、风险的可管理性、风险因素在交易双方的信息不对称度等5个方面的特性全面描述了项目风险.分别建立了风险事件各特性的风险度函数和项目风险度量函数,最后给出了项目风险度量实例.结果表明,采用多维结构描述和度量项目风险不仅兼顾了定性和定量2个方面,同时能够更加全面地反映出项目风险的真实面貌,有利于认识和把握风险规律.     

基于多维立方体的聚类算子模型及其应用

从多维立方体数据模型出发,提出了跨多个多维立方体的数据挖掘聚类算子模型,并将基于多维立方体事实物理维度的分类聚类算法,应用于移动通信客户消费行为分析中,提供了消费行为分析的实例和方法.     

多维数据立方体建模研究

一个数据仓库环境的成功与否,很大程度上取决于它的底层模型和标准化程度。本文在已有研究成果基础上,提出了一种新的多维数据立方体模型,并通过实例对此模型进行了描述。在此模型上可以解决目前对以度量属性为查询条件来对维属性的查询问题。     

数据立方体计算

就OLAP计算多维集成的性能瓶颈问题，给出了计算一系列分组的快速优化算法，基于排序的PipeSort算法和基于散列的PipeHash算法，并比较了二之间的相对性能．     

数据立方体中多维关联规则挖掘算法

数据立方体是数据仓库中数据组织和存贮的重要手段，它采用多维立体数据存贮方式来取代传统的平面数据存贮方式，为进行多维数据分析提供了根本保证。本文通过对稀松和密质两类立方体进行分析，给出了分别针对这两种情况的多维关联规则挖掘算法，并通过实验对其在不同情况下的性能进行了分析，结果证明，两种算法在特定情况下的效率提高是十分明显的。     

扭立方体连接网络中超立方体的嵌入

超立方体是网络参数和拓扑性质优良，应用最广泛的互网络之一它可模拟多种结构的互连网络，扭立方体连接网络是超立方体的一个变种，它具有良好的结构递归性和较理想的网络参数，根据其结构的递归性质，研究了扭立方体妆网络中超立方体的嵌入问题。     

滚动轴承设计的多维数据集方法

通过建立滚动轴承设计相关的数据库、多维数据集以及使用的关键性能指标（KPIs）,实现滚动轴承设计的智能化。     

数据仓库的多维数据分析器设计与实现

实现多维数据分析是数据仓库系统需要具备的一个主要功能，它接受用户的多维数据查询请求，生成多维数据集，为建立数据挖掘模型提供基础效果。本文讨论了基于Microsoft SQL Server2000的多维数据分析器的实现。简要介绍了多维数据分析的基本原理，并在DSO、ADO／MD及MDX（多维数据表达式）等技术的基础上，构造了一个多维数据分析器。最后，给出了多维分析器的实现实例。     

DMDF策略在多维数据挖掘过程中的应用

为了优化了多维、多层次复杂数据流的数据挖掘处理过程,在数据挖掘理论与鱼骨分析法的基础上,提出了“DMDF（数据挖掘驱动鱼骨分析）”的一个全新概念。设计了DMDF的结构与流程,不仅提供了一个用来支持不同挖掘组件的集成平台,还为整个数据挖掘过程提供了一个流程可控的策略。目的是多方面、多层次对整个数据挖掘框架和不同处理模块的结合方法进行有效的改进。其中数据分类、数据预处理、关联规则挖掘和预测是整个DMDF生命周期的基础。DMDF从战略高度、技术水平以及不同的抽象层面来支持不同挖掘组件的结合,通过再工程的方法来构建数据挖掘的处理过程,最终将其应用在可执行的系统上。     

EER数据模型,O—O数据模型与概念设计

ＥＥＲ数据模型、Ｏ－Ｏ数据模型与概念设计张家明周伯鑫宋文忠（东南大学自动控制工程系，南京２１００１８）现在，大多数面向对象数据库系统采用让用户定义复杂对象，即一个对象的属性值为另一个对象．将属性和联系用统一的机制来实现．但这存在诸多缺点：有关联系的...     

基于多维数据库的财务数据管理

随着软件开发的不断发展,各种各样的产品不断涌现。对于使用众多软件的用户来说,遇到了一些比较麻烦的问题,如基础信息不能统一,信息不能共享,设计与实情不符。随着多维数据库的发展,基于多维数据库的财务数据管理将成为一个主流方向。     

数据仓库中的数据模型技术

概括分析了数据仓库的数据特征；介绍了实体关系模型和多维模型，重点分析了其建模技术的基本原理；简要分析了两种数据模型的特点，对两的优劣进行了总结和对比；最后，对数据仓库环境中宜选择哪种数据模型进行了一般性的讨论。     

基于粗糙集流向图的多维定性数据分析方法

基于现有多维定性数据分析方法对海量数据分析时存在的局限性,提出采用流向图理论进行多维定性数据的交叉分类分析。以图形的方式表示多个定性变量间的相互关联,并从数量上对定性数据间存在的模式进行推理,克服了高维列联表难以表示的困境,并进行了实例分析。     

空中交通流量管理数据仓库建模研究

多维数据模型的设计已经成为数据仓库和联机分析处理的核心技术.简单介绍了空中交通流量管理和决策支持系统的特点,对一种四阶段规范化数据建模方法加以改进.新的建模方法通过在建模过程中引入UML的类图,方便了数据仓库组织构架的细化,并且很好地描述了数据仓库的元数据,使该方法更加适于设计面向主题的数据模型.同时指导设计了空中交通流量管理原型系统数据仓库的数据模型.     

企业多元化战略选择的多维信号博弈模型

运用博弈论及信号经济学中非对称信息下的信号博弈理论,建立了一个企业多元化战略选择的多维信号博弈模型,通过对此模型的分离均衡分析,阐述了企业多元化的战略意义在于传递企业成本类型和市场需求类型以获取竞争优势。     

An Efficient Multidimensional Fusion Algorithm for IoT Data Based on Partitioning

The Internet of Things (IoT) implies a worldwide network of interconnected objects uniquely addressable, via standard communication protocols. The prevalence of IoT is bound to generate large amounts of multisource, heterogeneous, dynamic, and sparse data. However, IoT offers inconsequential practical benefits without the ability to integrate, fuse, and glean useful information from such massive amounts of data. Accordingly, preparing us for the imminent invasion of things, a tool called data fusion can be used to manipulate and manage such data in order to improve process efficiency and provide advanced intelligence. In order to determine an acceptable quality of intelligence, diverse and voluminous data have to be combined and fused. Therefore, it is imperative to improve the computational efficiency for fusing and mining multidimensional data. In this paper, we propose an efficient multidimensional fusion algorithm for IoT data based on partitioning. The basic concept involves the partitioning of dimensions (attributes), i.e., a big data set with higher dimensions can be transformed into certain number of relatively smaller data subsets that can be easily processed. Then, based on the partitioning of dimensions, the discernible matrixes of all data subsets in rough set theory are computed to obtain their core attribute sets. Furthermore, a global core attribute set can be determined. Finally, the attribute reduction and rule extraction methods are used to obtain the fusion results. By means of proving a few theorems and simulation, the correctness and effectiveness of this algorithm is illustrated.