两种新的非确定数据库上的Top-k查询

由于当前已有的在非确定数据库上的Tbp-k查询普遍基于元组层面,使得应用受限.为了让查询结果更符合直觉,提出了两种新的非确定数据库上的基于x-元组层面的Top-k查询及其执行算法.这两种新的查询综合x-元组中各元组的评分和置信度,获得在返回结果中最具实际意义的位置.查询的执行算法经过优化,执行效率明显改善.     

一种高效的不确定数据流Top-K 查询算法

在传感器网络、RFID等各种应用中会产生大量不确定性数据,有效的Top-K查询处理是不确定性数据管理中一项重要技术。针对已有的Top-K查询没有很好地结合元组的分值和不确定性,在分析不确定性数据模型和可能世界模型的基础上,定义了不确定数据流元组的查询语义。设计并实现了一种有效的Top-K查询算法。该算法按照元组的得分值进行降序排列,概率值最高的前K个元组集合就是Top-K的查询结果,实验结果表明,与CSQ和SCSQ算法相比,更具高效性和实用性。     

基于模糊匹配的数据清洗

提出了一种新的模糊匹配相似度函数及一种高效的模糊匹配算法，该算法能够高效的寻找与输入元组最相似的L个参考元组；为了提高查询效率，提出了对参照关系建立错误容错索引。     

基于一阶逻辑的非一致性关系数据管理

对于给定的约束,数据库可能是非一致的.为了获得一致性结果,基于一阶逻辑,提出非一致性关系数据管理框架,研究多种合取查询类型对应的连接图及其连接的充分性,分析一致性查询应答的计算复杂度.在查询连接类型是键-键、非键-键或不充分的键-键,且查询对应的连接图是非环的情况下,一致性查询应答的计算在多项式时间内是可解的.针对大量实际的易处理合取查询,给出查询重写算法获得可重写的查询.算法首先判断初始查询是否为可重写,再基于连接图进行递归计算构造一致性识别语句,然后,与初始查询合取产生一个新的一阶重写查询,用于计算一致性结果.对于非环的自连接查询,由于递归重写算法不能剔除非一致性元组,因此,采用初始查询获取了用于剔除违反键约束的非一致性元组的语句.     

一种面向不确定数据流的聚类算法

作为大数据的重要组成,产生于传感器、移动电话设备、社交网络等的不确定流数据因其具有流速可变、规模宏大、单遍扫描及不确定性等特点,传统聚类算法不能满足用户高效实时的查询要求.首先利用MBR(minimum bounding rectangle)描述不确定元组的分布特性,并提出一种基于期望距离的不确定数据流聚类算法,计算期望距离范围的上下界剪枝距离较远的簇以减少计算量;其次针对簇内元组的分布特征提出了簇MBR的概念,提出一种基于空间位置关系的聚类算法,根据不确定元组MBR和簇MBR的空间位置关系排除距离不确定元组较远的簇,从而提高聚类算法效率;最后在合成数据集和真实数据集进行实验,结果验证了所提出算法的有效性和高效性.     

基于改进E-Score语义及剪枝算法研究

E-Score查询算法返回元组期望最大的k个结果,常常不能适应更高级客户的查询需求,语义需要改进使得更加合理.本文把位置概率引入进E-score语义,定义了一个新的Topk查询语义——带有位置概率的期望得分排序(PPE-Score),并基于位置概率对算法进行修枝剪枝形成相应算法.最后用实验验证新剪枝算法的有效性.     

数据库模糊查询结果自动排序方法

数据库模糊查询会产生多个查询结果,因此有必要将查询结果按照用户需求进行排序.首先根据元组对模糊查询的隶属度,将查询结果中具有不同隶属度的元组分开.然后,利用PIR改进模型和历史查询记录来分析元组中被查询指定的属性值与未指定的属性值之间的关联程度,从而获得用户偏好并以此对具有相同隶属度的元组进行排序.在此基础上,提出了模糊查询下的DPR自动排序方法.实验及分析证明,提出的模糊查询结果自动排序方法能够极大地提高排序质量.     

演绎数据库中处理递归查询的一种改进算法

如何提高演绎数据库的递归查询效率是演绎数据库领域所面临的一个重要问题．介绍了一种结合传统的逻辑查询处理自顶向下和自底向上两种处理方式的递归查询算法．该算法基于侧向信息传递策略，把查询计算始终限制在与查询的初始约束相关的元组，从而避免了大量无关数据的计算．     

基于数据流的时间条件占优查询

传统的偏好推理使用权衡增强的条件偏好网络（Tradeoff-Enhanced Conditional Preference Networks,TCP-nets）进行用户的偏好推理，不仅能高效地表示对元组的定性偏好关系并优化用户偏好结果，还能描述每个属性之间的偏好关系，其主要聚焦于关系元组中的单个属性的偏好.但把对条件偏好查询的技术推广到数据流的条件提取却是一个挑战，面临的技术困难主要是对数据流中序列的提取，对提取的序列进行占优查找等.首先，针对偏好数据流，提出一种时间条件查询语言Stream Pref来处理数据流；其次，在Stream Pref中加入时间索引来推理和规范数据流提取序列的时间条件偏好，提出提取对象序列算法、占优对象及占优序列查找算法和数据流序列间占优对比的算法；最后，在数据集上分析验证提出的算法的有效性.实验结果证明，提出的算法与min Top-k,Partition和Incpartition算法相比，得到的结果更准确.     

一种基于维层次的Data Cube压缩存储方法

针对维层次的特点,提出一种利用基表元组的标识维来对Data Cube来进行压缩存储（Hierarchical Compress Storage Cube,HCSCube）的方法。在定义基表元组与Data Cube中聚集元组的导出关系后,DataCube中的一些聚集元组的聚集值可以由基表元组导出关系得到,因而可以合并保存,从而实现了Data Cube的压缩存储。理论分析和实验表明,基于维层次的压缩存储方法不仅能显著的减小Data Cube的存储空间,而且在查询效率上也有改进。     

递归可枚举的fuzzy集合

本文给出了递归和递归可枚举B——值fuzzy集合的概念。证明了递归fuzzy集合对并、交、补封闭,证明了一般递归论中递归可枚举集合的大部分初等性质,对于递归可枚举B——值集合仍然成立。     

有关正整数的一类分拆数的计算

讨论了正整数n的一些带约束条件的分拆问题.给出了计算其中三类分拆数的递推关系:一类为将n分拆成l个不同的分部(项),且分部量不超过正整数k的分拆数的递推关系;另一类为将n分拆成各分部量互不相同且分部量不超过k的分拆数的递推关系,进而给出了计算这类分拆数的一种计算方法;第三类为将正整数分拆成分部量不超过k且互不相同的奇偶分拆数的递推关系.     

2类图完美匹配计数公式的嵌套递推求法

把图2-nD_8和2-nD_6的完美匹配按饱和某个顶点的完美匹配进行分类,求出每一类完美匹配数目的递推关系式,再利用这些递推式之间的相互关系,得到这两类图的完美匹配数目的递推关系式,最后从递推式中解出这两类图的完美匹配数目的计算公式.     

一种基于递归技术的一维下料算法

用递归技术进行排样,并将排样方式与线性规划相结合,提出一种基于递归技术的一维下料算法.该算法通过约束一个排样方式中所含毛坯种数,达到减少开堆数的目的,利用上界技术来减少计算时间.该算法可以大幅缩短计算时间,在材料利用率基本不下降的情况下,可以明显减少最大开堆数.     

块递归模型预测的系统误差分析

用块递归模型预测时是否会存在系统误差,意见不一。有的认为模型层层求解,误差会跟着积累;有的认为在递归过程中误差会相互抵消,系统误差不大。本文针对这个问题,从误差理论的角度进行分析,提出自己的见解。     

基于递归最小追踪的噪声互功率谱估计算法

针对改进最小追踪噪声互功率谱估计方法存在的噪声过估计的问题。提出一种基于递归最小追踪的噪声互功率谱估计算法。该方法中的平滑因子使用了递归平均技术,在估计噪声互功率谱时,会根据每个频点的实际信噪比作相应的调整。仿真结果表明,该噪声估计算法应用于一个语音增强系统时,取得了较小的噪声均方估计误差及较好的感知语音质量评价(PESQ)得分。     

由先序序列和结点的层数构造严格二叉树的高效算法

提出一种新的通过一棵严格二叉树的先序序列和这棵严格二叉树的结点的层数构造这棵严格二叉树的非递归算法.举例说明新算法的执行过程.对于有n个结点的严格二叉树,新算法的时间复杂度为O(n),比相应的递归算法的低,新算法的最差情况空间复杂度为O(n),与相应的递归算法的相同.     

离散多变量递推自校正PID控制

本文给出了一种新的离散多变量递推自校正ＰＩＤ控制器设计方法。该方法只对被控制过程进行近似解耦，并通过极小化一个广义性能指标函数以获得ＰＩＤ控制器参数。广义性能指标函数是由预测误差及控制作用所组成，极小化问题的解是以递推形式给出，便于在每一周期里对ＰＩＤ参数进行新的修正。自校正算法不受被控过程模型阶数的限制，可以很方便地为高阶被控过程设计ＰＩＤ控制器。一个仿真算例表明了本文方法的有效性。     

一种构造正则表达式更小ε-NFA的方法

基于有限自动机的正则表达式匹配技术在网络信息领域得到了广泛应用,提出了一种构造正则表达式的更小NFA的方法——基于闭包的分片构造法GREC.GREC方法基于正则表达式中同态运算的封闭性以及闭包运算的层次特性和递归性进行构造.首先对正则表达式进行分片处理,然后构造每个分片的NFA,最后利用栈对各分片NFA进行重组获得最终的NFA.GREC方法在正则表达式层次结构复杂或包含有大量闭包运算的情况下,能够快速地构造出空间效率比传统的Thompson构造法高得多的NFA.     

2类图完美匹配数按匹配顶点分类的递推求法

先把图3-nY₄和3-nC_6,3的完美匹配按饱和某个顶点的完美匹配进行分类, 得到一组有相互联系的递推关系式, 再由这组递推式间的关系给出这两类图完美匹配数的计算公式.