基于最大树法的多文档文摘子主题划分

提出一种基于最大树法的生成多文档文摘子主题划分方法.对多文档集合中的句子进行基于语义词典的相似度计算,形成相似度矩阵.提出了将相同或相似的句子通过模糊聚类的方法归并成一类,每一类代表一个子主题,通过抱团结构分析划分出子主题.实验结果表明,生成的多文档文摘覆盖性强,冗余信息少,具有一定实用价值.     

基于最大树法和模糊C-均值算法的聚类分析

对工程上常用的最大树法和模糊C-均值算法的聚类结果进行比较,从算法本身角度分析了其聚类结果的相似和不同之处。通过仿真验证:最大树法比较适合于低维的小样本集;模糊C-均值算法不仅适合于低维的小样本集,而且也适用于团状的、每类样本数相差不大的、类与类间有交叠的高维大样本集,更便于计算机上编程实现。     

基于最大树法的多文档文摘子主题划分

提出一种基于最大树法的生成多文档文摘子主题划分方法。对多文档集合中的句子进行基于语义词典的相似度计算,形成相似度矩阵。提出了将相同或相似的句子通过模糊聚类的方法归并成一类,每一类代表一个子主题,通过抱团结构分析划分出子主题。实验结果表明,生成的多文档文摘覆盖性强,冗余信息少,具有一定实用价值。     

用最大树方法对设备布置方式的分析

本文利用最大树方法对设备布置方式进行了分析,对现行教材中的方法作了改进,并用实例作了说明。     

应用面向方面编程的方法提高软件质量

面向方面的编程是一种新的编程技术，结合在系统维护中对这种新技术运用的经验，介绍了面向方面编程的主要概念和使用方法．     

基于程序依赖图的Aspect挖掘技术

为了有效地识别遗产代码中因横切关注点而导致的零散代码或交织代码,提出了一种基于程序依赖图的Aspect挖掘方法.根据横切关注点的本质特性,考察了横切关注点与核心关注点之间的依赖关系及其在依赖图上的表现形式,对于单个方法体,结合程序的语义信息,在程序依赖图中引入一个虚拟结点表征方法体的核心功能,所有影响核心功能的语句都与之建立依赖关系,然后对依赖图进行拓扑分析,先从虚拟结点开始分离出核心代码,再通过求解连通分量的方式挖掘方法体内横切代码.实例分析表明,该方法不仅能识别出方法体内的零散特性代码,而且还能有效地挖掘出交织特性的代码.     

挖掘机器人工作轨迹跟踪智能控制

针对挖掘机器人工作装置及其液压驱动系统模型非线性强的特点，研制出一个基于知识的、多模式综合的轨迹跟踪控制系统。该系统具有“砰－砰控制”、维持控制、非线性死区补偿控制和模糊PID参数自适应控制等模式。根据工作轨迹跟踪误差和误差变化率的反馈，系统会基于知识，智能地选用或换用合适的控制模式，实现平稳和高精度的轨迹跟踪控制。为了提高液压执行器的性能，采用负荷传感负流量控制策略提高先导电液比例阀的操作性能，并结合液压泵的交叉功率传感控制减少液压能耗。     

一个简单的Web日志挖掘系统

在分析Ｗｅｂ日志挖掘的困难及对策的基础上,给出了一个简单的Ｗｅｂ日志挖掘系统（ＳＷＬＭＳ）的体系结构,具体介绍了ＳＷＬＭＳ中日志的预处理过程,包括数据净倾、用户识别、会话识别、路径补充的主要任务及其实现,并着重介绍了预处理之后的序列模式识别过程和算法,包括最大向前路径的识别和频繁遍历路径的发现,并给出了实验结果。     

基于区间数贴近度的最大树聚类算法研究

针对特征指标和权重指标均为区间数的多指标信息聚类问题,在传统的数值信息最大树聚类法的基础上,给出了基于区间数的多指标信息聚类问题的一种具体算法.在此过程中,加权相似矩阵的提出克服了属性权重对聚类产生的双重影响;并通过引入相对贴近度的概念,对相似区间进行排序.最后,通过实例验证了此算法的有效性.     

基于图聚类的组合横切关注方面挖掘方法

提出了一种图聚类方法,即发现软件系统中组合横切关注的方面挖掘方法.该图聚类方法不仅考虑了连接度,亦考虑了相似度.采用一个新的图聚类算法来发现组合横切关注,一个组合横切关注也是一个软件模块,既包含相似的元素,又包含连接紧密的元素.利用程序元素之间的相似度和连接度,采用基于authorityshift的有向图层次聚类算法,来发现属于同一软件模块的程序元素集合;然后采用fan-in技术来确认组合横切关注模块.对比实验结果验证了该方面挖掘方法的有效性.     

面向方面的程序设计及其相关的关键技术

从软件开发方法学的角度探讨AOP为何成为结构化或者面向对象技术的补充,它怎样提供对横切关注点的标识、分离和封装技术;然后论述AOP的有关概念,支撑结构,优缺点等.并结合开发一个对C语言扩展的AOP系统的具体实践,阐明和总结要实现一个AOP语言所要涉及到的关注点和方面的封装、描述,方面代码的编译,静态或动态织入方面代码等关键技术.     

Constructing Projection Frequent Pattern Tree for Efficient Mining

Frequent Pattern mining plays an essential role in data mining. Most of the previous studies adopt an Apriori-like candidate set generation-and-test approach. However, candidate set generation is still costly, especially when there exist prolific patterns and/or long patterns.In this study, we introduce a novel frequent pattern growth (FP-growth) method, which is efficient and scalable for mining both long and short frequent patterns without candidate generation. And build a new projection frequent pattern tree (PFP-tree) algorithm on this study, which not only heirs all the advantages in the FP-growth method, but also avoids it's bottleneck in database size dependence when constructing the frequent pattern tree (FP-tree). Efficiency of mining is achieved by introducing the projection technique, which avoid serial scan each frequent item in the database, the cost is mainly related to the depth of the tree, namely the number of frequent items of the longest transaction in the database, not the sum of all     

基于多变量决策树的不完备信息系统规则提取研究

不完备信息系统也有很多有用信息，可以得出支持决策的确定规则。基于决策树的完备信息系统规则提取方法很多，如比较有影响的ID3算法等，但是在不完备信息系统中应用决策树进行规则提取的方法还不是很多。本文提出用多变量决策树方法对不完备信息系统进行规则提取的方法，可以得出部分确定信息，方法简单易行。     

基于FP-Tree的最大频繁项目集更新挖掘算法

发现最大频繁项目集是多种数据挖掘应用中的重要问题．在应用中用户需要调整最小支持度,以发现更有用的最大频繁项目集．为此提出了一种最大频繁项目集更新算法(UMFPA),该算法通过对频繁模式树(FP-Tree)中的频繁项目头表(H Table)增加两个域,从而将减少在数据库不变而最小支持度变化的情况下的更新挖掘最大频繁项目集的费用．实验结果表明,算法在进行最大频繁项目集更新挖掘时具有很好的性能．     

基于频繁模式树的关联分类规则挖掘算法

构建精确而有效的分类器是数据挖掘和机器学习中的一个重要任务．提出了一种基于频繁模式树的关联分类规则挖掘算法,该算法同时考虑所有属性,并对现有关联分类规则挖掘算法中内存要求高、类别属性处理难、I／O访问次数多等问题提出了相应的解决方案．试验结果表明,该方法可以取得比同样基于关联规则的分类算法CMAR更高的执行效率以及基于规则的决策树分类算法C4．5更好的分类效果．     

事务模式树分层挖掘算法及其应用

从事务数据、时间序列数据等数据库中挖掘频繁模式已在数据挖掘领域中得到了广泛地研究．针对目前已有的Apriori算法和频繁模式增长算法在时间和空间等方面的复杂性和低效性，提出了一种新的数据结构——事务模式树，用来存放待挖掘的事务信息，同时给出一种基于该数据结构的挖掘算法——事务模式树分层挖掘算法．最后，把该算法应用于保险业务．结果表明,该算法简单高效，值得推广.     

用面向对象思想进行开采沉陷处理软件的数据组织

本文讨论了采用面向对象技术开发开采沉陷数据处理软件中 ,数据的结构类设计、数据的组织、链表和数组类的使用、输出类的设计等 ,从而提高程序的运行效率和系统的开发周期     

基于部分支持度树的关联规则增量式更新算法

关联规则挖掘是数据挖掘技术的一种简单又很实用的方法,有着广泛的应用。该文利用部分支持度树的结构提出了对关联规则的增量式更新算法,用于解决向数据库中添加新的数据而最小支持度不发生变化时的关联规则更新问题。该算法有效地利用已挖掘的关联规则和保留的部分支持度树来改善性能,并且只需对新增数据库部分进行一遍扫描,从而进一步提高算法的效率。实验结果表明,该算法能有效地解决关联规则的更新问题,提升挖掘效率。     

数据挖掘中决策树SPRINT算法探讨

本文简明扼要的介绍了数据挖掘中决策树SPRINT算法，并对其进行了一定程度上系统的分析和改进．     

数据挖掘之决策树方法概述

数据挖掘在科研和商业应用中正发挥着越来越重要的作用。分类器是数据挖掘的一种基本方法，决策树是一种最重要的分类器。本文介绍了分类器中的决策树方法及其优点，决策树表示法，决策树构造思想，并比较了各种重要的决策树算法。介绍了决策树算法的实现工具，决策树与数据仓库的结合，决策树的适用范围及应用，最后探讨了决策树的发展趋势。