城市突发公共事件应急管理平台研究

为了提高对突发公共事件的响应速度和效率,解决各参与者的信息无法有效对接的问题,本文研究并设计了城市应急突发公共事件管理平台系统。系统采用JSP技术和SSH框架,增加了系统的灵活性、扩展性、稳定性、安全性和健壮性。应用证明,系统在一定程度上满足了应急相关部门的要求,提高了应急处置的效率。     

基于频繁模式树的约束最大频繁项目集挖掘算法研究

目前绝大多数频繁项目集(或最大频繁项目集)挖掘算法并没有考虑相关领域知识,其结果会产生许多无关的模式.因此,发现约束频繁(或约束最大频繁)项目集是多种数据挖掘应用中的关键问题,然而,这方面的研究工作却很少.为此该文提出了一种快速的基于频繁模式树(FP-tree:一种扩展前缀树结构)的约束最大频繁项目集挖掘及其更新算法.实验结果表明该算法是快速有效的.     

基于改进万有引力搜索算法的无人机航路规划

无人机航路规划是根据任务目标规划出某种性能指标最优的飞行航路的全局优化问题.本文将改进后的万有引力搜索算法用于求解航路规划问题,在万有引力搜索算法的速度更新部分引入粒子群算法中的记忆和群体信息交流功能,改善了最优解的质量;然后提出了基于权值的粒子惯性质量更新公式,以加快全局搜索的收敛速度;后运用优胜劣汰的选择操作规则,对粒子的位置进行更新,使种群始终朝着最优解的方向进化.通过与其他仿生智能计算方法的仿真实验对比,验证了本文所提算法可在复杂作战环境下实时有效规划出无人机的最优航路.     

Apriori算法在信息与计算科学专业课程设置中的应用

课程设置是大学教育教学的核心问题,根据人才需求,结合专业特点,以京津冀地区数据分析方向岗位招聘信息为数据集,每条招聘信息为样本,将各个招聘条件转化为项,运用Apriori算法找出频繁项集及强关联规则,对信息与计算科学专业数据分析方向的课程设置给出建议.     

证据理论合成规则的改进

D-S证据理论是一种有用的不确定性推理方法,由于证据合成公式存在不足,影响了证据理论的应用．该文提出了一种证据理论合成的改进方法,该方法不仅能处理相互冲突的证据,把支持证据冲突的概率按各个命题的平均支持程度加权进行分配,还能根据证据携带的信息量决定聚焦的权重,使合成结果符合实际情况．     

组合与收敛结构之分的新标准——弗里曼方案评析

组合结构与收敛结构的区分是非形式逻辑领域的一个核心问题,是论证结构研究的重点和难点,一直以来都没有得到合理解决。2011年美国学者弗里曼在反思已有区分方案的基础上,提出了以"中介要素"为标准的解决方案。该方案揭示了既有方案存在的问题及其错误根源,通过语法标准的设立为困扰学界已久的组合与收敛结构的区分问题提供了一条新的解决思路。该方案的不足在于无法合理解释收敛结构中推论规则的识别问题,而且,有时还会导致违反直觉的结论。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

FDA颁布新规定加速药物研发

美国食品与药品管理局(FDA)在2006年1月颁布了一项意义重大的规定,相关规则放宽了试验药物进行人体试验的条件限制。这些改变意在加速新药物的开发,但是批评者们认为,这些改变可能会导致那些还处于试验阶段的药物使参与药物试验的人们处于毫无保障的危险境地。这项规定的颁布表     

让我们点亮自己

正梦想是我们对未来的期许,是我们对承诺的执著,是我们前行的火焰。梦想的实现来源于持续的改变,而连续不断的改变源于我们自己的努力。我们必须在内心里面对未来、对周围环境、对自己有一个明晰的认知,确定好怎么才能够真正地去成功改变。没有哪个黎明能阻止阳光。愚公移山的行动,就是将旧规则改变,让新价值诞生。希望从地球的地平线升起,一寸寸照亮大江南北。这平凡的生活,因为这种神奇而不再平凡。每个人也要     

基于矩阵的关联规则增量更新及其改进算法

为了解决大数据环境下如何高效地挖掘关联规则并进行增量更新,在原有的fast updating pruning(FUP)算法基础上,首先提出一种基于矩阵的关联规则增量更新方法(MFUP),该方法将数据集转化成布尔矩阵,减少对数据集的扫描次数以及数据集的存储量;然后将MFUP与Hadoop分布式计算框架结合,提出一种分布式环境下的新算法Cloud MFUP(CMFUP);最后通过设计实验进行对比分析。结果表明,在挖掘相同数据量的关联规则并进行增量更新时,MFUP算法相比FUP算法执行时间更少,且随着数据集的增加,其增速更慢;对比CMFUP与MRFUP算法表明,随着分布式环境下数据集的增加,前者较后者执行时间更短增速更慢。