一种高效挖掘关联规则的算法研究

在对经典的关联规则算法进行了分析后,通过引入多维链表结构,提出了利用事务集合匹配运算和链表操作高效地挖掘关联规则的算法ARM LL.实验结果表明该算法是可行的,并具有较高的效率.     

一种新颖的串行小生境粒子群算法

提出了一种新颖的自适应串行小生境粒子群优化算法(ASNPSO),它使用多个子群能够串行发现多个最优解.在此算法中,使用了山谷函数以决定如何改变当前运行的子群中粒子的适应度函数,算法具有很强的自适应搜索能力.经使用几个标准测试函数证明了ASNPSO算法在没有任何先验知识的情况下能够有效地发现多个最优解.     

多维链表的实现及操作算法研究

介绍了多维链表的分类和存储结构,并以C 语言详细描述了多维链表的实现算法。     

基于多模型切换的多变量直接自适应控制器

当系统参数发生跳变时,为了解决系统暂态响应变差的问题,提出一种基于多模型切换的多变量直接自适应控制器·该控制器由多个参数已知的固定模型和2个自适应模型构成,多个固定参数控制器模型可由系统参数模型通过映射直接得到,并且和邻域一起完全覆盖控制器参数模型集·不但消除了稳态误差,而且实现了解耦控制·最后给出全局收敛性分析·仿真结果表明暂态响应和解耦效果得到了提高·     

两类新型MSCS光场的Nj次不等阶Y压缩

首次研究了两类多模薛定谔猫态(MSCS)光场:|Ψ(2)+〉q和|Ψ(2)-〉q的不等阶Nj次方Y压缩特性.结果揭示了两态之间具有压缩相似及简并的性质;在各模压缩阶数Nj(j=1,2,3,…,q)分别取4mj、4mj+1、4mj+2以及4mj+3(mj=0,1,2,3,…)的情况下,随着各模初始相位的变化,加上其它某些量子化或连续性条件,两类MSCS均可呈现出周期性变化的任意不等阶Nj次方Y压缩效应.说明态|Ψ(2)+〉q与|Ψ(2)-〉q是两种典型的多模非经典光场.     

多维自回归滑动平均模型研究与应用

利用时序分析方法研究1952－1997年国内生产第一产业与第二产业产值的ARMAV模型，并用所建模型对1998年产值进行外延预测，得到较理想的预测结果。     

联机分析处理在决策支持系统中的作用

分析了传统数据库和决策支持系统中存在的问题，讨论了联机分析处理技术在决策支持系统中的应用。     

多维地震动作用下结构抗震计算的反应谱方法

比较全面地研究了在多维地震动作用下结构反应的组合问题，对各种组 合方法进行了评价。通过理论分析和大量的数值计算对比，建议了非对称结 构在多维地震动作用下合理的反应谱组合方法。     

现代物理学时空观提出的几个哲学问题

近几年物理学为解决宇宙起源而创立了量子宇宙学,虽然这一学说还是处于创立初期,但由这一理论而提出的时空观的问题却引起了人们的思考。通过讨论我们得出:在普朗克期,时间、空间具有新的结构、新的特征,应该用新的量去描述它们;时空的量子起伏使我们确信在普朗克期因果联系的形式和特征变得丰富多样了;统一理论只有在多维时空中建立,似乎表明四维时空只是多维时空的一种表现形式。     

CFSBC： Clustering in High-Dimensional Space Based on Closed Frequent Item Set

Clustering in high-dimensional space is an important domain in data mining. It is the process of discovering groups in a high-dimensional dataset, in such way, that the similarity between the elements of the same cluster is maximum and between different clusters is minimal. Many clustering algorithms are not applicable to high dimensional space for its sparseness and decline properties. Dimensionality reduction is an effective method to solve this problem. The paper proposes a novel clustering algorithm CFSBC based onclosed frequent hemsets derived from association rule mining. which can get the clustering attributes with high efficiency. The algorithm has several advantages. First, it deals effectively with the problem of dimensionality reduction. Second, it is applicable to different kinds of attributes, Third, it is suitable for very large data sets. Experiment shows that the proposed algorithm is effective and efficient