基于关系代数的关联规则挖掘算法

目的提出基于关系代数理论的关联规则挖掘算法。方法利用数据预处理方法，剔除无关属性、获得相应的目标特征子集。结果基于目标特征子集，利用关系矩阵及相关运算给出了搜索大项集的基于关系代数理论的优化的关联规则挖掘算法，该算法只需扫描数据库一次。结论克服了经典的Apriori算法需要多次扫描数据库的缺点，同时算法具有良好的并行性和可伸缩性。     

《文心》时序篇与《文选》时义观比较研究

《文心雕龙》与《昭明文选》被誉为六朝文学双壁。《时序》篇可视为文学流变简史,“时义”观则是贯穿整部《文选》的核心思想。《文选》的选篇、定体、分类、编次等皆在“时义”观指导下进行的,由此确定选文要有时代内容、教化功能,要随历史发展而变化的标准。“天人合一”为《文选》《文心》之哲学基础,其内涵广博,详略古今则又各有不同。     

改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.     

数据挖掘中的频繁模式发现

频繁模式挖掘是数据挖掘中的一个重要方向,对频繁模式的挖掘也存在多种不同的算法。本文提出一种以堆栈为辅助构造频繁模式挖掘的搜索树,从而用最少的数据扫描次数挖掘出数据库中存在的频繁模式的算法。该算法利用堆栈的递归性,尽可能减少了搜索树构造过程中造成的分支数目,即减少频繁模式挖掘中的数据扫描次数。     

序列模式挖掘在网格调度优化中的应用

提出了一种基于数据挖掘的网格调度优化方法,其思想是通过将网格监控信息转化为时序数据库,对其进行多维序列模式挖掘以获得用户行为模式,利用挖掘结果构造优化逻辑.并使用这些信息对网格调度过程进行优化.     

浅析文本挖掘技术

本文介绍了文本挖掘的过程和分类。通过对其挖掘过程的详细研究,分析了文本挖掘进一步发展所面临的困难和挑战。     

基于数据流的序列模式挖掘算法

为了实现对数据流的序列模式挖掘,提出了基于数据流的序列模式挖掘算法MFSDS-1和MFSDS-2,它们均通过调整入选度的大小来调整保存信息的粒度.算法MFSDS-2利用分层存储结构,不仅能更好地保存序列信息,而且可以通过与全局序列模式的对比得到当前活动的一些异常序列模式.实验结果表明,基于分层存储的算法MFSDS-2的效率比算法MSFDS-1高.     

网络学习中学习者个性挖掘方法的研究

提出了一种面向个性化网络学习的学习者个性挖掘方法，以实现网络学习中学习者个性特征的自动获取．该方法首先通过对样本学习者的个性属性归并，去除冗余的个性属性；进而通过对学习者行为模式与个性特征的定量关联规则分析，得到两者间的关联规则；最终据此规则对后续学习者的行为模式进行推理，获取学习者的个性特征．此方法不仅解决了个性化网络学习中学习者个性特征的自动获取问题，而且还可表现出个性与行为间的关系．该方法已在计算机教学管理示范系统中进行了试验，结果表明该方法是有效的．     

同上沓序逻辑电路设计方法的研究

提出一种设计同步时序逻辑电路的新方法。根据触发器（FF）基本特性,可从电路的状态转换图上直接求得触发器置位、复位函数,进而确定触发器的激励方程,具体设计实例表明该方法简捷、高效,设计电路功能正确。     

一种基于X^2测试的序列模式挖掘算法

序列模式挖掘是数据挖掘中最重要的研究课题之一．针对支持度置信度框架的GSP算法的产生的序列模式很多时候不是用户感兴趣的，有时甚至会产生误导这一问题，我们提出用统计学中的X^2测试来衡量序列模式的相关性．相关性使在项集上的计算是向上封闭的，这样就减少了我们在搜索相关和不相关的项集的边界过程中出现的问题．