周期分类和Single-Pass聚类相结合的话题识别与跟踪方法

针对增量式聚类初始时话题模型不够充分和准确,随处理报道数量增加,误检与漏检的累积效应被放大的问题,提出了周期分类和Single-Pass聚类相结合的话题识别与跟踪方法.首先采用增量式聚类算法进行话题识别与跟踪,当新闻文本每积累到一定程度之后,对已经聚类的报道进行周期分类,使话题簇精度提高,从而提高后续话题识别与跟踪精度.实验表明这种方法是有效的,能够降低漏检率与错检率,减少归一化错误识别代价.     

逐步熔融凝固启动阶段电磁场和温度场的数值计算

在不同的电源功率和频率,不同的成形材质和尺寸等工艺条件下,应用控制容积方法对逐步熔融凝固初始加工阶段的感应电流面密度及温度场进行了数值计算,得到任意位置的温度随时间的变化,成形化和模具初始加热过程中的等温线图及固液分界线,所需电源功率和完全熔化时间。     

New incremental clustering framework based on induction as inverted deduction

A new incremental clustering framework is presented, the basis of which is the induction as inverted deduction. Induction is inherently risky because it is not truth-preserving. If the clustering is considered as an induction process, the key to build a valid clustering is to minimize the risk of clustering. From the viewpoint of modal logic, the clustering can be described as Kripke frames and Kripke models which are reflexive and symmetric. Based on the theory of modal logic, its properties can be described by system B in syntax. Thus, the risk of clustering can be calculated by the deduction relation of system B and proximity induction theorem described. Since the new proposed framework imposes no additional restrictive conditions of clustering algorithm, it is therefore a universal framework. An incremental clustering algorithm can be easily constructed by this framework from any given nonincremental clustering algorithm. The experiments show that the lower the a priori risk is, the more effective this framework is. It can be demonstrated that this framework is generally valid.     

基于中间件技术的数据挖掘企业应用平台的研究与实现

数据挖掘具有计算密集型和存储密集型的特点,中间件技术能够较好的解决这两个问题.研究并实现了典型的分类、聚类、关联规则算法及其增量算法的中间件和数据挖掘企业应用平台,能够处理100 Mbit量级的数据,适应的数据增量在10～100 Mbit量级,并且能够根据不同的挖掘任务实现相应的模式展现与可视化.平台上对某网球训练基地运动员体能训练数据集执行增量聚类挖掘任务,结果表明该平台能较好地满足可靠性、扩展性、易用性等业务需要.     

一种新的贝叶斯网络增量学习方法

现有的贝叶斯网络增量学习方法忽略结构与参数变化的特点和内在联系,往往会降低更新后贝叶斯网络的可靠性.针对这一情况,提出了贝叶斯网络结构与参数变化并不同步,参数变化到一定程度将引起结构变化,并基于这种不同步性,给出了一种是否进行结构更新的判别方法,以及结构与参数更新的实现算法,实验结果显示,这种增量学习方法更加合理和可行.     

MIMO系统中改进的天线选择算法

递增和递减两种选择算法,可以极大降低MIMO系统中选择天线时的计算量,同时又可以使MIMO系统的容量达到最大.但在天线规模较大时,选择天线时的计算量仍较大,有必要作进一步的处理以降低选择时的计算量.文中提出了基于上述两种方法的改进算法,以低于2%的容量代价,降低多达20%～30%计算量.     

基于提升小波和递归增量聚类的实时故障诊断方法

针对复杂时变工业过程实时故障诊断问题,提出了一种基于提升小波( lifting wavelet, LW) 与递归增量聚类（recursive incremental clustering, RICLUSTER）相结合的实时故障诊断方法（lifting wavelet recursive incremental clustering, LW-RICLUSTER）。该方法首先通过LW变换对数据实时去噪,再通过RICLUSTER实时监控。由于采用LW与RICLUSTER相结合的方法,节省存储空间和运算时间的同时提高了诊断精度。实验结果表明,LW RICLUSTER集合方法能有效实现时变过程监控, 在诊断精度、速度和适应性方面,优于传统单一型CLUSTER方法。     

维护关联规则的算法研究

提出了维护更新问题的背景,将维护更新问题分为4种情况进行研究.详细介绍了各种情况相应的维护关联规则的增量更新算法,并对其进行了分析与评价,指出了算法的优点和不足,提出了今后研究的方向.     

一种GPS信号码片内多径时延估计算法

针对全球定位系统(global position system, GPS)中延迟差小于一个C/A码片的多径时延估计问题,提出一种基于约束增量维纳滤波的多径时延估计算法。该算法利用GPS信号C/A码延时先验估计,对多径冲激信道时延估计值和衰减系数估计值进行区间约束和幅度约束,并将约束条件应用到增量维纳滤波的迭代过程中,从而实现码片内多径时延的估计。理论分析和仿真结果表明,此算法具有时空复杂度低、收敛快,在低信噪比条件下有较高的分辨率等优点。     

基于变精度粗糙集的产品配置规则提取及增量式更新

针对传统粗糙集产品配置规则提取方法容噪性较差的问题,应用变精度粗糙集方法,依据产品设计实例数据建立配置决策表,通过设定分类精度,进行了基于决策类下近似的相对属性约简和基于核值属性的值约简,依据支持度获得有效的产品配置规则.考虑设计实例增加对规则提取的影响,采用增量式更新方法对新增决策表进行规则提取,处理新增配置规则与原配置规则之间的重复、包含和冲突关系,依据可信度进行配置规则的更新.以水平定向钻机配置规则提取为例,验证了所提方法的可行性和有效性.