基于生成对抗网络的异质信息网络表征学习

鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型—— 基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial netwo...     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

PowerBuilder数据窗口多表更新的通用性方法

PowerBuilder中单数据窗口只能更新一个表,目前常用的解决方法是编写函数实现基于单数据窗口的两表更新,当表的数目增加时又需要重新编程或重复调用函数.为克服该局限性,对其进行了改进,通过建立全局函数实现单数据窗口的多表更新,提高了代码的可重用性和可维护性,通过向函数传递不同的参数,使程序不必受制于数据库表的个数和名称,体现其通用性,从而使PowerBuilder应用程序的报表更新技术更完善,更灵活.