DMGSP:一种快速分布式全局序列模式挖掘算法

为了解决分布式环境下挖掘全局序列模式常产生过多候选序列,加大网络通信代价问题,提出了一种基于分布式环境下的快速挖掘全局序列模式算法--DMGSP.该算法将分布式环境下的各站点得到的局部序列模式压缩到一种语法序列树上, 避免了重复的序列前缀传输. 采用合并树中结点序列规则和项序扩展策略,对非频繁序列进行剪枝,有效地约简了候选序列,减少了网络传输量,从而快速生成全局序列模式.算法分析和实验结果表明,在大数据集环境下的DMGSP算法性能优越,能够有效地挖掘全局序列模式.     

一种高效挖掘高维数据的频繁闭合模式算法

为了克服传统高维数据挖掘频繁闭合模式算法迭代产生子表,引起算法执行时间长和存储开销大等问题,提出了一种高效挖掘高维数据的频繁闭合模式的算法EMHCP. EMHCP算法采用一种新型结构位图表来压缩存储数据,在仅扫描数据库一次后,建立位图转换表.根据位图转换表来构建混合树结构,采用深度优先的方式和有效的剪枝策略高效挖掘出所有的闭合模式.从而有效地缩小了搜索空间,加快了处理速度.通过在生物数据库应用的实验结果表明, EMHCP算法比已有的CARPENTER和TD-close等算法更为有效.     

数据仓库中实视图聚集函数的增量更新

提出在视图表达式树中以由下到上的方式计算中间结点的变化 ,将计算出的中间结果作为辅助视图保存在数据仓库中 ,利用这些辅助视图或子视图计算出来的聚集函数的变化 ,来计算本视图聚集函数值的更新 ,实现视图的增量维护 ,从而缩短数据仓库更新维护时间 ,提高OLAP查询效率 .同时 ,介绍了实视图中聚集函数的增量更新算法 ,实现实视图聚集函数的更新维护     

数据仓库中实现图聚集函数的增量更新

提出在视图表达式树中由下到上的方式计算中间结点的变化，将计算出的中间结果作为辅助视图保存在数据仓库中，利用这些辅助视图或子视图计算出来的聚集函数的变化，来计算本视图聚集函值的更新，实现视图的增量维护，从而缩短数据仓库更新维护时间，提高OLAP查询效率，同时，介绍了实视图中聚集函数的增量更新算法，实现实现图聚集函数的更新维护。     

嵌入式关系数据库管理系统中主动模块的设计与实现

称动计算环境与传统的计算环境有很大的不同,因此传统的主动数据库在移动设备上的应用受限.提出一种嵌入式关系数据库管理系统中主动模块的设计与实现,对主动规则进行了扩充,同时将主动模块放置于管理系统的内核中实现,不仅可以定义与处理复杂的主动规则,而且提高了数据库管理系统的效率.     

基于单维分割的高维数据聚类算法HDCA_SDP

提出一种基于单维分割的高维数据聚类算法HDCA_SDP, 该算法利用单维空间能划分数据的性质,对整个数据集进行逐维聚类,解决了传统聚类算法带来的维度困扰问题,对数据集大小和数据空间维数具有良好的可伸缩性,且聚类结果的精度比传统的高维聚类算法有较大的提高. 实验结果表明,该算法在处理高维大规模数据时是有效的.     

基于语义的OLAP查询优化策略

根据Data Cube中单元格的层次性与聚集性,首先讨论了多个OLAP查询组成的OLAP查询集的查询优化策略,然后在单查询集优化的基础上,对于给定的多个OLAP查询集,识别公共查询.根据各查询之间的关系进行整体优化,采用动态启发式算法产生一个全局最优执行计划,从而避免磁盘冗余访问,减少查询执行时间.     

基于OLAP查询的数据仓库视图的水平分割

选择数据仓库视图进行有效的水平分割,使OLAP查询通过访问较少的分割裂片以及较少的元组就可以完成,从而加快查询响应时间,削减维护费用.提出根据OLAP查询中的选择谓词构造其最小项谓词,选择数据仓库立方体视图,进行水平分割和实体化,来提高OLAP查询效率.     

Web挖掘期望页面发现算法改进

访问者如果不能方便地从Web站点的期望位置找到他所要找的页面,往往会影响网站的用户体验。本文提出了一种期望页面发现算法的改进算法,新的算法更全面地考虑了更早的回退和更少的回退两方面的因素,可以更准确地挖掘期望页面,改进网站的结构。     

多维层次聚集cube的可扩展存储结构

采用多维层次式B ＋树作为多维数据集的索引结构,并在此基础上创建了一种可扩展的存储结构——多维层次聚集cube(MH-cube).基于MH-cube的层次特性,可以高效地对多维数据集进行快速查询、数据更新与模式更新,分析表明MH-cube在性能上优越于其他cube.