香菇多糖的免疫调节作用

检测香菇多糖（ＬＮＴ）对环磷酰胺（Ｃｙ）诱导的免疫功能低下的小鼠脾细胞溶血素抗体（ＩｇＭ）生成的影响和对ＣｏｎＡ诱导小鼠脾淋巴细胞增殖反应和ＩＬ－２生成的影响。结果表明，国产ＬＮＴ的３种剂量（０．５，１，２ｍｇ·ｋｇ－１·ｄ－１×５ｄ，ｉｐ）显著促进ＩｇＭ抗体的生成，且以１ｍｇ·ｋｇ－１·ｄ－１作用最佳。ＬＮＴ（１～１２５ｍｇ·Ｌ－１）可明显促进ＣｏｎＡ诱导的脾淋巴细胞增殖反应和ＩＬ－２的生成。量效曲线呈钟罩形。提示有浓度依赖性的双向免疫调节作用。

Web日志挖掘中的会话识别方法

为更好地实现会话识别,从而为后续模式发现提供准确的挖掘数据,在分析现有常用的会话识别方法后,提出一种基于待挖掘站点首页的用户会话识别方法。该方法根据用户浏览站点的习惯,以站点首页作为用户新会话开始标识,并增强了用户会话的定义。最后利用数据库编程实现该方法,将识别出的会话存储在数据库中,便于后续数据挖掘使用。实验结果表明,该方法能识别出更多的用户会话,且识别会话的准确率也更高。

基于模拟退火算法改进的BP神经网络算法

提出一种基于模拟退火算法改进的BP神经网络.该方法利用模拟退火算法寻找更优化的样本子集,用来训练BP神经网络.通过理论分析以及实验仿真证明,在缩短训练时间以及迭代次数的基础上,显著提高BP神经网络的分类准确性.

XML数据库的研究与应用

XML是一种专门为Internet所设计的标记语言,随着XML的大量应用,它已经成为Internet上数据表示和数据交换的标准,如何有效地管理大量的XML数据显得非常重要。使用数据库技术对XML进行管理,这已经成为一种必然的发展趋势。XML与数据库相结合已经成为一个新的研究领域,也是XML和数据库发展的趋势。文中探讨和分析了XML数据库的相关知识,介绍了Native XML数据库及一个NXD系统eXist,最后表明XML数据库将成为一个新的研究领域。

K-Means算法的研究与改进

K-Means算法是一种基于划分方法的经典聚类算法,已经在很多领域得到广泛的应用。虽然该算法有很多优点,但其也存在自身的局限性,比如需要用户输入聚类簇个数,初始聚类中心是随机性选择的,算法容易陷入局部最优解,对孤立点比较敏感等。文中首先应用统计学中的标准分数对样本进行孤立点分析,然后提出一种新的初始聚类中心确定策略。对改进的算法和原算法分别做实验进行比较,实验结果表明,改进的算法在准确率、收敛速度和稳定性方面都有很大的提高。

K-Means聚类算法的研究

K-Means算法是一种经典的聚类算法,有很多优点,也存在许多不足。比如初始聚类数K要事先指定,初始聚类中心选择存在随机性,算法容易生成局部最优解,受孤立点的影响很大等。文中主要针对K-Means算法初始聚类中心的选择以及孤立点问题加以改进,首先计算所有数据对象之间的距离,根据距离和的思想排除孤立点的影响,然后提出了一种新的初始聚类中心选择方法,并通过实验比较了改进算法与原算法的优劣。实验表明,改进算法受孤立点的影响明显降低,而且聚类结果更接近实际数据分布。

一种基于变精度粗糙集理论的属性约简算法

属性约简是粗糙集理论研究的核心问题之一,而且现已证明寻找一个决策表的最小约简是NP-hard问题。针对变精度粗糙集理论的属性约简问题,从相对可辨识矩阵,属性的重要度作为启发式的信息,给出变精度粗糙集的属性约简算法的改进,在一定程度上简化了属性约简的计算,提高了属性约简的效率。最后通过实例证明了改进的算法给出信息系统的属性约简结果的正确性。

基于HowNet词汇相关性的文本聚类

提出基于HowNet词汇相关性的聚类方法,该方法通过统计学的Z分数来消除孤立点,根据文档的稀疏分布程度,选择初始聚类中心,并且考虑词与词的相关性和词与词的语义相似性,使得文本聚类的精确度得到了提升,时间消耗上也大大减少.

Web日志挖掘数据预处理优化

在web日志挖掘中,数据预处理技术是各项工作的基础,此项内容将直接影响到后面的各个阶段,因此,也就显得至关重要。在已有的预处理方法基础上,选用了一种建立用户访问树的方法对用户进行识别,并且可以在缺乏网站拓扑结构的情况下对日志进行处理。提出了一种改进的事务处理方法,这可以在不额外增加步骤的基础上,能直接去除无用的事务,从而减少预处理结果对数据挖掘的影响,使得到的事务能更好地应用到模式分析当中,大大增强了后期挖掘的正确性。

基于卡方统计的情感文本分类

通过对情感文本与n-gram特征的研究与分析,提出了一种基于卡方统计的特征词提取方法.方法中,ngram特征作为文本特征,在传统卡方统计的基础上选取共现或单独出现的特征,因为共现与单独出现的特征在不同类别中可能存在区别性.然后,根据多元特征与类别的相关性判别去除n-gram中冗余的特征,从而选取高类别相关而低冗余的n-gram特征.对上述方法利用SVM算法在不同语料中进行测试,通过实验对比分析,验证了该方法的有效性.

一种优化初始聚类中心的K-means聚类算法

针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进,利用提出的新算法选出初始聚类中心,并进行聚类。这种算法比随机选择初始聚类中心的算法性能有所提高,具有更高的准确性。

一种变精度粗糙集模型阈值选取的方法

正确分类率β是变精度粗糙集模型中重要的参数之一。文中针对变精度粗糙集中参数β的确定缺乏可预见性的问题,提出了在确定近似分类质量γ下β取值范围的确定方法。通过实例计算验证了该方法的有效性。算法根据近似分类质量,通过对正确分类率集合的不同的查找方法来快速有效地确定阈值地范围。

基于Web服务数据集成框架的设计与应用

随着企业级应用的不断发展,企业越来越重视自己的数据信息,迫切需要解决企业内部之间的"信息孤岛"。针对这些问题,提出了一种基于Web服务数据集成框架的设计。通过研究异构关系数据库集成的常用方法以及XML与数据库之间的映射之间的方法,从而设计出一种数据集成框架,并运用J2EE和Web Services相关技术实现该框架。将该框架应用到某供电公司综合在线系统的项目中,通过对该系统的运行情况的分析,它可以有效解决该公司内部之间的"信息孤岛"问题,从而充分验证了该框架的可行性、有效性、实用性。

一种基于FUP的TD-FP-Tree并行快速更新算法

TD-FP-Growth是对经典关联规则挖掘算法FP-Growth算法的改进,它采用新的数据结构TD-FP-Tree。人们已经基于Apriori和FP-Growth算法提出了多种关联规则增量挖掘算法。文中讨论了在基于TD-FP-Tree的结构上如何进行增量挖掘,对批量挖掘算法的瓶颈进行分析,指出加快更新速度的策略。文中基于FUP思想提出了TD-FP-Tree的快速更新算法,重点研究了当有单个项在新增事务加入后由非频繁变为频繁时TD-FP-Tree的处理情况。通过将项分类处理降低更新时间,并部分采用并行处理进一步提高效率。实验表明,文中提出的算法不仅可以快速更新TD-FP-Tree,而且在同基于FP-Tree结构的增量挖掘对比中也有更好的表现。

基于返回结果的Deep Web查询接口识别

互联网上存在许多有价值的信息,搜索引擎只能索引静态页面,无法索引Deep Web数据,而Deep Web通常以表单形式存在,只有提交表单查询才能获得其数据,如何发现和识别Deep Web查询接口成为人们关注的问题。在分析表单表现形式与功能内在的联系的基础上,提出一个表单的抽象模型,依此过滤非Deep Web查询接口的表单。通过对返回结果页面分析方法,实现Deep Web查询接口的识别,实验结果证明了该方法的有效性。

基于二叉树的SVM多类分类的研究与改进

支持向量机(SVM)是一种两类分类算法,如何将SVM算法应用于多类分类问题,目前已衍生出多种方法。其中"二叉树"方法应用比较广泛,但分类支持向量机在树中中间节点位置的不同,直接关系到该方法的分类准确性。基于二叉树方法提出了"类间相异度"的策略,根据类间相异程度来决定多类的分类顺序。

一种改进的K-means聚类算法

K-means算法是最常用的一种基于划分的聚类算法,但该算法需要事先指定K值、随机选择初始聚类中心等的缺陷,从而影响了K-means聚类结果的稳定性。针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进,利用提出的新算法确定初始聚类中心,然后进行聚类,得出最终的聚类结果。实验证明,该改进算法比随机选择初始聚类中心的算法性能得到了提高,并且具有更高的准确性及稳定性。

基于“规则架+规则体”知识库的一致性与冗余性检查

知识库的组织和维护是大型专家系统和实现知识自动获取的所有专家系统必须解决的问题，介绍了基于“规则架＋规则体”的实用专家系统知识库中不一致与冗余规则（链）的几种可能形式，讨论了知识的一致性与冗余性检查的方法，并给出了详细的算法。

AGNES算法在K-means算法中的应用

提出一种新的选取初始聚类中心的算法,该算法结合了凝聚层次聚类算法AGNES,利用该算法选出初始聚类中心,再应用到K-means算法中进行聚类。实验表明,改进的算法聚类效果更好,准确率得到了提高,迭代次数也明显减少,还能够发现异常点。

一种改进的二叉树多分支持向量机算法

二叉树支持向量机分类算法主要是构造一个偏二叉树或是构造一颗完全二叉树,但是偏二叉树分类的准确性虽高而分类的效率低,完全二叉树分类的效率高但是准确性不高。本文提出一种算法,结合了以上两种二叉树构造方法的优点,并且更能反映样本的真实分布。实验结果表明,新算法具有较高的推广性能。