对BM模式匹配算法的一个改进

在分析BM算法的基础上,提出了一个改进的模式匹配算法QBM算法。该算法采用最长前缀的思想,在匹配后缀的时候采用一个位置移动表shift表代替BM算法中的两个移动表,提高了算法的运行效率。从理论和实践两个方面证明了该算法要优于BM算法。

无线局域网安全威胁及802.11i协议关键技术研究

本文介绍了当前无线局域网中的安全缺陷以及常见的无线局域网攻击手段,在介绍了无线局域早期802.11i标准安全缺陷的基础上重点分析了刚刚通过的由IEEE制定的802.11i标准中的安全机制和关键技术。

面向电信欠费挖掘的数据质量评估策略研究

针对电信欠费挖掘主题,结合电信欠费数据非平衡的特点,重点研究了缺失与离群数据对分类结果的影响,从而提出了一个面向电信欠费挖掘的数据质量评估体系(TIM-DQAS):对于缺失评估,提出了一种基于类分布差异的属性加权算法,以衡量输入属性的缺失代价;对于离群评估,分析了非平衡数据中的离群点对分类结果的影响,提出离群度的概念,以量化离群点的影响。基于某城市电信小灵通数据的对比实验,给出了评估结果的参照值,验证了评估策略的有效性。

一种基于过抽样技术的非平衡数据集分类方法

非平衡数据集的分类问题是机器学习领域的一个研究热点。针对非平衡数据集分类困难的问题,特别是由于非平衡分布引起的少数类识别能力低下的问题,提出了一种改进算法,AdaBoost-SVM-OBMS。该算法结合Boosting算法和基于错分样本产生新样本的过抽样技术。在新算法中,以支持向量机为元分类器,每次Boosting迭代中标记出错分的样本点,然后在错分样本点与其近邻间随机产生一定数量与错分样本同一类别的新样本点。新产生样本点加入原训练集中重新训练学习,以提高分类困难样本的识别能力。在AUC,F-value和G-mean 3个不同价格的评价指标下8个benchmark数据集上对AdaBoost-SVM-OBMS算法与AdaBoost-SVM算法和APLSC算法进行了对比实验,实验结果表明了AdaBoost-SVM-OBMS算法在非平衡数据集分类中的有效性。

改进模糊关联规则及其在故障诊断中的应用

关联规则挖掘能发现事务之间的潜在规则,在故障诊断中的应用有重要的研究价值。传统关联规则挖掘算法在数据离散化和支持度选取上都存在许多不足。文章在模糊关联规则挖掘算法的基础上重点研究了隶属度函数选取和最小支持度选取问题,提出一种改进模糊关联规则挖掘算法IFAR(an Improved Fuzzy Association Rules)。算法采用基于k-means聚类的自动确定隶属度函数参数方法,克服了传统硬划分方法带来的"边界过硬"问题,避免了人为划定边界的盲目性。算法在支持度选取上采用一种多重最小支持度的思想,在避免产生无意义短规则的同时有效发现有意义的长规则,提高挖掘结果的质量。最后通过旋转机械故障实验仿真证明了IFAR算法在故障诊断中的有效性和正确性。