多维概念格与关联规则发现

在引用多维数据序列对概念内涵进行不同维度的描述的基础上,提出了多维概念格的形式化定义及其构造方法;并给出了基于多维概念格的关联规则提取方法,该方法通过发现最大频繁多维数据序列研究不同维度属性之间的依赖关系。实例表明,多维概念格利于发现内容更丰富的有用信息。

实数域上的粗糙函数及其Galois格构建

传统粗糙集理论源于集合论平台,其上、下近似算子在描述函数方面存在缺陷。针对该问题,利用定义在整数轴上能严格划分出单调实函数的标度工具,提出上、下粗糙函数概念,形成实数域上的粗糙函数模型。构建与其匹配的Galois格,并通过可辨识矩阵对其概念格进行了知识约简。

多类SVM分类算法的研究

支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题.文中分析了SVM基础理论并总结了目前存在的基于支持向量机的主要分类方法,包括"一对多"方法、"一对一"方法、决策有向无环图方法、基于二叉树的多类分类方法和其它方法,并对各自的优缺点及性能做了比较.

基于商空间理论层次Cube操作的聚集算法研究

传统的Cube计算算法对具有复杂维层次结构的多维数据集合实施Cube操作时,存在明显的不足.提出了基于商空间理论层次Cube操作的聚集算法.结果表明,其在性能测试中较传统的算法在计算效率方面有了显著的提高.

Django实现ORM模型数据查询优化

网站设计中数据库查询是非常关键的技术,好的查询方法可以大大地节省开销。数据库越庞大,要求查询效率越高。文章以Django开发为背景,对ORM模型数据查询做了一些验证性研究。阐述了数据库中相关联表(如:一对多关系与多对多关系等)数据查询的优化方法,编写了视图函数和URL映射进行测试,并对结果数据做了比较与分析。贯穿全文,是一个完整的Django数据查询项目。

K-Means优化算法的R语言实现

随着数据量级的不断增大,大数据挖掘算法提出了新的需求与挑战。针对数据聚类的K-Means算法做了一些研究,阐述了K-Means在大数据分析中的经典算法与R语言的实现,分析其存在的弊端引入基于Map-Reduce函数的K-means算法;进一步地,通过迭代方法实现了基于Map-Reduce函数的K-means优化算法,并用R程序得以实现;最后给出了程序的测试与应用,验证算法的可行性。

多维概念格与领域本体互构建方法研究

多维概念格与领域本体具有相同的代数结构,也就是格结构,使得二者之间很容易产生一种映射关系。该文提出了多维概念格与领域本体的映射机制,以此为理论依据,设计了多维概念格与领域本体互构建方法,并通过实例给以实现。为领域本体的知识表示提供了新方法,也扩展了多维概念格的应用领域。

P2P网络中基于动态推荐的信任模型

针对P2P网络中节点交易风险较大的问题,模拟社会网络的人际交互过程,提出一种基于动态推荐的信任管理模型。采用模糊聚类方法,结合交互的上下文动态地选择推荐节点,在推荐因子的计算上融入聚类分析结果,提高了推荐的可靠性。分析和模拟实验表明,该模型能有效提高推荐的准确性,增强P2P网络的可用性。

多维概念格及其构造算法

传统概念格所蕴含的信息量是非常有限的,基于对多维数据序列的理解,重新描述和扩充了概念内涵,提出一种新的多维概念格,给出其渐进式构造算法。虽然新格的建立增大了格结构的复杂性,但能最大地保证数据的完备性,实现数据收集的全面性。通过实验验证了该算法是有效的。

云计算系统中Key-Value数据管理研究

Key-Value数据库是应用于云环境下的典型云存储系统,基于key-value数据模型的研究对大数据管理或称云数据管理系统提出了新的需求与挑战,成为人们关注的热点。本文对key-value数据模型与数据读写方式作了简单介绍,引入了key-value索引机制,重点讨论了key-value查询操作,给出了关于多维点查询的通用算法。

深度优先稳定原地归并排序的高效算法

基于分治策略,使用深度优先的方法,提出了一种用于线性表的稳定原地归并排序算法,其时间复杂度为O(n lb n),辅助空间复杂度为O(1),递归栈空间复杂度为O(lb n),同时进行了算法分析和实验测试。实验结果表明,该算法效率较STL中的稳定原地归并排序算法有67.51%的提升,解决了稳定排序算法中要么时间复杂度高要么空间复杂度高的问题。

数据挖掘中关联弱化问题的解决方法分析

当前的支持向量机和均值聚类等数据挖掘算法中,几乎都是依靠数据之间的关联性来完成数据匹配。一旦数据库中含有大量的冗余数据,将造成数据之间的相关性降低,关联性被破坏,导致传统的数据挖掘算法效率降低。为了避免上述缺陷,提出了一种弱化关联规则修补挖掘算法。利用弱聚类方法,在数据选择过程中,不将所有的元素都进行初始分类处理,只计算某一元素属于某一个类别的概率,确定多个弱聚类中心,计算不同数据之间的弱聚类关联性,从而实现关联规则较弱的冗余环境下准确的数据挖掘。实验结果表明,这种算法能够有效提高海量冗余环境下的数据挖掘效率,取得了令人满意的效果。

基于商空间理论多维多层次关联规则挖掘算法研究

传统的FP-growth算法在OLAP多维多层次关联规则挖掘过程中,存在明显不足,提出了基于商空间理论的多维多层次关联规则挖掘QCHFP-growth算法。在对其进行多维多层次频繁项集挖掘性能测试时,实验结果表明,较FP-growth算法在挖掘效率方面有显著提高。

单向链表快速排序算法

单向链表广泛应用于动态存储结构,当前单向链表的排序算法普遍效率偏低,而平均效率最高的快速排序算法并不适用于单向链表。基于分治策略,使用递归方法,通过重新链接单向链表节点,提出了用于单向链表的快速排序算法,其平均时间复杂度为O(nlog2n),辅助空间复杂度为O(0),平均递归栈空间复杂度为O(log2n);同时,进行了算法分析和实验测试,其效率较其它单向链表排序算法有较大提高,且较传统基于线性表的快速排序算法也有一定提高。

求解云计算压力测试中并行任务密度的高速算法

针对当前云计算负载压力测试过程中,对所采集数据计算并行任务密度的算法效率较低的问题,基于空间换时间的思路,使用数学分析的方法,提出了一种时间复杂度为O（n lb n）,空间复杂度为O（n）的求解并行任务密度的高速算法.实验结果表明,该算法与时间复杂度同为O（n lb n）的OpenSTA算法相比,效率约有6～8倍的提升.该算法对多个相同的并行任务密度能够解得并行时长最长者,可以准确反映负载最重的情况.该算法适合云计算进行负载均衡算法设计时,获取真实参照数据使用.

中缀算术表达式的轻量化求值算法

针对当前中缀算术表达式求值算法笨重或者复杂的问题,提出了一种轻量化的中缀算术表达式求值算法。该算法基于逆向拆分中缀算术表达式的思路,使用递归解析的方法,等价于中缀算术表达式的构造二叉树表示。实验结果表明,该算法与传统逆波兰表达式(RPN)转换、求值算法相比,该算法无需做逆波兰表达式转换,无需人工栈辅助,实现代码量仅有其1/6,而效率仅下降6.9%。与W3Eval算法相比,该算法无需符号转置表,支持算符自定义或重定义,实现代码量不到其1/2。该算法实现代价低,适用于Web应用的Browser端,及嵌入式应用等轻量化应用场合。

地方普通高校计算机创新人才培养质量保证体系的研究

人才培养方案、师资队伍建设、实践教学平台构成了创新人才培养的质量保证体系,本文针对地方普通高校的特点,结合多年来的实践教学经验,研究了创新人才培养方案的整体优化方法,探讨了高素质、具有创新意识的师资队伍建设方案,提出了五位一体综合创新实践平台的具体构建形式,取得了较好的办学效果。

Banach空间的K一致光滑性

引进Ｂａｎａｃｈ空间的Ｋ一致光滑性，推广了一致光滑的概念；证明了Ｋ一致光滑与Ｋ一致凸是对偶性质，得到了Ｋ一致光滑空间的一些性质；

K—强光滑的特征

本文利用凸集的体积,给出 K—强光滑的两个等价条件.

浅谈从C向C++的过渡

C++是 C的超集 ,因此 ,可以用 C++编译器代替 C编译器编译现成的 C程序 ,逐步实现向 C++的过渡 .当然 ,若编程的语法和思路不能改变 ,且很少用或不用对象和类 ,利用 C++编写 C程序 ,就好比在高速公路上运行马拉车 .