基于PSO的二阶段光谱模糊聚类研究

在海量的天体光谱数据中利用无监督聚类学习方法将天体自动分类具有更加诱人的前景。针对当前聚类方法存在的缺点,提出一种高效的高维数据硬划分算法,在此基础上提出了一种分阶段模糊聚类方法。第一阶段,利用硬划分算法对数据聚类,克服了模糊聚类算法对初始值敏感的缺点。第二阶段,以第一阶段运算结果作为初始值,进行模糊聚类的,并将微粒群算法引入模糊聚类,从而保证了聚类结果的全局最优性。实验结果表明,该方法用于天体光谱聚类是可行的、有价值的。

基于关联规则的恒星光谱数据相关性分析

利用关联规则作为恒星光谱数据相关性分析方法，以VC＋＋和Oracle9i作为开发工具，设计并以程序实现了基于关联规则的恒星光谱数据相关性分析系统，给出了其软件体系结构和模块功能，并对恒星光谱数据的预处理、取样技术、背景知识模板、频繁模式集挖掘算法等关键技术进行了详细描述。最后，通过系统运行结果表明，利用关联规则来描述、分析光谱数据特征和物理化学性质之间存在的相关性是可行的和有价值的。

基于FP树的特异关联规则挖掘算法研究

分析稀少数据的相关性是一种重要的、有价值的数据挖掘任务。运用面向关联规则的FP树构造方法,提出了一种特异关联规则挖掘算法RSFPA。该算法将包含特异模式的数据集压缩成一棵FP树,通过挖掘FP树来提取特异模式集,从而进一步提高了特异模式的挖掘效率。最后,利用恒星光谱作为数据集,实验验证了RSFPA算法的正确性和有效性。

二阶段模糊聚类方法研究

针对当前聚类方法存在的缺点，提出一种高效的高维数据硬划分算法，在此基础上提出了一种分阶段模糊聚类方法．第一阶段，利用硬划分算法对数据聚类，克服了模糊聚类算法对初始值敏感的缺点．第二阶段，以第一阶段运算结果作为初始值，进行模糊聚类的，并将模拟退火算法引入模糊聚类，从而保证了聚类结果的全局最优性．实验结果表明，该方法是可行的、有价值的．

基于背景知识的关联规则挖掘算法研究

为了解决传统算法中存在的频繁模式集生成的瓶颈问题，本文将启发式背景知识和归纳背景知识同时运用在频繁模式的生成过程中，提出了一种基于背景知识的关联规则挖掘算法BasedBackground。该算法不仅通过启发式背景知识，有效降低了模式的计数代价，而且通过由样本挖掘获取的归纳背景知识，有效地减少I／O代价，因此提高了挖掘的效串和质量。本文最後通过恒星光谱数据作为实验数据集，验证了该算法的有效性。

弹性光网络一类调度问题的一个新模型和算法

采用网络功能虚拟化技术的弹性光网络是一种新型的网络,其数据中心的合理部署,路由的科学规划及频谱的最优分配是一个关键而具有挑战的问题.为了解决这个问题,建立了弹性光网络资源分配和任务调度问题一个新的优化模型,新模型以虚拟网络功能在数据中心部署的负载最均衡,经过数据中心节点的路径最短以及频谱占用最少为目标,可同时使虚拟网络功能在数据中心部署,路径规划和频谱分配方案最优.为有效求解该模型,分别设计了一个经过所选数据中心的最短路径策略,虚拟网络功能在数据中心的部署策略以及频谱分配策略,构造了初始种群的产生方法,设计了新的变异算子,在此基础上,提出了求解模型的一个新的进化算法.最后进行了仿真实验,结果表明,最大频隙号和数据中心VNF部署数目的标准差相比对比算法有明显降低,验证了所建模型和算法的有效性.