基于约束的不确定数据频繁项集挖掘算法研究

针对基于约束的不确定数据频繁项的经典挖掘算法——U-FPS算法的不足,提出了适用于基于约束的不确定数据的新算法——UC-Eclat挖掘算法。该算法不需要构建频繁模式树,而采用了数据库垂直模式求交集的方式来计算支持度的方法,提高了挖掘效率。

基于不确定数据的频繁项查询算法

频繁项的查询是一项非常重要的技术,但在新兴的不确定数据领域却是一项新的研究课题.基于不确定数据,提出了一种新的频繁项定义,并提出了两条过滤规则,可以有效地减少检测数据的数量.最后提出高效的频繁项查询算法UFI,该算法通过找到概率求解中的递推规律,极大提高了单点检测效率.实验结果显示:提出的方法可以有效地减少候选集,降低搜索空间,改善在不确定数据上的查询性能.

基于滑动窗口的Top-K概率频繁项查询算法研究

频繁项查询在网络监控、网络入侵检测、关联规则挖掘等方面是一项非常重要的技术.该技术在静态的不确定数据中已经得到了深入的研究.但随着数据流特征和不确定性表现的日益明显,在不确定数据流环境下的查询已经成为一项新的研究课题.因此基于数据流普遍采用的滑动窗口模型,提出了一种高效的概率Top-K频繁项查询算法sTopK-UFI.该算法避免了每次窗口更新都重新计算查询答案,而是利用现有的计算结果进行增量更新,从而减少查询代价.另外,该算法基于窗口中的现有数据对未来可能成为频繁项的元素进行预测,并利用泊松分布计算元素成为频繁项的概率上下界,提出相应的过滤策略,可以显著减少检测数据的数量,提高查询效率.实验结果表明,所提出算法可以有效地减少候选集、降低搜索空间、改善在不确定数据流上的查询性能.

不确定数据流最大频繁项集挖掘算法研究

对于大型数据,频繁项集挖掘显得庞大而冗余,挖掘最大频繁项集可以减少挖出的频繁项集的个数。可是对于不确定性数据流,传统判断项集是否频繁的方法已不能准确表达项集的频繁性,而且目前还没有在不确定数据流上挖掘最大频繁项集的相关研究。因此,针对上述不足,提出了一种基于衰减模型的不确定性数据流最大频繁项集挖掘算法TUFSMax。该算法采用标记树结点的方法,使得算法不需要超集检测就可挖掘出所有的最大频繁项集,节约了超集检测时间。实验证明了提出的算法在时间和空间上具有高效性。

基于有序树的不确定数据最大频繁项挖掘算法

针对UF-tree中项集存在的数据和路径冗余的问题,设计了有序的压缩不确定树SCUF-tree,在节点中存储元素的不同支持度,达到压缩存储空间和方便移植已有的确定数据最大频繁项集算法的目的。结合最大频繁项集挖掘算法MMFI的设计思想,提出了一种挖掘不确定最大频繁项集算法UMMFI算法,并采取逐层逐个的NBN策略挖掘不确定最大频繁项集。实验结果表明,UMMFI算法具有较好的时空效益和适应性。

面向不确定感知数据的频繁项查询算法

随着计算机网络技术的快速发展,无线传感器网络产生了大量的感知数据流.同时,传感器自身的特点使得感知数据具有不确定的特征,因此需要对传感器网络中不确定感知数据流处理技术进行研究.在传感器网络中,频繁项查询在环境监控和关联规则挖掘等方面具有重要意义.文中首先提出了基本算法,用以连续维护传感器网络中的概率阈值频繁项查询结果.针对基本算法需要维护所有元素的问题,又提出了一种优化算法,算法在两方面进行了优化:(1)设计了一种通过预测元素概率上界的方法进行候选集的构造,仅维护必要信息从而提高查询效率;(2)设计了一种新的cp-list结构,可以压缩不同窗口候选集中的重复元素,降低存储开销.实验结果表明文中提出的算法可以减少连续维护传感器网络中频繁项查询的计算代价和存储空间.

状态依赖下不确定切换线性系统有限时间有界性分析

根据凸组合方法,依据状态依赖切换策略设计切换信号和Lyapunov类函数的方法,解决了一类带有不确定项的切换线性系统在外部干扰存在前提下的有限时间有界性问题,并且分析了滑膜现象产生的情况.

满足均匀分布的不确定数据关联规则挖掘算法

云计算为大数据提供了展示和共享的平台.为了防止隐私泄露,这些数据中往往包含人为添加的不确定因素,如何挖掘这些不确定数据是大数据共享亟待解决的问题.在用于共享的大数据中,不确定数据通过对精确数据的泛化处理来实现,具有均匀分布特性,这一特性不利于精确查询,但可为关联规则的挖掘提供便利条件.首先,依据泛化值之间可能的相交或包含关系,将泛化值进行分层聚类,为了保存与不确定数据集挖掘相关的重要信息,给出了构建不确定频繁模式树的算法,在此基础上,提出了频繁项集挖掘子算法(data mining algorithm for uncertain frequent item-sets,UFI-DM)和关联规则生成子算法(algorithm for generating association rules,GAR),分别用于挖掘频繁项集和生成关联规则,最后,通过理论分析和实验比对,论证了算法的可行性和有效性.

压缩UF-tree挖掘不确定数据频繁项

针对UF-growth算法构造大量树节点和分支的局限性,且不断计算候选数据项支持度的不足,提出压缩UF-tree算法。压缩UF-tree算法改变建树条件:事务中数据项与树中某个分支节点的数据项匹配时,将该数据项合并到分支中;否则,从该分支节点创建新的分支,叶节点保存当前事务编号。构建单项数据项的概率向量,搜索树分支产生候选项,通过事务编号和概率向量计算候选数据项的支持度进而挖掘频繁项。通过实验对比与分析,压缩UF-tree算法可行且更高效。

不确切泄漏标准化病人试题的保密性的初步研究

目的:研究标准化病人试题在不确切泄漏时对考生成绩的影响。方法:通过设置对照组和试验组,试验组考生在接诊内科、妇产科、儿科标准化病人时提供病例的"疑似诊断",考生考试结束时填写问卷;用t检验分析试验组和对照组的成绩差异,用单因素方差分析对照组病例和全体考生在不加干预病例上的维度得分差异。结果:t检验和单因素方差分析未发现有规律的显著性差异。结论:标准化病人试题在不确切泄漏的情况下具有良好的保密性能。

不确定性因素对项目评估中确定值的影响分析

在项目评估中常常会产生许多不确定因素的影响,针对不确定性因素,对收益额、折现率、收益期确定值的影响度进行了分析,以提高收益法结论的可靠度,使收益法评估在对未来收益的预测时,建立在一个更科学合理的基础上。

控制器切换下不确定模糊系统的输出反馈

在T-S模糊模型的基础上加入不确定项,并对每个子系统采用PDC方法设计切换控制器,分别利用单李雅普诺夫函数方法和多李雅普诺夫函数方法来获得使闭环系统渐近稳定的条件,最后利用MATLAB/SIMULINK软件对系统进行仿真,验证理论推导的可行性与有效性.

不确定系统控制的自稳定域方法的推广

基于已有的为构造不确定系统的连续反馈控制律而提出的自稳定域的理论,给出了推广的系统的自稳定域的概念及其构造方式的理论证明,使得零点成为系统自稳定域的内点,从而系统自稳定域不再仅限于第2、第4象限,保证了由此得到的系统在零点的连续性.基于这些理论结果,进一步给出了一般的2阶不确定系统控制的自稳定域以及相应的连续控制项的构造方法,并在文章最后给出了仿真计算的实例.

带扰动观测器的船舶航向自适应神经网络控制

针对遭受未知外界扰动且存在不确定项的船舶航向非线性操纵系统,提出一种基于扰动观测器的自适应神经网络控制策略.构造神经网络逼近船舶模型中的不确定项,利用扰动观测器估计未知的外界环境干扰,并对控制量进行前馈补偿,提高控制策略的鲁棒性.应用Lyapunov函数证明了船舶航向跟踪闭环系统的误差信号一致最终有界.仿真结果表明,所设计的控制策略可以迫使船舶跟踪期望的航向.相对于传统的PID控制器,所设计的控制策略可以有效克服未知外界扰动,具有较强的鲁棒性.

不确定性数据频繁项集挖掘算法

由于不确定性数据大量存在于传感器网络,移动计算,军事,电信等应用领域,传统的频繁项集挖掘算法难以适用到不确定性数据挖掘.为了解决这个问题,本文提出了一种快速有效的算法,该算法基于可能世界模型,只需要扫描一次数据库,且没有建树的过程,通过实验证明,我们提出的算法比UF_Growth算法效率更高.

对《企业会计准则—或有事项》的思考

当今社会 ,市场环境日益复杂 ,企业在会计核算中经常面临某些不确定情形 ,尤其加入WTO后 ,这些情况将更加突出。我们应当对或有事项的确认、计量、披露及对我国会计实务的影响进行探讨 ,为减少和处理不确定性提供理论依据。

基于深度学习的不确定数据频繁项集挖掘系统

传统不确定数据频繁挖掘系统工作过程花费的时间较长,且挖掘结果与真实结果误差较大。为了解决上述问题,基于深度学习研究了一种新的不确定数据频繁挖掘系统,在硬件结构中建立深度学习挖掘模型,通过传感器、隐层、输入层、输出层、中心处理器、存储器和显示器构成硬件架构,软件流程由发送采集命令、预训练、微调训练、数据检测、判断候选项集是否为频繁项集等步骤组成。为检测挖掘系统工作性能,与传统挖掘系统进行实验,结果表明,基于深度学习的不确定数据频繁挖掘系统能够在短时间内取得有效的挖掘结果,误差小,实用性更强。

需求弹性在项目评价中的应用

把商品的需求弹性引入到项目的评价中去，力图减小投资项目所承担的风险，使评价项目的结论更切合未来的实际。

不确定需求下的再制造产品联合定价决策

以单一制造商为研究对象,在需求不确定环境下,基于替代性两产品报童模型,对新产品及再制造产品的联合定价决策进行了研究.首先构建了基于利润最大化的两产品定价模型,在证明目标函数凹性的基础上,给出求解的Karush-Kuhn-Tucker优化条件;然后通过数值仿真对模型进行求解,并分析了再制造产品的消费者支付意愿对制造商定价、产量决策及利润的影响.结果表明,随着再制造产品消费者支付意愿的增加,新产品价格有所下降,再制造产品价格逐渐增加,新产品及再制造产品产量均有所下降,制造商利润随之增长.