再论关系数据流中增减型及循环型知识的发现

继续研究在以关系为单位的数据流中发现"增加"、"减少"等增减型知识以及"良性循环"、"恶性循环"等循环型知识的方法。这些方法可以发现事物间发展的联系及发展的趋势,为决策者提供更强有力的支持。特别是发现各种循环,将为决策者加强"良性循环",增加效益与成功,摆脱"恶性循环",避免亏损与失败,提供了重要的依据。

基于GPU的多数据流相关系数并行计算方法研究

为了满足多数据流处理的实时性需求,提出一种跨PCIE总线的四层滑动窗口模型和基于图形处理器的多数据流并行处理框架模型,在此框架模型下可以并行维护数量巨大的滑动实时多数据流统计信息,同时采用精确方法并行计算多数据流间任意两条的相关系数。通过对比在同样的实验环境下只使用CPU的计算处理方法,验证了新方法的实时计算性能具有显著的提高。

基于流立方体的数据流频繁模式挖掘算法

针对关系型数据流,提出一种基于流立方体框架的频繁模式挖掘算法。通过数据流的不断到达动态地创建流立方体来保存近期数据流信息,当用户提出查询请求时在以创建的流立方体基础上进行频繁模式的挖掘计算,返回相应的查询结果,可以快速地挖掘数据流各维之间存在的所有频繁模式。通过分析和实验表明该算法有较好的性能。