基于动态最小支持度的增量频繁序列挖掘

在轨迹数据集有新增数据且最小支持度变更情况下,为了实现频繁轨迹集能够快速更新以及解决轨迹数据库占用大量存储空间的问题,提出基于动态最小支持度的增量频繁序列挖掘算法。该算法能够充分利用频繁轨迹集信息,在有新增轨迹数据加入原始轨迹数据集且最小支持度变更时,通过频繁轨迹序列与频繁1序列相连接生成候选序列,利用非频繁轨迹后缀子序列置信度来估计非频繁轨迹支持度,实现动态更新频繁项集,并且在挖掘频繁轨迹后不再需要保存原始轨迹数据。通过轨迹数据集的挖掘实验,验证了本文算法支持度估计的精度和算法的有效性。

基于Hadoop的海量学习资源云存储模型设计研究

由于多媒体技术不断发展,学习资源呈爆炸式增长,给资源存储提出了新的挑战。Hadoop平台对小文件的存储和访问存在内存消耗高、存储空间浪费等问题。针对这种情况,分析学习资源的特点,设计两级Hadoop模式,优化学习资源存储策略,提出基于多层次Hadoop的学习资源云存储模型。并在实验室环境下搭建存储模型,对多类型的学习资源文件进行存储测试分析。分析结果表明,模型在存储空间、内存消耗和存储效率上较传统Hadoop模型有着明显的改善,适合海量学习资源的存储需求。

一种最优特里树合并算法

在一个内存有限的物理路由器上，可能需要部署几十个甚至几百个虚拟路由器。为节省内存开销，提出一种最优特里树合并算法。采用动态规划方法求解每棵特里树的初始合并节点和最优特里树的节点数，在动态规划计算过程中记录任意2个节点达到最优匹配时的子节点排列，根据计算结果构造最优特里树。实验结果表明，与简单特里树合并算法相比，该算法能节省20％-90％的内存开销。

Hoare分类算法的效率改进研究

本文是一篇如何实现改进Hoare分类算法效率的方法研究。文中提出的一个新的快速分类的改进方案优于其它的快速分类算法,其平均分类速度是Hoare原算法的1.6倍左右,额外的内存开销仅为2*[log_2(N/10)]。文中还给出了在IBM-PC/XT微机上对大量随机数排序的实验结果。

基于邻接多重表的动态频繁项集挖掘算法

为解决传统的Apriori算法多次扫描数据库和多次连接带来的时间开销及加入新事务时未能实时动态更新频繁项集的不足,对传统Apriori挖掘算法和基于矩阵频繁项集动态挖掘算法的执行效率和空间利用情况的问题进行深入分析,提出基于邻接多重表的动态频繁项集挖掘优化算法。将所有事务项映射到带有权值的邻接多重表结构上,通过遍历邻接多重表结构来挖掘频繁项集,在加入新事务时可以动态更新频繁项集。实验结果表明,该算法在执行性能上有一定提升,减少了内存开销,弥补了加入新事务时未能实时动态更新频繁项集的不足。

DEM混合建模

基于GRID和TIN的优缺点,提出了GRID和TIN的混合建模模型,详细讨论了建立混合模型的步骤。最后利用OpenGL技术,对地形模拟区域进行了实验测试,并以时间消耗和内存开销为评价指标对GRID,TIN和混合建模方法进行了比较。结果表明,在分辨率一定的情况下,混合建模的效率要高于TIN方法,小于GRID方法,在内存开销方面,TIN方法开销最大,混合建模次之,GRID建模方法最小,综合两方面因素可以看出,混合建模方法要优于TIN和GRID方法。混合建模模型既保持了矩形格网存储量小,易于管理、使用的特点,又继承了三角网能较好的顾及地貌特征的优点,起到了扬长避短的作用。