基于STL文件的模型及应用

针对模型输入数据的特性,就STL文件的模型的显示与组织分离进行了研究。根据STL文件的特点以及应用需要,设计了邻接表和索引表作为数据结构,并在此基础上采用矢量逼近的方法给出了模型不同组织间的分割算法,最后利用OpenGL的图形渲染功能在VC++6.0下显示了STL文件格式的模型及其分离后的部分。结果表明,新设计的算法拓扑结构合理,实用性较强。

在线分割时间序列数据

时间序列分割是时间序列数据挖掘研究的重要任务之一.它主要有两个应用:检测生成时间序列的系统何时发生变化;创建时间序列的高级数据表示,从而对时间序列进行索引、聚类和分类.在实时时间序列数据挖掘应用中,需要在线时间序列分割算法,以便实时发现和预测时态模式.在对时间序列分割问题进行形式化描述的基础上,提出了一种评估时间序列的分割结果以及分割算法性能的评价指标,并提出了一种在线分割时间序列数据的递推算法(on-line segmentation,简称OLS).OLS的一个显著特点是不依赖有关时间序列的先验知识.实验结果说明,OLS算法能够有效地在线检测出数据挖掘应用中感兴趣的关键变化点,而且过拟合程度低.

滑动窗口二次自回归模型预测非线性时间序列

提出一种新颖的非线性时间序列预测模型 ,即滑动窗口二次自回归 (MWDAR)模型 .MWDAR模型使用部分的历史数据及其二次项构造自回归模型 .模型参数用线性最小二乘法估计 .应用模型进行预测时 ,预先选定窗口大小以及模型一次项和二次项的阶次 .在每个当前时刻 ,先根据窗口内的数据估计模型参数 ,然后根据输入向量及模型参数做出预测 .这种预测方法不仅适合小数据集的时间序列预测 ,而且对大数据集具有极高的计算效率 .该文分别用H啨ｎｏｎ混沌时间序列数据和真实的股票交易数据作了ＭＷＤＡＲ方法与局域线性化方法的 1步和多步预测对比 ,结果显示MWDAR方法无论在预测精度上 ,还是在计算效率上都优于局域线性化方法 .

基于STL文件的拓扑重构新方法

通过对STL文件的分析和几种常用数据结构的比较,给出了一种层次环状数据结构,该结构是由快速排序顶点序列进行冗余顶点滤除,并建立顶点邻接表和三角面片邻接表而得到的。由于邻接表中存储的是点、面的索引号,从而提高了后续查找的效率,节省了存储空间。本方法已成功应用于虚拟牙齿矫正系统的开发,同时也适用于其它各种以STL为数据交换格式的系统。

基于SGNN的报税欺诈检测

税收申报欺诈检测是税务机关税收征管和稽查中面临的一个重要问题。提出一种基于自生成神经网络(SGNN)的税收申报欺诈检测方法。首先用采样来的企业经营和财务数据训练好一个SGNN网络,然后用这个SGNN网络判断一个企业的报税额是否真实。实验结果说明所提方法是一种有效的方法:在31个测试样本中,检测精度达93.55%,比基于C5.0的方法高了近10个百分点,而训练时间只需0.1875s。

基于SVM的报税欺诈检测

税收申报欺诈检测是税务机关税收征管和稽查中面临的一个重要问题。该文提出了一种基于SVM的税收申报欺诈检测方法。首先用采样来的企业经营和财务数据训练好一个SVM识别系统,然后用这个SVM识别系统判断一个企业的报税额是否真实。实验结果说明该方法是一种有效的方法,在31个测试样本中,检测精度达87.10%,比基于See 5.0的方法高3.23%,而训练时间只需1.708s。

检测时间序列数据中的例外模式

提出一种从时间序列数据中辨识例外模式的系统化方法,包括4个步骤1)将时间序列数据分割为一系列子序列;2)将这些子序列映射到某个特征空间;3)在此特征空间中,用聚类算法将分割得到的子序列聚类为不同的模式;4)定义例外支持的概念,并计算每个模式的例外支持,如果某个模式的例外支持小于1,则该模式是一个例外模式。实验表明该方法能够有效地监测出时间序列中的例外模式。