基于数据融合理论的煤矿瓦斯动态预测技术

针对煤矿瓦斯预测中存在的问题,提出了一种以数据融合理论为基础,利用贝叶斯估计方法和自适应加权进行信息处理和数据融合,利用Dempster-Shafer证据理论解决瓦斯预测过程中的不确定性和不精确性问题,并综合考虑煤矿井下瓦斯浓度等相关参数的新方法,实现了对瓦斯状态信息的在线整合,优化了预测参数,提高了煤矿瓦斯预测预报的准确性.该方法从整体上确立了同源数据的完备性,实现了煤矿瓦斯的动态预测.

基于SAX方法的股票时间序列数据相似性度量方法研究

特定数据集上高效的相似性度量方法是目前时间序列数据挖掘领域研究的重点内容之一。针对经过SAX方法降维后的股票数据在相似性度量中缺乏趋势变化的动态信息这一问题,本文提出了一种融合了点距离与模式距离优点的新型相似性度量函数——复合距离函数,并通过实证分析验证了该距离函数在相似性度量中的有效性,为揭示股票数据间相互依赖的规律以及时间序列相似性问题的进一步研究提供了新思路。

关于搜索引擎的研究综述

由于目前搜索服务被越来越多的用户所认识和青睐,各样的搜索引擎也应运而生。文中阐述了搜索引擎的工作原理,并对搜索引擎按照不同的依据对其进行分类。介绍并比较目前较为有名气同时其发展历史也推进了搜索引擎的发展的几个搜索引擎,最后提出目前搜索引擎所存在的问题。

UML在柔性管理信息系统开发中的应用

为了解决管理信息系统在实际开发应用中的企业需求的“柔性”和系统自身的“刚性”的矛盾问题,采用应用建模的方法,以领导综合查询系统科研项目为实例,总结了UML的建模机制与方法。在该系统的开发过程中,利用UML,完成了系统的需求分析,概念设计和详细设计,构建了系统的需求模型、静态结构模型和动态的行为模型。结果表明,系统可视化模型的建立,加深了用户对系统的开发平台、体系架构和实现功能的认识,用户的意见不断的修补系统的模型和文档,大大减少了系统实现阶段的工作量,有效应对用户的需求变更,提高了系统对企业环境的适应能力。

基于关联规则的手写体汉字识别技术

针对汉字识别中传统的模糊方位转换技术诸多缺陷提出一种改进方法 :加权平均模糊方位代码 (加权AFDC)法 ,以增强识别算法的鲁棒性和泛化能力 ;对数据挖掘技术中的关联规则进行改进以适应对文字样本库进行泛化的应用 ,抽象出特定属性———部首 ,并实现样本库的动态进化。从而在得到文字更贴切的表示方式的同时 ,对部首库依据支持度排序以实现快速识别 ,提高识别的自适应性、柔韧性。

导料槽内煤尘爆炸危险性数值模拟与试验研究——浓度分析法

导料槽配合除尘器是干式除尘的必需方式之一。为了预防皮带导料槽内煤尘爆炸和对导料槽内煤尘爆炸危险性进行分析,必须对皮带导料槽内及作业空间粉尘浓度的分布范围和特征进行相关的数学模拟和试验分析。以我国最大的选煤厂为研究基地,应用气固两相流理论对粉尘浓度进行了数值模拟,得出了运煤胶带导料槽内粉尘浓度的分布规律,并与实际测试相结合,对运煤胶带导料槽内煤尘爆炸危险性进行了分析。结果表明:该选煤厂应用的除尘设备安全可靠,运煤胶带导料槽内煤尘不存在爆炸危险性。该结论为选煤厂的煤尘爆炸危险性分析提供了有用的理论和实践参考。

基于ADO．NET的通用数据访问层设计方法研究

在NET平台上进行应用软件开发时,为了实现与后台具体数据源的相对独立,首先将每个表与一个DataSet绑定,其次针对此表的访问需求给出访问接口,接着针对不同的数据源在该接口的基础上实现访问类,最后利用Factory模式根据配置文件信息动态实现对不同数据源的访问,从而实现了独立于数据源开发软件的目的。

基于小波理论的Web挖掘模型研究

为了对internet上的半结构化数据进行分析,发现其内在的关联模式,论文提出了基于小波理论的web挖掘模型,该模型支持web挖掘的全过程。Web挖掘模型由数据采集器、预处理器、数据约简、挖掘综合器、挖掘方法库和系统维护六部分组成。该模型应用小波聚类分析方法。实现了对经过预处理的Web数据进行约简的功能。去除了一些冗余的无意义的数据,优化了系统的性能,提高了web挖掘质量。

模糊综合评价法在研究生教育评价中的应用

研究生教育问题现今已成为社会各界人士关注的焦点。文章首先建立了研究生教育评价指标体系,并在此基础上采用了模糊综合评价方法,通过具体实例分析,表明该指标体系以及评价方法具有一定的实用性和可操作性。

基于微博短文本的用户兴趣建模方法

针对微博用户兴趣建模问题,提出一种在微博短文本数据集上建立用户兴趣模型的方法。为缓解短文本造成的数据稀疏性问题,在分析微博短文本结构和内容的基础上,给出微博短文本重构概念,根据微博相关的其他微博短文本和文本中包含的3种特殊符号,进行文本内容的扩展,从而扩充原始微博的特征信息。利用HowNet2000概念词典将重构后文本的特征词集映射到概念集。以抽象到概念层的文本向量为基础进行聚类,划分用户的兴趣集合,并给出用户兴趣模型的表示机制。实验结果表明,短文本重构和概念映射提高了聚类效果,与基于协同过滤的微博用户兴趣建模方法相比,平衡均值提高29.1%,表明构建的微博用户兴趣模型具有较好的性能。

基于粗糙集的供应商评价选择

针对传统的供应商评价选择方法不能有效处理不完备数据信息、没有充分利用以前的评价结果等不足之处,将粗糙集理论中的规则提取技术和知识库构造技术应用到供应商的评价选择方法之中,依据供应商综合评价指标体系的设置原则,建立了相应的供应商综合评价指标体系,按照数据获取、初始决策表构建、数据预处理、建立区分矩阵、构造区分函数、属性约简、决策规则获取、值约简、最优决策规则获取、知识库构造、供应商分类的处理过程建立了基于粗糙集的供应商评价选择模型。最后以某企业的供应商数据为例进行了实证分析,通过模型得到的决策规则是合理性的。

煤矿立井井筒非采动破裂预测

利用组合技术对KNN算法进行改进,并将其应用于煤矿立井井筒非采动破裂的预测.选取表土层厚度、底板含水层厚度、底板含水层水位速降、井筒外径、井壁厚度和井筒投入使用时间作为井筒破裂的特征属性,以工程实测数据作为训练样本,建立基于组合技术的KNN预测模型,并使用测试数据对模型进行测试.实验结果表明,该模型预测精度较高,错误率很低.

一种组合K近邻聚类在煤与瓦斯突出预测中的应用

针对煤与瓦斯突出影响因素复杂,即不仅具有随机性,又具有模糊性。为了保证预测的准确性,采用组合聚类策略。通过建立多个k近邻聚类器,可以产生多个簇集。来自不同簇集的子簇之间必然存在交集,最后利用子簇的加权连通图合并子簇。以平顶山八煤矿煤与瓦斯突出的相关因素指标为基础,对历年的煤与瓦斯突出的数据进行聚类分析,预测结果表明,该方法具有较好的预测效果,为煤与瓦斯突出预测提供了一种新的解决方案。

采用改进的k均值聚类分析策略的粒子群算法

对于多维函数的最优解搜索,粒子群优化算法存在前期易陷入局部最优,后期收敛速度缓慢的问题。将改进的k均值聚类分析策略与PSO相结合提出了一种混合粒子群优化算法CA-PSO。在算法中,利用改进的k均值聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能。不仅增加了粒子间的信息交换,抑制了早熟收敛,并且提高了全局寻优速度和计算精度。理论证明,在一定条件下,CA-PSO具有稳定收敛性。仿真结果表明,CA-PSO性能优于基本粒子群优化算法。

基于模糊逻辑的供应商选择

针对传统选择供应商方法的效率较低的问题,采用模糊聚类方法,将供应商的选择过程分为两个阶段:筛选阶段和择优阶段。使用模糊聚类的方法筛选出潜在的供应商,将候选供应商的数目降低到一个合适范围内;使用模糊决策的方法对筛选出的供应商进行综合评价,选择出适合企业的供应商,建立了供应商选择的两阶段模型,有利于企业提高管理的决策质量和管理效率。

基于节点相似度的社团检测

针对目前社团结构检测算法计算量大以及不稳定的问题,在经典的Newman快速与LPAm的基础上提出了一种基于局部信息的社团发现新算法。算法利用节点度和共享邻居数定义节点相似度,并结合两个预设参数,逐步优化社团结构。性能分析证明,该算法不仅具有线性阶时间复杂度,而且是一种稳定的算法。实验结果表明,该算法在准确度上优于Newman快速和LPAm,且可行与有效。

基于竞争学习的K质心组合聚类算法

K-Means算法的聚类结果对初始簇的选择非常敏感,通常获得的是局部最优解而非全局最优解。为此,在K-Means聚类算法基础上,引入组合聚类和竞争学习概念,提出一种基于竞争学习的K质心组合聚类算法CLK-Centroid。该算法采用竞争学习策略计算簇的质心,以适应噪声数据和分布异常数据的要求,使用组合聚类策略提高聚类的精度。在数据集上构建多个CLK-Centroid聚类器进行聚类,构建子簇相似矩阵,并根据子簇之间的相似性合并相似簇。理论分析和实验结果表明该算法能够提高聚类质量。

企业核心竞争力的Web挖掘

为了解决如何让提高基于虚拟企业的企业核心竞争力问题,分析了企业核心竞争力信息在虚拟企业合作伙伴选择过程中的重要性,提出了一种企业核心竞争力信息的Web挖掘模型,建立了企业核心竞争力的知识库,并给出了企业核心竞争力信息Web特征提取的算法,通过实践验证,具有良好的效果。

基于变换的时间序列相似性分析

为了解决时间序列相似性比较问题,采用从时间序列的直观特征分析入手进行定义的方法,定义了具体的基于变换的时间序列的相似性,并分析了良好的时间序列变换函数所应具备的性质,讨论了一些有代表性的基于变换的时间序列相似性的定义和分析方法,对这些方法的基本思想加以提炼和总结,并讨论了这些方法的优、缺点,为基于变换的现代时间序列分析方法研究提供了较为完整的成果概览。同时,提出了借助变换函数来对时间序列的相似性进行定义的方法,为进一步做好时间序列相似性的比较工作提供了具体方向和理论依据。

基于信息熵和几何轮廓相似度的多变量决策树

现有的多变量决策树在分类准确性与树结构复杂性两方面优于单变量决策树,但其训练时间却高于单变量决策树,使得现有的多变量决策树不适用于快速响应的分类任务。针对现有多变量决策树训练时间高的问题,提出了基于信息熵和几何轮廓相似度的多变量决策树(IEMDT)。该算法利用几何轮廓相似度函数的一对一映射特性,将n维空间样本点投影到一维空间的数轴上,进而形成有序的投影点集合;然后通过类别边界和信息增益计算最优分割点集,将有序投影点集合划分为多个子集;接着分别对每个子集继续投影分割,最终生成决策树。在八个数据集上的实验结果表明,IEMDT具有较低的训练时间,并且具有较高的分类准确性。