基于关系数据库的关联规则挖掘算法DB-growth

从大数据中挖掘隐藏的、多维的有价值的关联规则具有广泛的应用价值。关联规则挖掘经典算法Apriori存在重复扫描数据库并产生大量候选项集的瓶颈问题,FP-growth算法虽不产生候选集,但FP-tree不支持大数据的存储与遍历,不能有效支持大数据挖掘;另外,Apriori以及FP-growth算法实施增量挖掘都需要重构关联规则,不适用于增长型事务数据挖掘。针对这些问题,设计基于关系数据库表SourceIndex的DB-growth算法,采用模式组合生成模式串的方式,更新数据库构建频繁集,有效地提高了关联规则的挖掘效率,同时对增量挖掘及深度挖掘也能得到较好的支持。更多还原     

比特化敏捷减枝的KVABS算法

借助于课题实验环境的医疗云平台,利用比特化敏捷减枝方法改进Apriori算法,得到更简单快速的KVABS算法,对医学干预数据进行分析,挖掘出H型高血压病理成因的主要影响因子。实验结果表明,基于比特化敏捷减枝的KVABS算法性能较经典Apriori算法有明显提升,降低了算法的时间复杂度。     

基于散列技术的高效剪枝关联规则挖掘算法

该算法结合项集的有序特性有效压缩了频繁项集的数量,提高了算法效率,但是频繁2-项集的产生仍需要占用大量的存储空间,本文利用散列函数对候选频繁2-项集进行剪枝,这样频繁集的数目大大减少,不仅节省了存储空间、减少了计算开销,而且又保持了频繁项集的完整性。     

基于事务压缩的频繁项集挖掘和更新算法

频繁项集挖掘是挖掘关联规则的关键。为了得到用户感兴趣的关联规则，要不断调整最小支持度，这必将引起频繁项集的更新。基于事务压缩思想，提出一种挖掘和更新算法，挖掘频繁项集时扫描压缩的数据库，更新时能减少新产生的k-项集的数量，从而加快了更新速度。     

一种基于Hash_tree的产生关联规则的方法

介绍了一种基于Hash-tree的产生关联规则的方法。在此方法中通过在候选集排序和在获得项集出现次数的时候采用了Hash-tree的方法大大提高了算法实现的速度，并在实际应用中也取得了很好的效果。     

关联规则增量式更新的改进算法

关联规则是数据挖掘中的重要研究内容之一，对在事务数据库不变，只对最小支持度和最小可信度进行改变的情况下，针对关联规则的维护问题，设计了一个增量式更新的改进算法AIUA。     

基于改进兴趣度度量与Apriori算法的交通事故多发点成因分析

人、车、路、环境和交通管理构成了道路交通系统，造成道路交通事故的原因是综合、复杂的。正确快速地分析事故成因，有助于提升交通管理水平，减少交通事故的发生。近年来，关联规则模型及其扩展在事故多发点成因分析中备受关注。针对关联规则分析中传统的兴趣度度量方法和Apriori算法的局限，考虑小概率因子对交通事故的影响，提出了改进的交通事故多发点成因分析方法，明确评价因素和结果之间的关联程度，提高挖掘效率。基于浙江省某市交通事故数据，结合人、车、环境与时空因素对方法进行了验证，并对方法的分析效率和结果的有效性进行了讨论。     

基于多支持度的增量式关联规则挖掘算法

传统的基于关联规则的挖掘算法采用的是统一的最小支持度,但是在实际的事务数据库中数据项的重要性是不同的。针对目前多支持度和增量式关联规则更新维护的局限性,提出一种基于多支持度的增量式关联规则挖掘算法。允许用户根据不同项的重要性设置权值,有利于发现更多有趣的规则。采用矩阵的向量内积策略,结合动态剪枝,无需多次扫描事务数据库,不生成庞大候选集。实验结果验证了算法的有效性。更多还原     

挖掘泛化序列模式的一种有效方法

针对有时间约束的泛化序列模式的挖掘问题，提出了一种有效的挖掘方法，与已有的算法相比，主要通过采取两种技术来提高效率，一是事先找出每个数据序列支持的序列模式，从而去除了时间因素，用一个快速算法求解决匹配问题；二是在数据序列重复较多时采用直接求交的方法，在此基础上提出了一个基于数据库划分的挖掘算法。     

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段：一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.     

多符号差分酉空时系统的低复杂度M算法设计

为了解决多符号差分检测（MSDD）高计算复杂度的问题,已经提出了一系列低复杂度次优的检测算法,其中,M算法因其具有固定的复杂度和时延被广泛关注.当前,M算法在多符号差分检测中的运用大多假设每层的保留分支数M值是相同的,而这种方法在复杂度的角度来看并不是最佳的方法,鉴于此本文提出了一种动态M算法,即每层保留分支数设为不同的值,通过仿真分析得出该方法与恒定M值的方法比较不仅使扩展和更新的分支数减少,而且在高信噪比时其性能更优越.另外目前对M算法的研究主要集中在通过减少节点扩展分支数来降低复杂度,而对每层选取最佳M条路径的排序方法的研究几乎是空白,因此基于多符号差分检测系统对一种低复杂度的排序方法进行了研究.分析表明这种方法相比传统冒泡排序方法可以节约75.39%的比较交换次数.该方法的运用使得M算法更有利于在实际当中的运用.     

一种改进型低复杂度的超宽带信道估计算法

针对多带正交频分复用（MB-OFDM）的超宽带系统,为减小其常规最小均方误差算法的运算量,提出一种改进型低复杂度的超宽带信道估计算法.新算法在原最小均方误差算法的基础上,将求逆问题转化成一簇线性方程组的求解问题,然后通过初等行变换直接得到信道的估计值.新算法不仅降低了原最小均方误差算法的复杂度和运算量,而且保持了原估计方法的性能.并且基于超宽带标准信道CM1的计算机仿真结果也验证了新方法的有效性.     

求一切完美匹配的一个算法

本文设计了一个求一切完美匹配的算法,它由下面的四个子算法组成:算法1 利用Edmonds.J算法,求一个完美匹配M(略)。算法2 利用类似深度搜索法的技术,求含M的某条边的一切M-交错回。算法3 求一切M-交错回。算法4 求一切完美匹配。     

一种改进的多符号反馈检测算法在快速瑞利衰落信道中的研究

针对多符号差分检测（MSDD）存在着和分组长度成指数级的高计算复杂度的问题,提出了一种改进的多符号反馈检测（IMDFD）算法,它除了具有低复杂度的性能外,还能克服多符号反馈检测（MDFD）的错误传播和低信噪比下性能恶化的问题．仿真结果表明这种算法通过增加观察间隔,能很好地填补差分检测和相关检测之间的性能间距,并且随着考虑的序列长度逐渐减小,IMDFD算法在复杂度稍微增大的基础上,系统的性能也在逐渐增强．     

降低OFDM系统峰均比的一类改进算法

提出一类改进型算法来解决传统选择映射法不能完全抑制高PAPR信号的出现以及运算量很大的问题,从而保证OFDM系统能有较低的PAPR及其OFDM技术的实用性．新算法是一种结合了限幅法和改进SLM算法的复合型算法,计算机仿真结果证明：新方法不仅有效降低了OFDM系统的PAPR,而且运算量小,系统性能基本不受影响．     

Darrieus型垂直轴风力机气动特性研究

本文结合叶素动量算法,研究了Jacobs等人建立的关于达里厄型垂直轴风力机的几种数据库,并进行了研究比对。基于美国桑迪亚国家实验室的现场可靠的实验研究,通过建立在几种数据库上的模拟仿真和实验数据比对,研究表明,叶素动量算法模拟结果可以和大多数的数据库很好的吻合,但是动态失速条件下例外,尤其是在低雷诺数时,原因是对升力系数过低的估算。研究还表明,在不同型号不同转速条件下Jacobs数据曲线更接近于实验曲线,因此,利用叶素动量算法对达里厄型垂直轴风力机进行仿真模拟研究时,应首选Jacobs数据库。     

分布式异构数据库中相关规则并行开采研究

首先简单介绍了相关规则及其并行开采算法的一些基本情况,然后指出了现有算法在分布式异构数据库中不能有效利用计算资源和造成信息丢失的问题．在证明了一个基本的定理之后,提出了基于ＨＤＤＭｉｎｅｒ模型的异步并行算法,并就其中的一些问题作了说明．最后,介绍了分布式异构数据库中数据开采的并行算法中一些仍需继续研究的问题．     

基于循环平稳特性的OFDM盲信道估计算法

准确的信道估计是无线通信可靠传输的关键技术之一,因此提出一种基于OFDM信号循环平稳特性的单k盲信道估计算法.该类算法无须改变循环频率,而是利用延迟变量的z变换中2个相关值来估计信道,并采用部分频谱信息提出的简化算法可进一步减小运算量.计算机仿真结果验证：单k盲信道估计算法性能明显优于双k算法,而简化的单k算法虽然在高信噪比时性能有所下降,但算法复杂度却大大降低了.