DNA中的数据挖掘和启动子识别

直接从序列水平识别启动子（Promoter）有重要的学术价值和可观的经济价值。但是一直没有一个第一、二类错误都小于30％的识别软件。在统计基础上，本文指出了简单利用权重矩阵或保守序列识别启动子的传统方法效果不佳的原因，提出了以转录因子结合位点（Transfactor Binding Sites,TFBSs)的相互作用的信息为基础的启动子识别模型；本文首次指出了7－tuple在启动子识别中的重要作用，提出了无需TFBSs数据库的自学习方法。本文给出了基于上述思想进行的一些统计，并设计了一套启动子识别方法。其在多个检测集上的平均识别结构为：第一类错误小于24％，第二类错误小于21％；最差识别结果为：第一类错误26％，第二类错误24％。     

结合离群值对广东省进出口总额的预测分析

以国际贸易理论为基础,利用广东省若干宏观经济数据,对广东省进出口额进行实证分析.本文采用了季节性ARIMA模型并结合离群值分析的方法对进出口额进行研究.实证分析此方法具有良好的效果.     

基于传导变换的传导知识研究

基于传导变换的传导知识是一类重要的可拓知识.本文以传导变换和传导效应为基础,规定了传导度和传导知识的定义与类型,为研究传导知识的挖掘奠定理论基础.     

Pattern recognition and data mining software based on artificial neural networks applied to proton transfer in aqueous environments

In computational physics proton transfer phenomena could be viewed as pattern classification problems based on a set of input features allowing classification of the proton motion into two categories： transfer ＇occurred＇ and transfer ＇not occurred＇. The goal of this paper is to evaluate the use of artificial neural networks in the classification of proton transfer events, based on the feed-forward back propagation neural network, used as a classifier to distinguish between the two transfer cases. In this paper, we use a new developed data mining and pattern recognition tool for automating, controlling, and drawing charts of the output data of an Empirical Valence Bond existing code. The study analyzes the need for pattern recognition in aqueous proton transfer processes and how the learning approach in error back propagation （multilayer perceptron algorithms） could be satisfactorily employed in the present case. We present a tool for pattern recognition and validate the code including a real physical case study. The results of applying the artificial neural networks methodology to crowd patterns based upon selected physical properties （e.g., temperature, density） show the abilities of the network to learn proton transfer patterns corresponding to properties of the aqueous environments, which is in turn proved to be fully compatible with previous proton transfer studies.     

一种新型的自适应入侵检测系统的研制

针对当前入侵监测系统存在的自适应能力较差、扩展性差的问题，基于面向混合类型数据的快速启发式聚类算法FHCAM和属性约束的模糊规则挖掘算法ACFMAR，提出了一种采用数据挖掘技术的自适应入侵检测系统DMAIDS．该系统通过划分聚类的方法划分出异常入侵记录；模糊关联规则的方法提取入侵模式．通过对1999年举行的数据挖掘大赛所使用的10%子集进行实验，结果表明该系统平均检测率和平均误检率比大赛获得冠军检测方法准确率提高了近2倍，检测率从数据子集1的65．25％自适应提高到数据子集9的85．7％能自适应的检测各种攻击，表明该系统具有很好的应用前景。     

应用数据挖掘的束流状态描述建模

聚类分析是描述数据群体特征的有效方法.然而,随着挖掘数据库规模的增大,评分函数极值搜索是计算复杂度很高的问题.文中提出了一种新的算法,并将其运用到束流状态描述建模中.试验结果表明,该算法快速有效.同时,重复性是电子储存环的重要指标,聚类模型可作为机器研究和决策的依据,具有指导意义.     

电子政务系统中面向公众的个性化信息服务模型

电子政务作为Internet的主要应用领域，已受到世界各国的普遍关注。面对公众各种服务需求日趋个性化，如何打破政府职能机构的条块分割，构建一个一体化的虚拟政府，集成各类信息资源，为公众提供“一站式”的、个性化的服务，是当前电子政务理论和实践的热点课题。本文首先提出一个面向公众的“一站式”服务总体框架；其次，将个性化信息服务的概念引入到电子政务系统中，构建一个个性化信息服务模型；最后，运用数据挖掘技术对模型中的关键技术加以实现。     

关联规则向量化挖掘算法及其在车险精算中的应用

本文首先回顾了关联规则的基本概念和传统的Apriori算法，然后利用关联规则的数据库是布尔型数据库的特点，在计算关联规则的支持度和置信度的时候引进向量数乘和向量内积的概念，得到关联规则向量化挖掘算法ARVDA，避免全数据库逐条记录模式匹配和属性分层，提高算法的速度．最后，本文利用提升度量关联规则的重要性，采用单独追踪和对比分析方法，衡量车险精算中风险因子的有效性．结果表明把车辆使用性质作为车险定价的分级因素是比较合理的，对于非运营车辆需要合理的费用附加．     

基于粗糙集理论的智能数据分析模型

粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.提出了一种基于粗糙集理论的智能数据分析模型,从目标数据集出发,通过数据预处理、数据分类和规则获取,实现对原始数据集的智能分析,并通过实例测试验证了该模型的有效性.     

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。