基于FP-growth算法监控设备故障诊断技术研究

早期故障诊断算法都是Apriori算法,即首先产生候选集,然后在候选集的基础上找出频繁模式,然而,Apriori及其类似算法仍然产生大量候选项集,并需要反复扫描数据库。这严重影响了算法的效率。Jiawei Han,Jian Pei和Yiwen Yin提出的FP-growth算法是一种本质上不同于Apriori算法的挖掘频繁模式的有效方法,只需要扫描两次数据库。实验分析表明,FP-growth比Apriori快出一个数量级。因此采用FP-growth算法来诊断故障。     

NDN下DHT算法的设计与实现

设计了一种命名数据网络(NDN)下的分布式散列表(DHT)算法——ndnDHT,首次将DHT应用到NDN中;利用NDN的命名结构,提出了一种新的二进制命名方法,将key空间映射到NDN名字空间,以此实现DHT中的路由和转发等操作;设计了一种分配节点标识符的动态随机选择方法,使得ndnDHT算法的负载更加均衡;最后,基于NS-3和ndnSIM实现了ndnDHT算法,通过模拟实验验证了ndnDHT算法的可行性.     

无限网状结构对拉链法解决地址冲突问题的优化

本文提出利用无限网状结构对拉链法解决地址冲突问题进行优化,通过实例证明,此法提高了拉链法解决散列表中存在的地址冲突问题的工作效率。     

散列表快速查找算法在单片机系统中的应用

为了在单片机系统的有限资源内实现动态查找表的查找。文中提出了一种基于单片机的散列表快速查找算法，给出了散列表数据结构、哈希函数和存储空间的管理思想。     

对Linux系统中的iptables过滤模块的改进

为了改善现有linux系统内核iptables模块在数据包过滤中线性匹配规则的效率。采用了散列表和动态平衡树来组织过滤表，提出了按照三层递进式的搜索规则，减少了原来的线性查找重复匹配的次数，改进了过滤效率，并确保原有功能不变。把A个IP地址、B个网络设备和C个协议规则的过滤表查找时间复杂度从O(A*B*C)降低到m*0(log2A) n*0(B) k*0(10g2C)，(m，n，k为系数因子)。通过适当增加数据结构，安排合理的搜索规则，在有限的系统开销内，可以提高数据包过滤的规则匹配效率。     

基于决策树的毕业生课程优化算法设计

利用高校已有的毕业生就业信息,应用统计规律性和决策树数据挖掘理论,发现隐藏在毕业生就业信息后的信息,为学校根据社会需求变化而变更培养人才结构提供决策支持。     

基于FPGA设计的DDS优化算法

在FPGA中集成多个DDS的方法在电子对抗中有较好的应用前景。在对极性和三角函数变换进行分析的基础上,提出了一种利于FPGA实现的DDS优化算法,可以在保证较高杂散抑制指标的同时大幅度减少波形存储表容量,同时给出了基于MATLAB和FPGA实现的算法仿真结果。     

数据挖掘中决策树算法的优化应用研究

决策树算法是数据挖掘中一种非常重要的分类方法.决策树具有属性结构和较好的分类预测能力,提供了基本的提取决策规则.本文阐述了决策树算法的基本思想,并分析了决策树算法运用中会遇到的一些问题,并针对性的提出一些建议.     

奇异值分解算法优化

奇异值分解算法在信号处理、图像处理、信息安全等领域均有重要应用.针对该算法存在的性能问题,提出了基于gamma:1驱动的数据重用模型,提高计算负载平衡性,降低数据通信量;给出基于多处理器的并行分解模型,数值试验均表明算法具有较高的并行加速比和效率.     

结构化P2P网络中基于流言传播的负载均衡

提出了结构化P2P网络中利用结点间周期性的拓扑维护通信来夹带、传播消息进行负载均衡的方法，具体针对Chord系统从消息传播的速度和规模两个方面分析了该方法的性能，并利用仿真进行了验证。讨论了结论在其它形式网络中的推广和实现中的消息管理问题。     

模糊FP-growth在入侵检测中的应用

关联规则挖掘技术目前被广泛应用于入侵检测系统中。关联规则挖掘算法之一的FP-growth算法在处理数值量的输入时需要二值化,使得准确率不高;而Fuzzy Apriori算法需要重复扫描数据库,效率较低。针对此问题,改进现有的FP-growth算法,提出模糊化FP-growth算法,从而提取模糊关联规则,用于N类异常数据的分类入侵检测。在KDDCup＇99数据集上评估,结果表明对于数值量的输入,该方法应用于入侵检测准确率高于FP-growth算法,学习效率高于Fuzzy Apriori算法。     

单维关联规则快速Apriori算法研究

文章通过Apriori和Apriori Tid算法结合生成局部频繁项集，改进了Apriori算法运行速度过慢的问题．再通过程序优化进一步提高了算法运行速度．得到了快速Apriori算法。     

一种基于邻接表的最大频繁项集挖掘算法

针对Apriori算法与FP-Growth算法在最大频繁项集挖掘过程中存在的运行低效、内存消耗大、难以适应稠密数据集的处理、影响大数据价值挖掘时效等问题,该文提出一种基于邻接表的最大频繁项集挖掘算法。该算法只需遍历数据库一次,同时用哈希表对邻接表进行辅助存储,减小了遍历的空间规模。理论分析与实验结果表明,该算法时间与空间复杂度较低,提高了最大频繁项集挖掘速率,尤其在处理稠密数据集时具有较好的优越性。     

FSP:一种基于图论的频繁结构模式挖掘算法

研究在图集中挖掘频繁结构模式的方法，并提出了一种发现频繁结构的新算法FSP（Frequent Structure Pattem Mining），通过在图中建立了一种新的字典顺序，并把每个图映射成唯一的最小DFS编码作为图的规范形式，从而把图转换成一个序列。基于这种字典顺序，FSP算法不需要生成候选，采用深度优先搜索策略挖掘频繁连通子图。试验结果显示，FSP算法在性能上优于以前的算法。     

一种分布环境中最大频繁项目集挖掘算法

挖掘最大频繁项目集是数据挖掘中的重要研究课题。目前已经提出的最大频繁项目集挖掘算法大多是基于单机环境的，在分布环境中挖掘最大频繁项目集的算法尚不多见。文章提出了一种基于分布数据库的并行挖掘最大频繁项目集的算法。该算法尽可能地让每个处理器独立地挖掘，采用频繁模式树（FP—tree）作为数据结构，可方便地从各局部FP-tree中挖掘局部最大频繁项目集及判断各项目集的支持度。采用传递候选最大频繁项目集的方法。实验表明该算法是有效的并行算法。     

一种不产生候选集的最大频繁集快速挖掘算法

发现最大频繁(项目)集是关联规则挖掘中的重要问题。提出一个基于频繁模式树FP—Tree(Frequent Pattern Tree)的快速发现最大频繁项目集算法MFP—growth(Maximum Frequent Pattern growth)，其发现过程中不需要产生候选(项目)集，从而提高了挖掘效率。由实验结果表明，此算法在发现最大频繁项目集方面具有很好的性能。     

挖掘关联规则频繁项集的算法研究及其Prolog实现

挖掘事务库中的频繁项集是数据挖掘的重要任务之一。文章对求关联规则中频繁项集算法进行了分析，着重叙述了DHP算法的设计思想，并用Prolog语言实现，试图探讨用逻辑推理方法解决数据挖掘问题。     

一种基于学习的自适应哈希算法研究

通常在一般关系数据库中采用的哈希函数都是针对某一应用而设计的。在具体应用中该函数也许是最优化的．但不能保证该函数适用于其他应用场合。本文提出一种基于枚举的自适应哈希算法并对该算法进行研究。实验表明．该算法能够使数据分布达到最优化，显著地提高数据的存取和查询效率。     

基于微粒群算法的聚类分析

文章将微粒群算法应用于数据挖掘的聚类分析。在对微粒群算法进行改进的基础上．提出了基于微粒群算法的聚类分析。理论分析和仿真结果表明该算法是有效的。