基于WEB的数据挖掘研究综述

运用数据挖掘技术进行Web数据挖掘成为数据分析领域中的一个重要研究热点,与传统数据相比较,Web数据具有结构复杂、形式多样与内容广泛等特点,且用户对其需求亦是五花八门的,这对数据分析领域提出了更大的挑战.基于为研究Web数据挖掘提供参考,将Web数据挖掘粗略地分为三类:内容挖掘、结构挖掘和使用挖掘,并分别进行了综述,然后根据当前的应用现状分析了这一研究领域的几个研究方向.     

分数阶变时滞惯性Cohen-Grossberg神经网络全局Mittag-Leffler稳定和全局渐近ω-周期

主要研究分数阶变时滞惯性Cohen-Grossberg神经网络动力学行为.利用RiemannLiouville分数阶微积分性质和初始值条件,当系统变时滞τ_ij(t)>0时,将时间变量t的定义域[0,+∞)分成两个区间:[0,τ_ij(t)]和[τ_ij(t),+∞),推导出当t分别在[0,τ_ij(t)]和τ_ij(t),+∞)中变化时,含有变时滞τ_ij(t)的状态函数x_i(t-τ_ij(t)的分数阶积分之间的关系式.引入Mittag-leffler函数,借助于拉格朗日中值定理有限增量公式,Arzela-Ascoli定理当函数序列等度连续且一致时,存在一个一致收敛的子序列等分析知识,给出判定其系统解全局Mittag-Leffler稳定和全局渐近ω-周期充分条件.最后,通过数值模拟例子验证所得到理论结果的有效性.     

二维不规则零件排样问题的研究

综述二步法及实现二步法所要解决的零件间优化组合、多边形最佳包络矩形的求取和人机交互寻优处理等关键技术。     

数据挖掘技术在地理信息系统中的应用

地理信息系统(GIS)可提供大量信息,但却无法发现数据中存在的关系和规则,利用数据挖掘技术可以从GIS数据库中挖掘出隐含的知识和空间关系,从而增强GIS的功能。     

分数阶时滞Cohen-Grossberg型BAM神经网络S-渐近ω-周期解

主要研究分数阶时滞Cohen-Grossberg型BAM神经网络的有界性和周期性问题.利用分数阶微积分性质,借助于微分中值定理和Ascoli-Arzela定理,给出了判定系统解的有界性, S-渐近ω-周期和全局渐近ω-周期解的充分条件.最后通过数值模拟例子验证所得到理论结果的有效性.     

处理缺失数据的朴素贝叶斯分类增量算法

在具有缺失数据的数据集的分类过程中,缺失的数据中蕴含着有用的信息未被考虑的情况会引起分类精度的下降。增量式的学习能够利用不断加入的信息更新学习模型,并充分利用先验信息求解当前问题。给出了一个利用朴素贝叶斯分类模型实现对缺失数据的增量分类的算法。该算法在增量学习的过程中考虑了缺失数据和先验信息对分类器的影响。     

基于Matlab的贝叶斯分类器实验平台MBNC

为了测试评估贝叶斯分类器的性能,用不同数据集进行对比实验是必不可少的．现有的贝叶斯网络实验软件包都是针对特定目的设计的,不能满足不同研究的需要．介绍了用Matlab在BNT软件包基础上建构的贝叶斯分类器实验平台MBNC,阐述了MBNC的系统结构和主要功能,以及在MBNC上建立的朴素贝叶斯分类器NBC,基于互信息和条件互信息测度的树扩展的贝叶斯分类器TANC,基于K2算法和GS算法的贝叶斯网络分类器BNC．用来自UCI的标准数据集对MBNC进行测试,实验结果表明基于MBNC所建构的贝叶斯分类器的性能优于国外同类工作的结果,编程量大大小于使用同类的实验软件包,所建立的MBNC实验平台工作正确、有效、稳定．在MBNC上已经进行贝叶斯分类器的优化和改进实验,以及处理缺失数据等研究工作．     

一类随机高阶变时滞神经网络的指数稳定性

对于一类随机高阶变时滞神经网络,应用Brouwer不动点原理和随机分析理论知识,利用Schwarz积分不等式和递推归纳技巧,研究高阶变时滞神经网络在随机扰动下的稳定性,给出其指数稳定判定的充分性条件.最后通过数值例子说明所得结果的有效性.