聚类思想在挖掘关联规则中的运用

数据挖掘中的关联分析技术旨在发现大量数据项集之间有趣的关联关系.虽然Apriori算法利用剪枝方法有效地提高运算效率,但在处理超大型事务数据库时,仍会存在内存瓶颈问题.按照项集对数据库进行聚类预处理,然后在各个数据簇内进行关联分析以提高运算效率,且簇的数目可根据情况由数据挖掘者根据情况预先指定.通过对该算法的复杂度分析得出在一定条件下运算的时间复杂度确实有所下降的结论.     

集染色顶点和集染色边的Folkman数

对于给定的简单图G和正整数a1,a2,…,ak,G→(a1,a2,…,ak);(G→(a1,a2,…,ak);)是指,对于V(G)(E(G))的任意k-染色,其中每个顶点(边)被用{1,…,k}的一个r-子集来染色,存在i∈{1,…,k}和一个阶为ai的完全子图,其中每个顶点(边)被一个包含颜色i的r-子集染色.本文在整数t＞max{a1,a2,…,ak}的条件下,定义并研究下述集染色顶点(边)Folkman数:F(r)v(a1,a2,…,ak;t)=min{[V(G) |:G→(a1,a 2,…,ak)vr且Kt(笙)G}(类似地,Fe(r)(a1,a2,…,ak;t)=min{| V(G)|:G→(a1,a2,…,ak):且Kt(笙)G}).     

军校硕士研究生复试评价指标的科学确定

复试是硕士研究生招生考试的重要组成部分,是保证生源质量的基础环节,因此研究硕士研究生复试评价指标体系具有极其重要的意义。通过构建合理的隶属函数,利用模糊聚类的方法,对军校硕士研究生复试的评价指标进行聚类,并依据相关指数对同类指标进行了筛选,最终确定了精简且具有科学性的指标体系,为军队院校的硕士研究生的选拔提供参考。     

集染色顶点和集染色边的Folkman数

对于给定的简单图G和正整数a1,a2,…,ak,G→(a1,a2,…,ak)vr(G→(a1,a2,…,ak)er)是指,对于V(G)(E(G))的任意k-染色,其中每个顶点(边)被用{1,…,k}的一个r-子集来染色,存在i∈{1,…,k}和一个阶为ai的完全子图,其中每个顶点(边)被一个包含颜色i的r-子集染色.本文在整数t>max{a1,a2,…,ak}的条件下,定义并研究下述集染色顶点(边)Folkman数:F(r)v(a1,a2,…,ak;t)=min{|V(G)|:G→(a1,a2,…,ak)vr且KtG}(类似地,F(r)e(a1,a2,…,ak;t)=min{|V(G)|:G→(a1,a2,…,ak)er且KtG}).     

一类单边假设检验问题原假设和备择假设的判别分析

在单边假设检验问题中,原假设和备择假设的地位一般是不对等的,将两者互换就有可能得到矛盾推断.文章既给出了现有的解析方法,也从描述性统计和推断性统计相结合,以及控制第Ⅱ类错误发生概率的角度给出了进一步的思考,合理解析了单边假设检验出现矛盾推断的难题.     

关于路与偶圈的6个广义Ramsey数的值

给出求R(G1,G2,G3)的一个算法,并利用它得到6个广义Ramsey数的值:R(P4,C4,C4)=9,R(P4,C4,C6)=9,R(P4,C6,C6)=9,R(P5,C4,C4)=11,R(P5,C4,C6)=9,R(P5,C6,C6)=11.     

用构造性方法计算多重图Ramsey数的界

在图的边染色问题中,通常考虑的是每条边染且只染一种颜色.边的集染色是这种边染色的一种推广,使每条边对应的不一定是一种颜色,而是给定的颜色集的一个子集.多重图的边染色与边的集染色是等价的.多重图Ramsey数是经典Ramsey数的一种自然的推广,它是通过把完全图的边染色推广到完全多重图的边染色实现的.计算Ramsey数的准确值是NP难题,求多重图Ramsey数的准确值往往更加困难.用一些研究经典Ramsey数的方法来研究2-多重图Ramsey数的界,利用构造性方法证明了一些关于不同参数的2-多重图Ramsey数的不等式,并在此基础上得出了一些小参数多重图Ramsey数的准确值或上下界.