属性值的Rough Logic约简及优化

对于属性值离散化约简,Andrzej Skowron给出了割集方法,该方法虽然简单可行,但在属性值致密的情况下,产生的割集较大,数据的约简效率较低.提出用Rough Logic方法对Andrzej Skowron割集进行抽取和缩减,并给出相应启发式算法,使属性值约简效率有明显提升.     

数据挖掘的任务、对象和方法

数据挖掘是从大量的业务数据中抽取潜在知识的过程 ,是一个近年才在国内兴起的非常有实用价值的研究领域 .从数据挖掘的知识模式、任务、对象、方法、步骤给以综述 .     

基于粗糙集的实属性值约简算法

在A.Skowron关于属性值约简研究的基础上,给出截断点集的逻辑抽取方法,并基于复杂度的考虑提出一种改进的启发式算法,使属性的值集规模有实质性的约简.     

基于强化蚁群算法的任务DAG在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于强化学习算法和蚁群算法融合的协同依赖型任务调度方法;首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案;在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

数据仓库技术与应用

数据仓库是90年代初提出的概念,是一个作为决策支持系统和联机分析（OLAP）的结构化数据环境,数据仓库对传统数据库的数据进行清理、抽取和转换,并按决策主题的需要进行重新组织,它在发达国家的金融、电讯、证券、保险、零售业也广泛应用,随着我国经济体制的变化,在我国有广泛的应用前景。     

基于粗糙集（Rough set）的数据挖掘及其实现

本文讨论了基于粗糙集的数据挖掘方法，并对传统的方法进行了优化，给出了具体的实现步骤，通过实例演示了这一步骤。     

基于粗糙集的边界分类算法

粗糙集作为数据挖掘工具,主要通过分类数据得到预测型知识,但分类规则过于严格,使得在挖掘带噪音的数据时,挖掘结果可能会损失一些有价值的规则.提出一种带不确定因子的信息系统及相应的分类方法,改进了传统粗糙集的分类方法.     

基于粗糙集面向属性的数据挖掘及改进

用粗糙集进行数据挖掘是近年来被采用的一种新的有效方法 ,本文针对传统粗糙集分类方法过于严格 ,对噪音过分敏感的缺点 ,提出了改进的粗糙集挖掘模式及相应面向属性的约简算法和实现步骤