检索结果

Select

1. 不确定数据频繁闭项集挖掘算法

刘慧婷, 沈盛霞, 赵鹏, 姚晟

计算机应用 2015, 35 (10): 2911-2914. DOI: 10.11772/j.issn.1001-9081.2015.10.2911

摘要（468）

PDF （586KB）（499）

由于不确定数据的向下封闭属性,挖掘全部频繁项集的方法会得到一个指数级的结果。为获得一个较小的合适的结果集,研究了在不确定数据上挖掘频繁闭项集,并提出了一种新的频繁闭项集挖掘算法——NA-PFCIM。该算法将项集挖掘过程看作一个概率分布函数,考虑到基于正态分布模型的方法提取的频繁项集精确度较高,而且支持大型数据库,采用了正态分布模型提取频繁项集。同时,为了减少搜索空间以及避免冗余计算,利用基于深度优先搜索的策略来获得所有的概率频繁闭项集。该算法还设计了两个剪枝策略:超集修剪和子集修剪。最后,在常用的数据集(T10I4D100K、Accidents、Mushroom、Chess)上,将提出的NA-PFCIM算法和基于泊松分布的A-PFCIM算法进行比较。实验结果表明,NA-PFCIM算法能够减少所要扩展的项集,同时减少项集频繁概率的计算,其性能优于对比算法。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于交叉覆盖算法的时间序列模式匹配

刘慧婷倪志伟李建洋刘政怡

计算机应用

摘要（1588）

PDF （651KB）（892）

为了有效进行时间序列的匹配，提出了基于交叉覆盖算法的模式匹配方法。首先对时间序列进行预处理，使它们分布在n+1维空间中某个中心在原点的球面上，再通过学习构造分类器，实现序列的准确匹配。主要讨论完全匹配查询，即把两两相似的时间序列分别归类，所以利用交叉覆盖算法准确分类的功能可以完成所探讨的问题。

相关文章 | 多维度评价

Select

3. 多层前馈神经网络在基于案例推理的应用

李建洋;倪志伟;刘慧婷

计算机应用 2005, 25 (11): 2650-2652.

摘要（1554）

PDF （566KB）（1203）

基于案例的推理（CBR）系统的增量式学习会使案例库逐渐增大，导致案例的检索时间较长，效率较低。多层前馈神经网络是构造性神经网络技术，很容易构筑及理解，具有较低的时间和空间复杂性和较高的识别率。利用该神经网络技术对案例库进行分类后，待求解的新问题只需在某个子案例库中进行检索，便可以有效地解决大规模案例库的能力与效率的维护问题，确保CBR系统的能力保护与效率保护兼顾的实现，为大规模案例库的应用提供技术保证。