一类基于多属性特征的时态近似周期挖掘算法

在多维时态近似周期模型的基础上,提出了一种基于时态数据库技术和层次聚类技术的多维时态近似周期挖掘算法,并应用于股票数据.实验表明此算法是有效的.     

一类时态近似周期关联规则的知识发现问题

研究一类基于时态约束的属性状态之间存在关联的近似周期知识发现问题。首先构造了时态近似周期关联规则模型,然后提出了一个基于SOM（自组织特征映射网络）聚类来寻找近似周期关联规则的算法,对十多年来的股票数据和高频股票数据分别进行了一些实验,实验表明该算法是有效的。     

一种时态近似周期的数据挖掘研究

研究了时态近似周期的挖掘问题，提出了近似周期模式，引进了近似精度、近似周期模式覆盖等概念及性质，提出了一个基于SOM (自组织特征映射)聚类来寻找近似周期模式的算法，实验表明算法是有效的。     

多粒度时间下的近似周期挖掘研究

研究时态数据库中多粒度时间下的近似周期的挖掘问题。在多粒度时间、多粒度时间格式的基础上引入多粒度时间间隔的定义以及相关性质,构造多粒度近似周期模型,提出一个基于SOM聚类的多粒度近似周期的挖掘算法。利用高频股票数据580000宝钢JBT1进行实验,证明了该算法的有效性。     

多粒度时间下的近似周期挖掘研究

研究时态数据库中多粒度时间下的近似周期的挖掘问题。在多粒度时间、多粒度时问格式的基础上引入多粒度时间间隔的定义以及相关性质,构造多粒度近似周期模型,提出一个基于SOM聚类的多粒度近似周期的挖掘算法。利用高频股票数据580000宝钢JBT1进行实验,证明了该算法的有效性。     

时态数据的一种挖掘算法

时态数据挖掘是数据挖掘中一个日益重要的研究课题。本文针对时态数据中的多维关系模型，提出了一种新的时态数据建模算法。     

基于周期规律的加权时态关联规则挖掘算法

数据挖掘过程中只考虑数据项权重或者只考虑时态语义会导致挖掘结果不全面。针对该问题,对加权关联规则、时态关联规则和时态数据周期规律进行研究,将权值、K-支持期望和周期等概念引入到时态关联规则中,提出一种基于周期规律的加权时态关联规则挖掘算法。以某管理系统审计数据为例进行实验验证,结果表明该算法能够准确地挖掘出数据库中的加权时态关联规则,与加权关联规则算法相比,在时间复杂度相同的情况下能使关联规则的挖掘结果更加全面。     

时态数据库中非数值型属性周期规律挖掘以及关联规则提取

时态数据库中数值型属性(项)的周期规律挖掘已经得到了研究,提出的方法能够计算时态数据库中某个非数值型属性的周期,并通过执行改造了的Apriori算法挖掘该属性的周期规律,与此同时,算法也能够提取时态数据库中其他属性的带时态信息的关联规则.提出的方法通过选取两个时间粒度,对时态数据库中的时间属性进行了两次划分和标记.通过划分和标记计算选出的某非数值型属性的周期;并用标记集合代替原时间区间,进行标记集合求交,根据求交的结果得到带时态信息的频繁项集.通过时间区间标记集合求交得到频繁项集的方法是一个特色.算法的这一特色使得Apriori算法的迭代过程迅速收敛,提高算法执行效率.     

基于多维时态关联规则的演化模糊推理预测算法

挖掘时态关联规则的目的是为了发现带有时态信息的项集之间有趣的关系.由于数据库经常动态更新,时态关联规则的挖掘也应该适应数据库的更新.然而,现有的大多数算法不仅需要重新挖掘更新的数据库,浪费了大量的时间和效率,而且不能利用已存在的规则定量地预测某些项的变化趋势.本文提出了一个基于多维时态关联规则的演化模糊推理预测建模算法（Evolving fuzzy inference model based on multidimensional temporal association rules,EFI-MTAR）,主要优势是构建了一种基于多维时态关联规则的模糊推理建模算法（Fuzzy inference modeling algorithm based on multidimensional temporal association rules,FI-MTAR）,实现了对时间序列的定量预测.此外,为了降低规则更新的代价和加快规则预测的速度,提出了概念漂移检测策略来处理时间序列数据以适应数据库的动态更新.实验结果表明了本文提出算法的有效性和准确性.     

时态多维模型设计

传统的数据仓库基于维度时不变的观点,只考虑事实随时间的变化.实际上,数据仓库的多维模式是随时间缓慢变化的.数据仓库多维模式的变化会影响OLAP查询结果的正确性,有必要对多维模式的历史变化进行维护.在分析多维模型结构的基础上,对多维模式的元素进行时态扩展,给出了一种能解决复杂多维结构的时态多维模型的形式定义,并对时态模型更新操作的实现进行了分析,最后对时态模型各元素应满足的时间一致性约束进行了分析.     

Approximate algorithms for some generalized knapsack problems

In this paper we construct approximate algorithms for the following problems: integer multiple-choice knapsack problem, binary multiple-choice knapsack problem and multi-dimensional knapsack problem. The main result can be described as follows: for every ε 0 one can construct a polynomial-time algorithm for each of the above problems such that the ratio of the value of the objective function by this algorithm and the optimal value is bounded below by 1 - ε.     

基于贝叶斯网络的海量数据多维分类学习方法研究

摘 要: 多维分类根据数据实例的特征向量将数据实例在多个维度上进行分类,具有广泛的应用前景。在多维分类算法的模型学习过程中,海量的训练数据使得准确的分类算法需要很长的模型训练时间。为了提高多维分类的执行效率,同时保持高的预测准确性,本文提出了一种基于贝叶斯网络的多维分类学习方法。首先,将多维分类问题描述为条件概率分布问题。其次,根据类别向量之间的依赖关系建立了条件树贝叶斯网络模型。最后,根据训练数据集对条件树贝叶斯网络模型的结构和参数进行学习,并提出了一种多维分类预测算法。大量的真实数据集实验表明,本文提出的方法与当前最好的多维分类算法MMOC相比,在保持高准确性的同时将模型的训练时间降低了两个数量级。因此,本文提出的方法更适用于海量数据的多维分类应用中。     

A computationally efficient numerical approach for multi-asset option pricing

Numerical solution of the multi-dimensional partial differential equations arising in the modelling of option pricing is a challenging problem. Mesh-free methods using global radial basis functions (RBFs) have been successfully applied to several types of such problems. However, due to the dense linear systems that need to be solved, the computational cost grows rapidly with dimension. In this paper, we propose a numerical scheme to solve the Black–Scholes equation for valuation of options prices on several underlying assets. We use the derivatives of linear combinations of multiquadric RBFs to approximate the spatial derivatives and a straightforward finite difference to approximate the time derivative. The advantages of the scheme are that it does not require solving a full matrix at each time step and the algorithm is easy to implement. The accuracy of our scheme is demonstrated on a test problem.     

Sparse-grid quadrature nonlinear filtering

In this paper, a novel nonlinear filter named Sparse-grid Quadrature Filter (SGQF) is proposed. The filter utilizes weighted sparse-grid quadrature points to approximate the multi-dimensional integrals in the nonlinear Bayesian estimation algorithm. The locations and weights of the univariate quadrature points with a range of accuracy levels are determined by the moment matching method. Then the univariate quadrature point sets are extended to form a multi-dimensional grid using the sparse-grid theory. Compared with the conventional point-based methods, the estimation accuracy level of the SGQF can be flexibly controlled and the number of sparse-grid quadrature points for the SGQF is a polynomial of the dimension of the system, which alleviates the curse of dimensionality for high dimensional problems. The Unscented Kalman Filter (UKF) is proven to be a subset of the SGQF at the level-2 accuracy. The performance of this filter is demonstrated by an orbit estimation problem. The simulation results show that the SGQF achieves higher accuracy than the Extended Kalman Filter (EKF), the UKF, and the Cubature Kalman Filter (CKF). In addition, the SGQF is computationally much more efficient than the multi-dimensional Gauss–Hermite Quadrature Filter (GHQF) with the same performance.     

频域抽取多维向量基快速傅里叶变换

给出了频域抽取(DIF)多维向量基快速傅里叶变换(FFT)算法。对多维频域信号的每一维,采用向量基2频域抽取法,导出了快速算法蝶形运算的一般形式。该FFT算法适合于维数为任意整数的情况,当维数为1时,算法退化为著名的频域抽取向量基2 FFT算法。为了便于编程实现,以频域抽取3维向量基FFT算法为例,给出了快速算法实现流程,该流程易于向任意整数维推广。计算量比较结果显示,频域抽取多维向量基FFT算法比多维分离式FFT算法计算量低。     

多维社会网络中链路预测方法研究

多维社会网络中链路预测是指通过已知的网络节点以及多维社会网络结构等信息预测多维社会网络中尚未产生连边的两个节点之间产生链接的可能性.在研究有关链路预测的相关技术后,基于节点之间的相似性,提出了一种多维社会网络中的链路预测算法.算法中考虑时间因素和权重因素对于链路预测的影响,同时将多维网络中的相关技术应用到链路预测的过程...     

边界约束的非相交球树实体对象多维统一索引

针对现有空间索引剖分结构复杂、节点重叠率高及对多维实体对象检索及运算支撑较弱等问题,构建了一种边界约束的非相交球实体对象多维统一空间索引;利用球的几何代数外积表达,提出了基于求交算子的直线-平面和直线-球面的相交判定与交点提取方法,建立了多维实体对象体元化剖分方法及包含边界约束的非相交离散球实体填充算法,实现了实体对象空间均匀、非重叠的分割,并在填充球的个数、重叠率以及对象逼近近似度等约束条件上获得了较好的平衡.定义了最小外包球生成与更新的迭代算法与包含球体积修正的批量Neural Gas层次聚类算法,在尽可能保证球树各分支平衡性的前提下,实现了索引层次体系的稳健构建.利用几何代数下球对象间几何关系计算的内蕴性与参数更新的动态性,实现了索引结构的动态生成与更新,进而设计了实体对象表面及其内部任意位置及区域的检索策略及基于实体索引的空间关系计算方法.基于不同实体对象的模拟实验显示,基于几何代数的实体对象索引可以有效实现多维实体对象表面及其内部任意位置及区域的快速检索,并能在有限时间内以较高的精度实现多维实体对象最近邻距离和动态实体对象相交状态的检索.相对于常用球树索引,所提出的索引方法在填充率、节点重叠率、填充误差、体元个数、层次球个数、体积百分比和时间占用等方面均具有明显优势,且不同分辨率剖分条件下的索引结构及空间关系计算精度具有更高的稳健性,可运用于具有较强时间约束下复杂多维动态场景中对象检索与空间关系计算.     

云环境下基于改进遗传算法的虚拟机调度策略

针对云环境下服务器内部多种资源间分配不均衡问题,提出了一种多维资源协同聚合的虚拟机调度算法MCCA。该算法在分组遗传算法的基础上,采用模糊逻辑及基于资源利用率多维方差的控制参量,设计适应度函数指导搜索解空间。算法使用基于轮盘赌法的选择方法,并对交叉和变异等进行了优化,以实现快速有效地获取近似最优解。在CloudSim环境下进行了仿真,实验结果表明该算法对均衡多维资源分配和提高资源综合利用率具有一定的优势。     

Non-linear smoothing algorithm for multi-dimensional dynamic systems

A new sub-optimum smoothing algorithm is presented for multi-dimensional dynamic systems. This algorithm is based upon quantization, multiple hypothesis testing, and the Viterbi decoding algorithm. The estimation of state vectors is carried out sequentially, component-by-component, and in parallel. A considerable memory reduction is achieved for state estimation implementation with the proposed algorithm. Simulation results, some of which are presented, show that the sub-optimum algorithm performs better than the extended Kalman filter algorithm for some non-linear multi-dimensional models with white gaussian disturbance and observation noises. In addition, the performance of the sub-optimum algorithm is almost as good as the Kalman filter algorithm for linear multi-dimensional models with white gaussian noise.     

基于H-tree的多维序列模式挖掘算法

提出了一种基于H-tree的多维序列模式挖掘算法,首先在序列信息中挖掘序列模式,然后针对每个序列模式,根据包含此模式的所有元组中的多维信息构造H-tree树,挖掘出相应的多维模式,从而得到了多维序列模式。该算法将多维分析方法与序列模式挖掘算法有效地结合在一起,当维度较高时具有较高的性能。