PB"动态"数据管道技术实用编程

使用过PowerBuilder(以下简称PB)的编程人员都知道,PB允许用户在程序运行过程中应用数据窗口方法或属性表达式查看或修改数据窗口对象的属性,还可以动态地创建数据窗口对象,并将这种在程序运行过程中被修改或创建的数据窗口对象称为动态数据窗口对象。同样,PB提供的数据管道技术也可以在程序运行时进行修改与调整,笔者称其为“动态”数据管道。     

一种基于动态数据窗口的复合聚类方法及在GIS中的应用

聚类分析是从给定的数据集中搜索数据对象,进行关联规则挖掘.本文融合划分方法、基于密度方法和中心计算方法中凝聚的思想,提出一种新的基于动态数据窗口的复合聚类方法.进一步将这种算法用于地理信息系统的数据挖掘,并应用于船舶航线的优化设计.     

PB中动态SQL技术的应用

本文主要介绍在PowerBuilder开发工具中四种格式的动态SQL语句，以及如何使用动态数据窗口的有关技术。     

在Power Builder中实现灵活的数据查询

为了在 Power Builder中实现灵活的数据查询 ,给出了利用数据窗口控件的函数和动态数据窗口技术来开发动态查询的几种方法 ,使得表名能动态可变。所述方法可以灵活的使用 ,并结合实例对它们进行了分析比较。     

PowerBuilder数据窗口内对象的建立与控制

论述PowerBuilder数据窗口内各对象的可视建立方法与自由控制,提供了动态建立数据窗口的一种可行方法.     

基于改进GNG算法的燃煤锅炉数据动态特征分析与控制

数据动态特征分析与控制技术是一种重要的数据挖掘手段,燃煤锅炉数据具有明显时序性和漂移性等特点,针对目前数据跟踪与监督算法大多缺乏动态性、实时性和稳定性等问题,设计一种基于改进生长神经气模型(GNG)的自适应聚类模型,建立基于概率、范围搜寻、节点平均距离的节点生成、删除机制,实现对漂移数据实时监控.最后以燃煤锅炉动态数据为分析对象进行实验,实验结果表明该模型和算法对动态漂移数据的实时跟踪能力更强,能对燃煤锅炉动态数据进行准确、有效的监督和控制.     

基于PB数据管道的异构数据库转换系统设计与实现

数据管道是完成数据转换与迁移的有效工具.结合ODBC API编程和动态数据窗口技术,探讨了通过程序动态创建数据管道对象,利用数据管道实现异构数据库通用数据转换与迁移的关键技术与实现方法.     

基于Powerbuild下的结构实现通用窗口动态连接数据窗口对象及改变窗口属性

为提高程序开发效率，本文提出了通用窗口下动态连接数据窗口对象及改变窗口属性的方法。     

利用PowerBuilder的动态数据窗口技术结合数据存储技术进行灵活数据查询和处理

介绍了如何利用PowerBuilder 的动态数据窗口技术结合数据存储来开发动态的极其灵活的查询语句。分析了使用这种方法比传统的嵌入式SQL语句在功能和效率上的优点。     

利用PowerBuilder实现灵活数据查询和处理

介绍了如何利用PowerBuilder的动态数据窗口技术结合数据存储来开发动态的极其灵活的查询语句。分析了使用这种方法比传统的嵌入式SQL语句在功能和效率上的优点。     

一种新的基于数据挖掘技术的异常入侵检测系统研究

为了解决异常入侵检测系统中出现的噪音数据信息干扰、不完整信息挖掘和进攻模式不断变化等问题,提出了一种新的基于数据挖掘技术的异常入侵检测系统模型。该模型通过数据挖掘技术、相似度检测、滑动窗口和动态更新规则库的方法,有效地解决了数据纯净难度问题,提高了检测效率,增加了信息检测的预警率,实现了对检测系统的实时更新。     

结合自助抽样的动态数据流贝叶斯分类算法

动态数据流具有数据量大、变化快、随机存取代价高、详细数据难以存储等特点,挖掘动态数据流对计算能力与存储能力要求非常高。针对动态数据流的以上特点,设计了一种基于自助抽样的动态数据流贝叶斯分类算法,算法运用滑动窗口模型对动态数据流进行处理分析。该模型以每个窗口的数据为基本单位,对窗口内的数据进行处理分析;算法采用自助抽样技术对待分类数据中的属性进行裁剪和优化,解决了数据属性间的多重线性相关问题;算法结合贝叶斯算法的特点,采用动态增量存储树来解决动态样本数据流的存储问题,实现了无限动态数据流无信息失真的静态有限存储,解决了动态数据流挖掘最大的难题——数据存储;对优化的待分类数据使用all-贝叶斯分类器和k-贝叶斯分类器进行分类,结合数据流的特性对两个分类器进行实时更新。该算法有效克服了贝叶斯分类属性独立性的约束和传统贝叶斯只对静态数据分类的缺点,克服了动态数据流最大的难题——数据存储问题。通过实验测试证明,基于自助抽样的贝叶斯分类具有很高的时效性和精确性。     

基于数据流频繁闭合模式的挖掘

用挖掘频繁闭合模式集代替挖掘频繁模式集是近年来提出的一个重要策略。根据数据流的特点,提出了一种基于滑动窗口的频繁闭合模式的新方法DSFC_Mine。该算法以滑动窗口中的基本窗口为更新单位,利用改进的CHARM算法计算每个基本窗口的潜在频繁闭合项集,将它们存储到一种新的数据结构中,利用该数据结构可以快速地挖掘滑动窗口中的所有频繁闭合项集。实验验证了该算法在时间上和空间上的可行性和有效性。     

事务型滑动窗口下的数据流频繁模式挖掘

作为数据流挖掘的一个重要研究问题,滑动窗口下的数据流频繁模式挖掘近年来得到了广泛应用和研究。已有的算法大多要对数据流中所有的数据都进行处理,而现实中用户往往只关注事物的某些方面,由此借鉴MFI-TransSW算法,提出了一种基于事务型滑动窗口的算法BSW-Filter（Bit Sliding Window with Filter）。算法采用比特序列实现滑动窗口操作,同时由于增加了频繁项的筛选,减少了所需保存的数据项个数,从而减小了内存使用和提升处理速度。算法的空间复杂度与滑动窗口大小以及数据流取值范围无关,特别适用于周期较长数据范围广的数据挖掘。分析和实验验证了该算法的可行性和有效性。     

Power Builder环境下异构数据集成实现技术

针对数据库应用系统中对异构数据的操作和集成问题,提出了在Power Builder环境下实现对异构数据库集成的三种解决方案:利用动态配置数据源实现数据集成;利用数据管道实现数据集成和利用数据窗口技术实现数据集成,并详细阐述了三种方案的实现过程.     

Mining frequent itemsets in data streams using the weighted sliding window model

In recent years, data stream mining has become an important research topic. With the emergence of new applications, the data we process are not again static, but the continuous dynamic data stream. Examples include network traffic analysis, Web click stream mining, network intrusion detection, and on-line transaction analysis. In this paper, we propose a new framework for data stream mining, called the weighted sliding window model. The proposed model allows the user to specify the number of windows for mining, the size of a window, and the weight for each window. Thus users can specify a higher weight to a more significant data section, which will make the mining result closer to user’s requirements. Based on the weighted sliding window model, we propose a single pass algorithm, called WSW, to efficiently discover all the frequent itemsets from data streams. By analyzing data characteristics, an improved algorithm, called WSW-Imp, is developed to further reduce the time of deciding whether a candidate itemset is frequent or not. Empirical results show that WSW-Imp outperforms WSW under the weighted sliding window model.     

基于可信推断的流数据序列模式分析算法

序列模式在基因分析、金融预测等方面有着重要的应用，是数据挖掘的一个主要分支,鉴于数据流应用的日益增多。本文在研究传统序列模式挖掘算法的基础上，提出了一种基于可扩展滑动窗口和贝叶斯概率过滤的面向数据流的序列模式挖掘算法（BMSP—DS算法），目的是简化序列模式发现的中间结果，提高挖掘效率．以便在小的存储空间和低的运算时间内快速发现流数据的频繁序列模式，同时算法也减少了因主观支持度取值不当对模式发现造成的负面影响，实验结果表明，该算法是可行、较优的．     

基于距离的数据流离群点挖掘算法

传统的离群点挖掘算法无法有效挖掘数据流中的离群点。针对数据流的无限输入和动态变化等特点,提出一种新的基于距离的数据流离群点挖掘算法。通过Hoeffding定理及独立同分布中心极限定理,对数据流概率分布变化进行动态检测,利用检测结果自适应调整滑动窗口大小对数据流离群点进行挖掘。实验结果表明,该算法在人工数据集和真实数据集KDD-CUP99中可以对数据流中的离群点进行有效挖掘。     

基于滑动窗口的支持泛在应用的流聚类挖掘算法

近年来,泛在数据流挖掘逐渐成为数据挖掘发展的新热点,它具有在有限的资源上去挖掘无限的数据流,并可随时随地返回挖掘结果的特点,对此,本文提出一种基于滑动窗口的流聚类算法;该方法将一个滑动窗口分成n个大小相等的窗口单元,基于窗口单元进行增量式的知识相关性的挖掘,提高了流挖掘的效率;当窗口滑动时,通过衰变函数衰减当前滑动窗口内的第一个窗口单元的挖掘结果,并在当前滑动窗口挖掘结果中将其剔除,实现下一滑动窗口的增量式挖掘.     

数据流高效用模式挖掘综述

数据流高效用模式挖掘方法是以二进制的频繁模式挖掘方法为前提,引入项的内部效用和外部效用,在模式挖掘过程中可以考虑项的重要性,从而挖掘更有价值的模式。从关键窗口技术、常用方法、表示形式等角度对数据流高效用模式挖掘方法进行分析并总结其相关算法,从而研究其特点、优势、劣势以及其关键问题所在。具体来说,说明了数据流高效用模式常用的概念;对处理数据流高效用模式的关键窗口技术进行了分析,涉及到滑动、衰减、界标和倾斜窗口模型;研究了一阶段和两阶段的数据流高效用模式挖掘方法;分析了高效用模式的表示形式,即完全高效用模式和压缩高效用模式;介绍了其他的数据流高效用模式,包括序列高效用模式、混合高效用模式以及高平均效用模式等;最后展望了数据流高效用模式挖掘的进一步研究方向。