基于本体的教学领域知识库建模研究

本体是一种非常有效的知识建模方法.以《自动控制原理》学科为例介绍了本体在构建教学领域知识库模型中的应用,并且用具有很强网络交互性的XML语言实现了该本体的描述.提出用7元属性来描述教学知识概念,并且详细叙述了每个属性的含义及其形式化的定义.这样得到的教学领域知识库本体模型将是一个语义完整、复杂但又清晰的语义网结构.     

基于数据挖掘的病历数据预处理

数据预处理技术在数据挖掘和数据仓库中都具有十分重要的作用,其结果将直接影响数据挖掘的优劣.为了更好地从数据类型复杂、冗余空缺值多的海量医疗数据中挖掘切实有用的信息,必须对数据源进行预处理.基于此目的,本文详细介绍了医疗数据的预处理方法,并通过某高校病历数据实例验证其有效性和可行性,为医疗机构提供科学的决策支持.     

基于量子计算的粗糙集核属性求解算法

粗糙集的核属性求解问题在经典计算中是一个NP问题.现有的方法中最优的时间复杂度也需要${\rm O}$$ \left(|C||U|\right)$($U$为论域、$C$为属性列数).由于量子计算的并行性特点, 本文致力于采用量子计算的方法来求解粗糙集的核属性, 拟提出了一种基于量子计算的粗糙集核属性求解算法.经过仿真实验, 在任何情况下, 该算法都能以1的总概率得到目标分量; 且通过理论分析证明了算法的时间复杂度不会高于${\rm O}$$\left(|\frac{{\rm{ \mathsf{ π}}}}{2\arcsin\sqrt {\frac{M}{C}}}+1||U|\right)$.     

基于多线程的文件推送系统的设计与实现

气象部门采用传统的FTP数据文件推送方式存在着几个不足：问题之一就是难以实现实时快速将数据中心的有关数据文件传送到所需要的相关下级业务部门;问题之二是难以根据数据文件自身具有的重要性实时进行传送;问题之三是难以满足用户需要的采用定制来实时推送相应的数据文件。基于多线程的应用,以Socket为推送技术,实现对多类数据源进行实时决速的多目的传送,结合数据库技术实现了使用者对数据文件的查询、统计和实时管理等操作。测试结果表明：在满足用户的功能需求的同时,系统能有效解决以上存在的不足,并且实现了对数据的后期管理,对日志的查询筛选等数据管理功能。     

基于粒计算的数据约简研究

1引言 Rough集是由波兰科学家Z.Pawlak在1982年提出的一种处理含糊和不精确性问题的新型数学工具[1].这一理论以新的视角出发对知识进行了定义,它把知识看成是关于论域的划分,并引入代数学中的等价关系来讨论知识.经过二十余年的发展,该理论被广泛应用于机器学习、数据库知识发现、决策支持与分析、专家系统、智能控制、模式识别等领域.     

一种粗关系数据结构数据排序方法

目前的排序方法处理单个数字或字符串,数据库数据项中的数据不再是原子值.所以根据粗关系数据结构特点及等价类,对传统的插入排序方法进行改进,使其能运用于粗关系数据结构数据排序,并将改进的插入排序方法应用到部分国家地域信息实例中,从而证明了针对粗关系数据结构改进的插入排序方法的有效性和实用性.     

基于Rough集方法的RS-MAXNET网络分类器模型

Rough集（RS）理论中如何补偿或拓展Rs约简的局部决策规则使之更加接近全局规则是一个重要的议题。本文提出RS与MAXNET网络结合拓展建立盼MAXNET全局网络分类器模型。基于上述模型进行的脱机手写模式识别算法说明了其有效性。     

集成多尺度微调卷积神经网络下的甲状腺结节良恶性识别

针对由于训练图像样本较少与忽略多尺度的结构和纹理信息而导致分类性能不佳问题,为提升甲状腺结节良恶性诊断准确率,提出了集成多尺度微调卷积神经网络下的甲状腺结节超声图像识别算法.首先将图像转换成具有3种不同尺度信息作为输入数据,以便模型能够学习到图像不同尺度的特征信息,提高模型的特征提取能力;其次,通过优化3种预训练模型(AlexNet,VGG16和ResNet50)的全连接层结构和迁移学习与微调策略,构建了3种不同尺度的9个微调模型,让模型能够更好地学习源域(ImageNet)和目标域(甲状腺超声图像)上的特征差异;最后选择最优的微调模型组合并通过对模型输出类别概率的加权融合方法得到最终的集成模型,利用模型的多样性进一步提升分类性能.文中算法在真实采集的数据集上和其他算法进行对比实验,得到甲状腺结节良恶性识别的准确率为96.00％,敏感度为94.10％,特异度为97.70％,AUC为98.00％ 实验结果表明,该算法在这些指标上均优于传统机器学习算法和当前甲状腺结节良恶性识别领域中的其他算法,能够有效地提取出互补的视觉特征信息,具有令人满意的分类性能.     

一种基于粗糙集属性重要度和密度聚集的匿名化方法

基于微聚集技术的κ-匿名化MDAV算法没有考虑数据属性的分布情况和数据属性重要性在聚类中的作用,易产生不合理的划分,从而对数据的保护程度与数据可用性之间关系带来影响.针对这个问题本文提出一种基于属性重要度和密度聚类的MDAV改进方法实现对数据集κ-匿名化.首先采用基于密度聚类DENCLUE方法对数据表进行聚集成簇,然后对每个簇采用基于粗糙集属性重要度作为加权距离的权值来计算相似样本,实现对数据集的κ-划分.与MDAV算法比较测试,所改进的方法改善了发布数据的可用性.     

一种有效的不完整数据分类器

在模式识别、机器学习以及数据挖掘中,分类是一个基本而又重要的问题.虽有大量的分类器应运而生,但由于处理不完整数据的复杂性,它们大都是针对完整数据的.然而,由于各种原因,现实中的数据通常是不完整的.因此,对不完整数据分类器的研究具有重要意义.通过分析以往在分类过程中对不完整数据的处理方法,提出了一种不完整数据分类器:DBCI.在DBCI的训练过程中,将缺失值的频数按比例地分配到其它观测值的频数中.因此,不完整数据集所包含的信息可以得到充分利用.在12个标准的不完整数据集上的实验结果表明,与分类效果显著的不完整数据分类器RBC相比,DBCI具有更高的分类效率和更稳定的性能,并且它的分类准确率可以与RBC相媲美.