国产PVA纤维增强水泥基复合材料力学性能研究

工程用水泥基复合材料(Engineered Cementitious Composites,简称ECC)的高延性、高韧性和独特的多缝开裂特性,满足可持续发展社会对基础设施建设高安全性和高耐久性的要求。目前配置ECC的聚乙烯醇纤维(Polyvinyl Alcohol,简称PVA)主要由日本可乐丽公司生产,成本较高,使ECC在实际工程中的大规模应用变得十分困难。为此,研究国产PVA-ECC的可行性及制备方法十分必要。首先基于微观力学模型,对采用国产PVA纤维配制ECC的可行性进行了探讨,并通过参数分析,确定了国产PVA-ECC配合比的优化方向。对设计的11组不同配合比的ECC试件进行单轴压缩试验和四点弯试验,研究水泥/粉煤灰比、水胶比、PVA纤维体积掺量对ECC抗拉强度、弯曲韧性和抗压强度的影响,据此提出了国产PVA-ECC的较优配合比。国产PVA-ECC的研发,降低ECC的成本,使得ECC大量应用于工程实践成为可能。     

一种基于MDL的日志序列模式挖掘算法

日志数据是互联网系统产生的过程性事件记录数据,从日志数据中挖掘出高质量序列模式可帮助工程师高效开展系统运维工作。针对传统模式挖掘算法结果冗余的问题,提出一种从时序日志序列中挖掘序列模式（DTS）的算法。DTS采用启发式思路挖掘能充分代表原序列中事件关系和时序规律的模式集合,并将最小描述长度准则应用于模式挖掘,设计一种考虑事件关系和时序关系的编码方案,以解决模式规模爆炸问题。在真实日志数据集上的实验结果表明,与SQS、CSC与ISM等序列模式挖掘算法相比,该算法能高效挖掘出含义丰富且冗余度低的序列模式。     

基于抽样的概念层次挖掘算法

本文通过对数据挖掘的几种传统属性归纳算法的分析,发现它们存在以下不足：（1）不能处理不平衡的概念层次;（2）没有考虑实际数据分布对最后的泛化规则的影响。因此,本文提出了基于抽样的概念层次挖掘算法,它先采用抽样方法,对概念层次进行初步调整,然后扫描整个数据文件,利用扫描信息再次调整概念层次,最后通过统计调整后的概念层次的叶子信息就可以得到泛化规则。本算法不仅克服了传统算法的不足,而且具有最优的时间复杂度O（n)和空间复杂度O(c)。     

ECA规则的模型和行为特定理论

本文给出了ＥＣＡ规则系统的一般性模型，通过扩展系统状态和改变的定义，形式化地描述了规则处理的语义，并着重研究规则系统的行为特征（可终止性和行为一致性）．文中给出的形式化定义和判定方法可作为规则静态分析工具的理论基础.     

XML的并发加锁协议

随着XML数据库管理系统(XML DBMS)研究的日益深入，研究基于树型结构的XML数据的并发控制协议变得十分重要．由Silberschatz和Kedem提出的树加锁协议(tree protocol)是基于静态树结构数据而定义的．而XML数据是动态变化的树型结构数据．针对XML数据的特点，定义了一个操作集，它可以将一个树型结构的XML文档变化为另外一个合法的树型结构的：XML文档．该操作集的最大特点是其操作对象为一棵子树而非一个结点．在这个操作集基础上定义了XML动态树协议XDTP(XML dynamic tree protocol)，并证明了该协议能继续保持静态树协议的优良特性：可串行化(serializability)和无死锁(deadlock-freedom)．在实际的数据集上进行了实验，结果表明XDTP有着较好的性能．     

数据仓库与数据挖掘研究进展

随着数据库应用从以事务处理为中心逐渐向以分析处理为中心转化，以数据仓库、联机分析和数据挖掘为中心的基于数据库的分析技术成为近几年来数据库界研究的热点。经过近十年的研究与应用。已经产生了很多的研究成果，建立了较扎实的理论基础，目前正在向与应用领域紧密结合(如流数据)。对现有技术进一步改造方面发展。本文对近两年这几个方向上的研究成果进行了总结。     

基于动态子空间距离的图像聚类

聚类分析作为一种重要的非指导学习方法,在多媒体数据管理中得到越来越多的应用,如对图像进行聚类预处理,有助于发现图像之间的语义相似性、减少检索代价等.但是,由于图像语义与视觉特征之间的差异,使得图像聚类的效果还有待进一步提高.聚类分析中,图像通常用高维特征向量表示,显然,在描述图像的相似性方面,各个维所代表的视觉特征的重要性是不一样的,甚至彼此矛盾.传统方法通过权重调整或降维并不能很好地解决上述问题.提出一种新的动态子空间距离计算公式(DSDF),根据任意两幅图像之间关联比较密切的维度,计算出图像之间的相似子空间距离,并利用Clarans聚类算法进行图像子空间聚类.实验表明,该方法在图像聚类效果上明显优于传统聚类方法.     

CAPE--数据流上的基于频繁模式的分类算法

近年来涌现出很多数据流的应用,比如网络日志、传感器网络等．数据流的数据量无限、数据分布变化等特性使得传统的挖掘算法不能很好地解决这些问题．针对上述问题提出了一种数据流上的基于频繁模式的分类算法——CAPE(classification using frequent pattern)．CAPE通过数据流中的频繁模式进行分类,在压缩数据的同时保存了数据中的分类信息．实验证明,这种算法比其他算法有更高的准确性．并且CAPE可以很好地处理训练集包含大量缺失取值的应用．     

ESPM--频繁子树挖掘算法

随着互联网的发展,频繁模式的挖掘由频繁项集扩展到结构化数据：树和图．在这些结构上的挖掘工作被应用于更为复杂的领域,比如生物信息学、网络日志和XML文档．提出了一个新颖的算法：ESPM,以挖掘有序标号树中的频繁子树．不同于以往的工作,把树同构的判断工作放到了算法的晚期,从而减少了整个挖掘过程的时间开销．人工数据集和真实数据集上的实验都证明ESPM相较于其他算法的优越性．还提出了一些可能的改进．     

改进的基于支持向量机的Web图像检索相关反馈方法

结合用户相关反馈的超平面查询在基于内容的图像检索中面临数据不平衡等问题,即对于给定的查询,图像数据库中负样例(与查询无关的图像)数目往往远大于正样例,使得传统的用户相关反馈技术难以获得足够的相关图像,影响了超平面查询的性能.提出一种新的基于支持向量机的Web图像检索的主动学习策略,根据Web图像的URL、视觉特征来估计图像与查询样本的相关性,用潜在的正样例图像来弥补图像数据的不平衡性,并且提出了对SVM返回结果的重新排序方法.对10000多幅来自50多个不同网站的Web图像数据进行了实验.实验结果显示,与传统的方法相比,该方法对检索性能有明显的提高.