时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。     

时态空间中时态序列模式的数据挖掘

时态数据挖掘是目前数据挖掘领域的研究热点。与其它相关研究不同，文章致力于利用时态序列模式挖掘进行预测与决策。首先介绍了时态类型的分类；然后定义了一个新的时态空间模型，用以描述基于不同时态类型、不同属性的各个不同对象的状态，并且为高效地进行预测与决策提供支持；最后，给出了时态空间模型中数据挖掘的四种时态序列模式，对时态数据挖掘的研究具有重要意义。     

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.     

商业销售分析数据仓库的数据可视化的一种设计

文章研究了一个基于商业数据仓库的多维数据可视化分析的方法,利用这些数据可以确定商品的种类及层次关系,并用树形目录表示出来,且商品的销售可以用图形表示出来,这些图可以反映某一种商品在某一段时间(可以是近几年,一年中的12个月或1个月中的每一天)的销售状况.这种设计原理在数据仓库理论与应用中具有一定的通用性.     

压缩感知优化问题的等价表示及其目标罚函数方法

首先定义了压缩感知优化问题的一个等价表示问题,证明了这个等价表示问题的最优解也是压缩感知优化问题的最优解。然后定义了它的一个具有2阶以上的光滑性的目标罚函数,给出了一个迭代求解算法,证明了所提算法的收敛性定理。定理表明,可以通过求解目标罚函数来获得压缩感知优化问题的近似最优解,该方法为研究和解决实际的压缩感知问题提供了一个新的工具。     

一类相邻时态关联规则的知识发现问题

本文研究了一类新的知识发现问题即基于时态约束的相邻时态关联问题,首先我们引进了时间的时态型、基时态型等概念及其性质,然后我们给出了有限个属性在时态型的基础上描绘不同状态的时态事件空间,从而定义了事件之间的时态关联规则,由此导出了1种具有一定意义的相邻时态关联规则.这种相邻时态关联规则可以用于商品销售、股票价格等问题的知识发现和短期的预决策,最后讨论了在2个时态型下的相邻时态关联规则的算法主要步骤,并给出了实例的分析.     

数据仓库的时态关联规则的描述

该文从时态型概念出发给出了有限个属性在时态型上描绘的不同状态时态事件空间,定义了事件之间的时态关联规则,由此导出了5种不同的具有一定意义的时态关联规则,这些时态关联规则具有普遍的理论意义,可以用于商品销售、股票价格等等数据仓库中的数据采掘问题。     

基于数据仓库的商业销售分析与决策系统的一种建造方案

本文对于商业销售分析与决策的数据仓库系统（ＤＷ）提出了一个建造方案，我们把源数据处理放在一个专用微机工作站，将处理后的数据（我们称之为成品数据）放在一个网络服务供用户进行数据分析与决策使用，从而显著地提高了系统动态分析数据的效率，通过软件合理的设计，在较低的硬件资源下可以实现数据仓库系统的建造。     

分布并行结构的数据仓库成绩管理系统

本文介绍采用了数据仓库（Data Warehouse）技术的思想和客户／服务器开放式体系结构，在现有的普通数据管理系统的基础上全面论述了开发分布并行式成绩管理系统的结构设计与实现。