Analyzing and mining ordered information tables

Work in inductive learning has mostly been concentrated on classifying.However,there are many applications in which it is desirable to order rather than to classify instances.Formodelling ordering problems,we generalize the notion of information tables to ordered information tables by adding order relations in attribute values.Then we propose a data analysis model by analyzing the dependency of attributes to describe the properties of ordered information tables.The problem of mining ordering rules is formulated as finding association between orderings of attribute values and the overall ordering of objects.An ordering rules may state that “if the value of an object x on an attribute a is ordered ahead of the value of another object y on the same attribute,then x is ordered ahead of y“.For mining ordering rules,we first transform an ordered information table into a binary information table,and then apply any standard machine learning and data mining algorithms.As an illustration,we analyze in detail Maclean‘s universities ranking for the year 2000.     

基于C/S体系结构的数据挖掘平台的设计

数据挖掘技术具有广阔的应用前景,研究和开发通用的数据挖掘系统,为各行业提供决策支持和信息服务是非常有必要的。DMAP是一个基于客户／服务器结构的数据挖掘平台,详细给出了其系统结构的设计以及各部分的主要功能。该平台集成了多种数据挖掘方法,具有良好的通用性和可扩充性。     

超临界萃取新疆孜然精油的研究

本研究以新疆孜然精油的最大提取率为目标,研究了超临界CO2萃取孜然精油的提取工艺,分析了萃取压力、萃取温度、萃取时间对孜然精油提取率的影响,并通过正交试验得到了最佳的提取条件：萃取压力为30MPa,萃取温度为40℃,萃取时间为3h。在此条件下孜然精油的萃取得率为3.46%。对超临界萃取孜然精油进行物理化学分析和GC-MS分析表明,超临界萃取新疆孜然精油工艺稳定可靠,具有极高的应用价值。     

数据挖掘之粗糙集方法研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘方法,它采用启发式算法,可以挖掘出最简的产生式规则知识。与其它方法的比较说明,该文提出的方法可以得到更简化的规则。     

有序规则挖掘问题的研究

许多关于数据挖掘和机器学习的研究都集中于分类的研究，然而现实世界涉及到的不仅仅是分类问题，比如对象的排序问题。将有序规则的挖掘问题加以形式化，挖掘有序规则即要找到各个属性产生的排序与对象整体排序之间的关系。提出了有序信息表的形式化概念，然后提出了通过将有序信息表转化为一个二值信息表，继而挖掘有序规则的方法。     

NAT-PT转换网关在netfilter框架中的实现

由于在IPv4向IPv6过渡的过程中,两种网络将共存,所以这两种网络之间的通讯是必须解决的问题.应用NAT-PT转换网关是解决这一问题的一种方法.首先对NAT-PT机制进行了研究,着重讨论了NAT-PT机制中的地址转换操作过程,然后对Linux Netfiltr功能框架作了介绍.最后提出了一种基于netfilter功能框架的NAT-PT转换网关的一种模块化设计.这种模块化的NAT-PT转换网关具有实现简单和易于进行进一步功能扩展的特点.     

从不一致例子中挖掘规则的粗集方法MIE-RS

该文研究不一致例子中的多概念学习.所谓不一致的例子是指具有相同的条件属性值却属于不同概念的矛盾例子.该文提出了一个基于粗集扩展模型的数据挖掘算法MIE－RS,能有效处理例子集的不一致性,并且通过确定每个概念的覆盖,即最小相关属性集,为每一概念产生最简的满足给定可信度的产生式规则知识.     

从不一致例子中控制规则的粗集方法MIE—RS

该文研究不一致例子中的多概念学习。所得不一致的例子是指具有相同的条件属性值却属于不同概念的矛盾例子。该文提出了一个基于粗集扩展模型的数据挖掘算法ＭＩＥ－ＲＳ,能有效处理例子集的不一致性,并且通过确定每个概念的覆盖,即最小相关属性集,为每一概念产生最间的满足给定可信度的产生或规则知识。     

粗集数据挖掘方法MIE——RS的设计与实现

本文提出了一个基于粗集扩展模型的数据挖掘算法MIE－RS（Mining from Inconsistent Examples:a Rough Set Approach）,能有效处理例子集的不一致性,并且通过确定每个概念的覆盖,即最小相关属性集,为每一概念产生最简的满足给定可信度的产生式规则知识。另外,本文还提出了用Hash表来实现该算法的方法,从而大大降低了算法的时间复杂度。     

基于综合度量的关联规则挖掘算法

从确定性，有用性，简洁性和新奇性4个方面对规则进行综合度量，给出了规则长度和兴趣度约束的定义，在传统算法基础上提出了基于综合度量的关联规则挖掘算法，使关联规则的挖掘质量得到提高。