亲属关系网络的关系追溯算法

人与人之间通过婚姻关系和亲子关系构成了亲属关系网络。针对亲属关系网络庞大、难以追溯等问题,结合广度优先搜索策略,提出了两种亲属关系追溯算法：半径搜索和定向搜索。依托河北省全员人口数据库,将数据范围扩展到复杂网络的层次,以市级亲属关系数据为例构建亲属关系网络,包含约415万个节点,约1088万条边。采用双向亲属关系存储,避免了亲属关系回溯查询等问题。实验结果表明关系追溯算法能够准确定位特定关系亲属,同时具有较高的执行效率和较好的灵活性。     

基于概念格的多值属性关联规则可视化

针对传统关联规则可视化方法无法展现数据间的频繁模式和关联关系,表示形式比较单一,缺乏多模式展现形式等问题,提出了一种新的多值属性关联规则可视化表示算法。该算法运用概念格理论对多值属性数据进行了重新定义和分类,将频繁项集和关联规则中的多值数据项分别以概念格结构进行表示,实现了频繁项集可视化展示和一对一、一对多、多对一、多对多及概念分层的多模式关联规则可视化展示。最后,以某省全员人口数据为基础对算法进行了具体实现和分析,同时实现了对人口数据的源数据、频繁模式以及关联关系的可视化展示。实验结果表明,所提出的可视化形式和已有成果相比具有良好的频繁项集与多模式关联规则展现效果。     

基于概念图的关联规则知识表示

针对传统关联规则表示方式无法展现领域知识、数据项间的关系及规则中所隐含的信息等问题,提出了一种基于概念图的关联规则知识表示方法,该方法包括模式定义和模式解析,其结合概念图理论可将关联规则转换成概念图的知识表示形式。给出了关联规则的概念图知识表示算法,并以某省全员人口数据为数据源对算法进行了具体实现和分析。实验结果表明,该方法在人口信息表现方面具有良好的效果。     

基于协同学的Multi Agent合作系统研究*

探讨了协同学在Multi-Agent系统(MAS)合作中的应用;讨论了MAS的协同合作,给出了基于协同学的Multi-Agent的协同模型,量化了Multi-Agent协同机制的协调效应,为其最优协同机制的选择提供了依据.将序参量、自组织理论引入到MAS合作中,为MAS合作问题提供了一个新的解决思路.     

基于自然语言生成的关联规则可视化方法

针对传统的关联规则蕴含式表示方式和图形可视化方法对非专家用户来说不易理解的问题,提出了一种新的基于自然语言生成的关联规则可视化方法。该方法将自然语言生成技术引入到关联规则可视化中,通过领域知识库中的解释模式将关联规则中每一项生成简单的自然语言句子,并经过句子规划、表层实现,最终生成流畅的自然语言句子。实验最终得出的结果,便于普通用户理解和应用,从而帮助用户获取更有价值的信息。     

企业过程工程环境的模型复用技术

给出了基于特定企业过程工程环境的模型复用技术，它以过程模型的拆分和组装技术为基础，在企事业过程的建模过程中能生成及使用模型构件；并在此基础上给出了模型构件库的构建及使用技术。     

基于PowerBuilder的数据与Word之间的数据转换

首先阐述了当前计算机管理系统中对各种类型表格的需求，指出PowerBlilder用于开发灵活多样、易于修改的表格的局限性，而word是我们熟悉的一种强大的文字表格处理工具，给出了利用OLE控件实现PowerBuilder与Word之间数据转换的主要技术与方法。     

基于广义分形插值理论的多尺度分类尺度下推算法

多尺度数据挖掘多应用于空间遥感图像数据,以图像的分辨率或者区域分割为依据进行尺度划分,然后在每个尺度层进行分析。近期,有不少学者将多尺度数据挖掘应用于一般数据集上,以等级理论、概念分层和包含度理论尺度划分等为尺度划分依据,研究不同尺度层的分布规律,进而发现有意义的事实,如多尺度关联规则以及多尺度聚类。但是在一般数据集下,很少将多尺度数据挖掘应用于分类算法领域。本文定义了广义分形插值理论的概念,打破了局限于迭代函数系统IFS(Iterative Function Systems)的缺憾,拓展了分形插值的应用;提出了基于广义分形插值理论的多尺度分类尺度下推算法MSCSDA(Multi-Scale Classification Scaling-Down Algorithm);仿真实验建立在4个UCI基准数据集和1个H省部分人口真实数据集上,并将MSCSDA与KNN、Decision Tree以及Libsvm算法进行对比分析;实验结果表明,MSCSDA算法在不同的数据集上,均优于其他算法。     

基于分形理论的多尺度分类尺度上推算法

目前,多尺度数据挖掘的研究多集中于空间图像数据,在一般数据集上的研究已经初见成果,主要包括多尺度聚类以及多尺度关联规则,但 还没有研究涉及 一般数据下的分类。结合分形理论思想,将多尺度数据挖掘相关理论、知识和方法应用于分类领域,提出基于豪斯多夫距离(HD)的相似性度量方法;相对于以往对权重的经验定义,文中明确通过广义分形维数的相似性定义权重来提高相似性度量方法的精度;提出多尺度分类尺度上推算法(Multi-Scale Classification Scaling-Up Algorithm,MSCSUA);实验采用4个UCI基准数据集和1个真实数据集(H省部分人口)进行仿真实验,实验结果表明多尺度分类思想可行有效,并且MSCSUA算法在不同数据集上的性能均优于SLAD,KNN,Decision Tree以及LIBSVM算法。     

邻域结构为复杂网络的粒子群算法*

为避免早熟收敛和局部最优,设计了一种基于复杂网络进行个体交互的粒子群算法(CNS-PSO)。该算法在粒子与网络节点间建立映射关系,并根据节点的邻居集合,获得粒子的动态飞行邻居。每个飞行邻居集合是一个独立又彼此联系的进化小社会。在CNS-PSO中,每个粒子的位置更新策略不仅考虑了认知部分及社会的信息共享,还考虑了小社会内和小社会间的信息交流。在8个测试函数上,将CNS-PSO与标准PSO进行了对比,在不同维度的大多数函数上,前者的性能均优后者。说明具有无标度网络邻域结构的CNS-PSO算法具有较强的避免早熟和逃逸局部最优的能力。