基于组件技术的事件流引擎通信框架的设计与实现

随着网络规模的增大和通信技术的发展,网络安全、金融和交通等领域已经开始利用事件流技术实现其业务数据的处理及分析。该文针对这些领域复杂的网络环境为事件流引擎设计并实现了一种基于组件技术的通信框架,可以灵活地集成多种通信组件以应对不同的通信环境,并且通过嵌入Esper引擎提供统一的语义封装解析和高性能的事件流业务处理。     

案例驱动在C语言教学中的研究

本文提出采用案例教学来改革目前C语言教学,要在C语言教学中从知识灌输转变为案例驱动.利用同化学习规律,重视知识构建过程,合理安排知识点讲授顺序,取得更好的C语言教学效果.     

基于ODS的数据订阅及其更新策略

随着信息技术的不断进步，企业对信息的需求在不断增大，由于职能部门繁多和不同历史条件的限制等原因，各个业务部门会根据各自信息的特点选择不同的数据库系统，如何实现这些业务系统之间数据的共享成了当前研究的课题。针对上述特定的应用，文中介绍了一种基于操作数据存储（ODS）技术的数据订阅，介绍了数据订阅的功能结构和流程。并在此基础上讨论了数据订阅的更新策略。在实际项目实施中，使用数据订阅方案达到了项目预期的目的，很好地满足了实际应用中对数据的一致性、实时性和高效性的需求。     

软件学院数据库原理课程实践环节改革的思考与实践

本文结合课程教学改革工作,提出了切实可行的实践环节改革措施,主要包括作业和实践环节改革、增设新的数据库系统实践课、建设网络教学系统、建设实验上机环境等等,并在近几届学生中连续实施了多年,取得了较好的效果。     

一个数据仓库建模工具的设计与实现

介绍了一个数据仓库建模工具DWdesign．给出了DWdesign的基本结构．对DWdesign中若干关键技术进行了研究，包括中间语义层、自定义数据类型、XML和标准SQL支持。该工具已在多个企业的数据集上进行了试用。     

基于改进的RAKEL算法的心电图诊断分类

心电图（ECG）数据通常包含多种病症,而ECG诊断是一个典型的多标签分类问题。在多标签分类方法中,RAKEL算法将标签集随机分解为若干个大小为k的子集,并建立LP分类器进行训练;然而由于没有充分考虑标签间的相关性,LP分类器中容易产生一些标签组合所对应样本稀少的情况,从而影响预测性能。为了充分考虑标签间的相关性,提出一种基于贝叶斯网络的RAKEL算法BN-RAKEL。首先利用贝叶斯网络找到标签间的相关性,确定候选标签子集;然后对每个标签采用基于信息增益的特征选择算法确定其最优特征空间,并针对每个候选标签子集利用最优特征空间相似性来检测其相关程度,以确定最终的具有强相关性的标签子集;最后在标签子集的最优特征空间上训练LP分类器。在实际的ECG数据集上,与多标签K近邻（ML-KNN）、RAKEL、CC和基于FP-Growth的RAKEL算法FI-RAKEL进行对比,结果显示所提算法在召回率和F-score上最少提高了3.6个百分点和2.3个百分点。实验结果表明,BN-RAKEL算法有较好的预测性能,能有效提升ECG诊断的准确性。     

一种改进的基于矩阵的频繁项集挖掘算法

如何从海量数据信息中挖掘出有用的关联规则已经成为人们广泛关注的问题,而在关联规则挖掘中,首要的问题就是如何高效地挖掘出频繁项集.针对已有FIMM算法作出改进,提出了一种改进的基于矩阵的频繁项集挖掘算法NFIMM,该算法在FIMM基础上去除大量冗余的非频繁项集的项集,减少计算可能频繁项集的工作量,同时缩小了矩阵规模,提高了空间效率.通过对矩阵操作,一次性地产生所有的频繁项集.试验结果表明,该算法对已有的基于矩阵的频繁项集挖掘算法有了很大的改进,提高了挖掘效率.     

网络受限移动对象不确定性轨迹的索引

近年来,人们对于如何表示和处理移动对象的不确定性进行了研究,提出了一些较为有效的模型和算法.但是,在如何索引移动对象的不确定时空轨迹方面,相关的研究工作十分有限.为了解决上述问题,本文提出了一种网络受限移动对象不确定轨迹的索引结构(UTR-Tree),并给出了相关的索引更新及查询算法.在该索引结构的支持下,移动对象数据库不仅可以快速地处理对移动对象过去可能位置的查询,而且能够对其现在及将来的可能位置进行高效的查询处理.     

数据质量研究综述

数据质量管理是信息系统建设的首要问题.本文首先回顾了数据质量的定义和质量提高策略的分类,然后对数据质量研究涉及的两个主要方面,即数据质量评估和数据质量提高技术的各种方法进行了比较和分析,并对有代表性的数据质量提高工具进行了介绍.最后提出了一个评估驱动的数据质量提高框架,并对数据质量研究方向进行了展望.     

一种改进的基于矩阵的频繁项集挖掘算法

如何从海量数据信息中挖掘出有用的关联规则已经成为人们广泛关注的问题,而在关联规则挖掘中,首要的问题就是如何高效地挖掘出频繁项集。针对已有FIMM算法作出改进,提出了一种改进的基于矩阵的频繁项集挖掘算法N—FIMM,该算法在FIMM基础上去除大量冗余的非频繁项集的项集,减少计算可能频繁项集的工作量,同时缩小了矩阵规模,提高了空间效率。通过对矩阵操作,一次性地产生所有的频繁项集。试验结果表明,该算法对已有的基于矩阵的频繁项集挖掘算法有了很大的改进,提高了挖掘效率。