准确高效的动态干预决策发现

干预决策是数据挖掘领域关注的重要问题,致力于评价干预措施对干预目标的影响或发现满足干预目标的最优干预措施,而朴素干预规则模型简单,无法精确表达干预知识,且效率较差。在模型设计中引入了马尔科夫链,提出了干预过程动态模型,设计并实现了基于干预力度的动态精确干预评价体系。在中国出生缺陷数据集上的实验表明,该方法可比较精确地发现干预规则。     

基于协同进化的异构种群挖掘混沌迭代函数

混沌迭代序列是复杂系统动力学研究的一个分支,其序列值在不同参数条件下时会出现分叉及混沌现象.已有的方法不能同时挖掘拟合迭代序列的迭代函数的结构及其相应条件参量.文章则旨在同时挖掘出二者,主要工作包括:(1)提出了基于协同进化的异构种群挖掘模型,能融合不同种群的优势;(2)提出了新的适合挖掘迭代序列的适应度计算方式;(3)从理论上证明了多种群协同挖掘的进化难度远大于单种群进化难度,通过实验证实了在有效协同策略下,多种群进化得到的结果远优于单种群的进化结果;(4)提出3种协同进化策略,在对迭代序列的函数拟合以及参数拟合两方面,多路并行式结合策略能达到相对较优效果;(5)在合成数据和真实数据上进行了实验,证实了算法的正确性和有效性.     

基于Markov过程预测的页面置换方法

页面替换是操作系统实现虚拟存换方法的缺点,提出一种基于Markov随机过程的页面调度模型.通过分析页面置换序列,发现其规律并模拟该序列,目的是接近最优替换方法以降低缺页率.实现了基于该模型的页面置换方法,通过实验证明新方法能提高页面换入命中率并控制时间耗费.     

基于显露模式的对比挖掘研究及应用进展

对比挖掘是近年来数据挖掘领域的新热点之一。对比挖掘关注并描述不同类别和条件下,或随时间变化的知识,旨在设计能够发现刻画数据集中不同类别或条件的样本间差异的模式或模型的方法。由于对比挖掘技术能化繁为简、准确分类,在实践中得到广泛应用。显露模式的挖掘和应用是对比挖掘的重要分支。综述了显露模式的背景、基本概念和原理,分析了显露模式的挖掘方法,讨论了显露模式的扩展定义和挖掘,介绍了基于显露模式的分类器构造方法,展示了显露模式的若干实际应用,展望了基于显露模式的对比挖掘的未来研究。     

一个用户友好的文件装载窗口

许多优秀的软件,例如PC—TOOL及Turbo系列的Pascal、Basic、C等等,都有一个文件装载窗口。当用户在File窗口中选点Load时,出现一个目录窗口,列出指定目录下的文件和子目录名,用户用上下左右等箭头依动光条,选中文件后按〈Enter〉,则选点文件被     

面向对象编程与Turbo Pascal 5.5

本文先示范一个用 Turbo Pascal 5.5编写的面向对象的演示程序,通过实例介绍了 OOP 的若干概念及其四个特征,通过与传统的面向记录编程相比较,说明 OOP 的优越性。简介 OODB 的思想并提出在我国普及 OOP 技术的一点建议。     

M-GEP:基于多层染色体基因表达式编程的遗传进化算法

该文提出了一种新的基于多层染色体基因表达式编程的遗传进化算法M—GEP,新算法引入了多层染色体的概念,利用染色体构建的层次调用模型对个体进行表达,在解决实际函数发现、电路进化等实际问题中取得了良好效果．该文主要贡献包括：（1）提出了基于多染色体的基因表达式编程算法（M-GEP）;（2）建立了不同染色体的层次调用模型及存储结构;（3）提出并实现了基于染色体的重组算子和基因随机重组算子．对多基因GEP和单基因GEP的对比实验结果表明,平均进化辈数仅为后者的29％～81％．     

ASCA:一种快速自适应聚类算法

为提高银行存贷款数据集上的聚类质量和聚类效率,本文做了下列工作:(1)定义了簇的直径.(2)提出了利用距离尺度降维的中心距序降维法,证明了新方法在降维时能保持聚类质量(此研究属压复杂问题).(3)提出了自适应排序聚类算法ASCA(Adaptive Sort Clustering Algorithm),ASCA算法在一维数据和多维数据集上能够进行有效的聚类.(4)做了详实的实验,和传统的Cobweb算法、K-means算法做了对比,实验表明新方法能减少聚类时间,最多减少了53%.     

基于基因表达式编程的知识发现--沿革、成果和发展方向

综述了基于基因表达式编程(Gene Expression Programming,GEP)的知识发现技术的沿革、特色和成果。剖析了GEP中通过简单编码解决复杂问题的关键技术。特别介绍了在这一领域的工作成果,如基于GEP的多项式因式分解,频繁函数挖掘,抗噪声数据的函数挖掘,太阳黑子预测等。对进一步开展基于GEP的知识发现技术的发展策略提出了自己的见解。     

基于重叠表达的多基因进化算法

受生物基因片段重叠表达现象的启发,文中提出了一种新的基于重叠表达进化算法--MEOE(Multigene Evolutionary algorithm based on Overlapped Expression).文章具体描述了MEOE的基因表达结构及相应的算法.不同于已有的工作,在MEOE中作为遗传物质的基因具有重复表达的概率,同时算法融合了免疫算法关于浓度的计算技术.文章对MEOE算法作了较为全面的分析,讨论了算法在表达空间、可表达性、性状遗传上的特点,并与传统算法作了相应比较.详尽的实验证明,MEOE算法在速度上是GEP的2.5～9.4倍.在高次函数发现问题上MEOE算法的成功率比GEP提高至少一个数量级.另外,通过实验证明了基于密度的概率选择函数在高次函数发现问题上具有一定优势.