一种OLAP应用系统的设计和实现

通过对数据仓库和OLAP概念及体系结构的分析，描述了一种OLAP应用系统的设计方案，并介绍了它的具体实现方法。基于数据仓库的查询，一般都是及时特定查询，要在严格的响应时间内执行复杂的查询，遍历百万上亿的记录，同时进行可能很复杂的搜索、连接和汇总的操作。查询的数据吞吐量和响应时间是判断数据仓库性能的重点。CUBE的计算是OLAP及时查询的基础，提高查询的速度需要对OLAP进行预先的计算。文中系统比较了一些计算立方体的算法，并运用到具体的系统当中。     

斯特林发动机在钠冷快堆核电源上的应用控制策略

针对钠冷快堆液钠供热与斯特林发动机做功之间的时间迟滞问题,以及运行中的管壁温度不低于250 ℃、出口液钠温度不高于420 ℃的控制要求,通过分析斯特林发动机控制模型,提出在启动时采用分段速过渡过程控制策略。在运行发电时先建立钠冷快堆液钠流量与斯特林发动机工质压力关系识别控制模型,进一步使用微分提前补偿控制策略;在停车时先降低斯特林发动机转速,采用定时定量策略控制斯特林发动机工质压力后再进一步控制转速降低至零。试验结果表明,控制策略方法可实现钠冷快堆核电源斯特林发动机热电转换模块的安全运行,且发电效率达到24.5%,与理论值基本一致,该控制策略具有一定的实用性,有利于斯特林发动机在核能领域的推广使用。     

知识图谱增强的神经协同过滤推荐方法

推荐系统已经广泛应用于各领域以处理信息过载问题,但传统方法面临着数据稀疏的挑战,且使用矩阵分解也不能很好的捕获抽象的非线性交互.考虑到知识图谱可以提供丰富的边信息,文中提出一种知识图谱增强的神经协同过滤推荐方法.首先获取项目相关的元数据,将其构建为知识图谱,并利用表示学习方法获取图谱中的语义知识;其次,利用结合注意力的邻域传播机制获取图谱中的结构知识,以此增强项目表示;最后将得到的用户和项目表示送入矩阵分解与神经网络中进行推荐.在公开数据集MovieLens上的实验结果表明,该模型能够有效提升推荐结果的准确性.     

基于Lucene的语义检索系统

在一种基于LUCENE的传统文本检索引擎之上,采用C/S架构模式的语义检索实验系统。用户可以根据需要,从客户端向服务器提交相应的查询信息配置,服务器根据此配置,通过本体导航与同义词查询2种查询扩展优化技术,对提交的查询关键词组进行查询、扩展等优化处理后,将经优化处理过的查询关键词组导入传统的文本检索引擎中,对文档资源进行匹配,将查询结果根据用户要求的排列,并依次返回给用户。通过用户与服务器的信息交互与对查询语句的查询扩展,该系统提高了查准率与查全率。     

联合注意力和自编码器的协同过滤推荐

面对数量庞大的用户和物品数量,推荐系统通常面临着数据稀疏的问题,为缓解此问题,提出了一个融合注意力机制和自编码器的协同过滤模型.该模型将评分信息送入一个基于自编码器的协同过滤子模型中以挖掘用户整体偏好,同时将评分信息送入一个融合了注意力机制的基于物品的协同过滤子模型中以挖掘物品与物品之间的局部依赖信息,随后将两个子模型...     

强化管理练内功 扭亏增盈迈大步

曾连续多年亏损、濒临倒闭的江苏阜宁肉联厂,1994年来从转换经营机制入手,坚持苦练内功,强化管理,生产经营步入了良性循环,扭亏增盈迈出了坚实的一步。1995年1～7月,该厂加工生猪11.2万头,比1994年同期增加264.4％,完成产值4708万元,实现销售5166万元,分别比1994年同期增长2 .9%和286.9%,实现利润24万元,比1994年同期亏损48万元绝对值增盈72万元。其经     

基于蠕动泵的浮选自动加药装置设计

为解决目前浮选药剂添加过程中自动化程度低、加药精度低、药剂消耗量大等问题,研制了一种主要由储药箱、除杂装置和防护柜体组成,以蠕动泵为执行机构的浮选自动加药装置。实验结果表明,该装置在流量为200～450mL/min时,相对误差小于1%,控制精度高且适应性强,适用于浮选过程中小流量药剂的精准加药。     

属性约简在基于归纳学习的入侵检测中的应用

使用基于粗糙集(Rough Set)约简并和抽样结合来约简KDD99的海量数据中的属性,降低属性之间的相关性。使用具有广泛数学基础的粗糙集约简海量网络侦听数据的属性,产生具有较好的独立性入侵检测属性集,学习的时间效率也得到提高。通过具有相通理论基础的决策树印证约简的有效性和检测的时间效率并生成检测规则。     

用于入侵检测的基于粗糙集的贝叶斯分类器

网络安全的问题日趋严重,入侵检测的研究是当今的研究热点。将数据挖掘和机器学习技术用于入侵检测是一个可行的方法。有很多算法用于入侵检测中,但有的是正确率比较低,也有的是学习或分类时间长,这些都限制了入侵检测系统在实际中的应用。文中提出了将粗糙集用于网络侦听的海量数据的属性约简,而后提出使用朴素贝叶斯进行分类预测。该方法的准确率高,而且时间性能好,适用于网络入侵检测的要求。     

基于序列模式的异常检测

数据挖掘技术是目前国际上的研究热点,入侵检测作为一种主动的信息安全保障措施,有效地弥补了传统安全防护技术的缺陷.文中把数据挖掘中的序列模式方法应用于入侵检测系统,摒弃了以前入侵检测方法需要根据专家经验建立攻击模式库的不足,具有较强的灵活性,能检测出未知的攻击手段.为了比较用户在正常情况下所形成历史模式和从包含异常行为的检测数据中挖掘出的当前模式,文中还设计了相似度函数.最后给出了具体实验步骤,并针对9个Unix用户的实验结果证明了该方法的可行性.