排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
教育数据挖掘(Educational Data Mining,EDM)是一门涉及计算机科学、教育学、统计学的交叉学科。它致力于探索来自教育环境的独特数据,其目的是更好地了解学生及其学习环境,从而提高教育成效。为了深入分析EDM的研究进展,从Web of Science库相关文献、国内外研究现状对EDM进行了系统性梳理,介绍了EDM的工作流程,把数据挖掘技术在教育领域的应用归纳为4类,对处于快速发展阶段的一些EDM典型案例进行了统计分析并讨论了其不足与发展趋势。 相似文献
4.
5.
研究了AES S盒的构造原理和主要代数性质,指出了AES S盒的仿射变换对周期为4,迭代输出周期不大于88,严格雪崩准则距离为432,代数表达式只有9项等。基于这些不足提出了构造S盒的改进方案。改进S盒的仿射变换对周期为16,迭代输出周期为256,而且S盒和逆S盒代数表达式项数均达到254项。将改进S盒与AES的S盒在平衡性、严格雪崩准则、非线性度、抗代数攻击阻力等10种代数性质上进行比较,实验结果表明改进S盒具有更好的性质。 相似文献
6.
对Web使用挖掘的数据预处理的数据清理、用户识别、会话识别、路径补充和事务识别5个主要步骤的最新研究进展进行综述.采用拓扑结构结合引用页的路径补充算法和采用最大向前引用的事务识别算法,识别特性单一、对训练数据集的要求较高,故离实际应用还有一定的距离.针对此,从Cookie技术和启发式规则相结合、动态时间阈值法以及多特性融合等方面对数据预处理的用户识别、会话识别和事务识别提出了优化建议. 相似文献
7.
兴趣度量在关联规则挖掘中常用来发现那些潜在的令人感兴趣的模式,基于FP树结构的FP-growth算法是目前较高效的关联规则挖掘算法之一,如果挖掘潜在的有价值的低支持度模式,这种算法效率较低。为此,本文提出一种新的兴趣度量—项项正相关兴趣度量,该量度具有良好的反单调性,所得到的模式中任意一项在事务中的出现均可提升模式中其余项出现的可能性。同时,提出一种改进的FP挖掘算法,该算法采用一种压缩的FP树结构,并利用非递归调用方法来减少挖掘中建立额外条件模式树的开销。更为重要的是,在频繁项集挖掘中引入项项正相关兴趣度量剪枝策略,有效过滤掉非正相关长模式和无效项集,扩大了可挖掘支持度阈值范围。实验结果表明,该算法是有效和可行的。 相似文献
8.
9.
基于兴趣度剪枝的Apriori优化算法 总被引:1,自引:0,他引:1
鉴于关联规则挖掘中的Apriori算法在挖掘潜在有价值、低支持度模式时效率较低,因此提出一种优化的Apriori挖掘算法,即在频繁项集挖掘中引入项项正相关兴趣度量剪枝策略,有效过滤掉非正相关长模式和无效项集,从而扩大了可挖掘支持度阈值范围.实验结果表明,该算法是有效和可行的. 相似文献
1