基于相对密度的增量式聚类算法

基于聚类的相对性原则:簇内对象具有较高的相似度,而簇间对象则相反,提出一种基于相对密度的增量式聚类算法,它继承了基于绝对密度聚类算法的抗噪声能力强、能发现任意形状簇等优点[1],并有效解决了聚类结果对参数设置过于敏感、参数值难以确定以及高密度簇完全被相连的低密度簇所包含等问题。同时,通过定义新增对象的影响集和种子集能够有效支持增量式聚类。     

基于GMM的数据仓库管理与维护

元数据管理系统是构建、管理、维护和使用数据仓库系统的核心部件。元数据管理关键在于构建一个全面的、可扩展的元数据模型,表示各种类型的元数据。本文提出了一个通用的元数据模型GMM,该模型可以有效支持数据仓库的管理和维护,如用户视图管理、个性化服务、增量刷新、数据志跟踪等。     

网络异构信息的张量分解聚类方法

提出基于张量分解的聚类算法,能够同时处理网络中多类型、多语义关系的异构信息。网络信息体系中的各种异构信息被建模为一个多维张量,异构信息之间丰富的语义关系建模为张量中的元素。提出有效的张量分解方法,将不同类型的信息对象一次性划分到不同的簇中。在人工合成的数据集和真实数据集上的实验结果表明:该聚类方法可以很好地处理网络信息体系中的异构信息聚类问题,并且性能优于现有的聚类方法。     

软试验床关键技术-知识获取及管理系统

本文介绍了机器学习现状和基本理论,在分析知识获取的一般方法的基础上,提出了软试验床的关键技术之一的知识获取方法、途径及其管理系统的结构、功能。重点研究知识获取工具、基于数据库的知识获取、知识推理工具和知识库系统。     

基于数据库的智能推理方法

本文研究了一种基于数据库的框架结构及存贮方式。分析了框架之间联接方法及推理构想,灵活直观的编辑功能,并使框架与模型库有机结合在一起,使推理机与模型的运行分开处理。此外,我们提出了层次结构型框架推理的自学习模型,使推理机具有一定的智能性。     

ER2MD：一种ER模型到多维模型的转换算法

多维模型是数据仓库概念设计不可缺少的工具,将传统数据库实体关系模型直接转换到多维模型,势必在很大程度上缩短数据仓库系统的开发周期.针对数据仓库概念设计需求,在传统数据库基础上,提出一种面向多维模型的转换算法ER2MD.该算法可将满足一定条件的实体关系模型转换到多维模型,产生的多维模型符合广义多维范式,能够确保多维数据库分析计算的有效性,进而有利于物理数据库的设计.     

炮兵群阵地的选择和出发时间的估算

本文利用多目标决策和层次分析法,研究了在进攻战斗中,炮兵群阵地的选择和出发时同的估算。