博士科研启动基金(JIT-B-01)
- 作品数：8 被引量：28H指数：3
- 相关作者：陈爱萍田海梅马青霞黄楠孙梅更多>>
- 相关机构：金陵科技学院新乡学院湖南大学更多>>
- 发文基金：博士科研启动基金江苏省高校自然科学研究项目江苏省现代教育技术研究规划课题更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种连续属性值域划分的离散化新方法被引量：3
- 2012年
- 提出一种连续属性值域划分的离散化新方法,该方法定义一个新的离散化函数,依据类与属性之间的相互依赖关系选择最优的离散区间列表;此外,采用变精度粗糙集理论合理地控制数据离散化产生的信息丢失,减少分类错误。仿真结果和统计分析表明,提出的方法有较好的C5.0决策树分类能力。
- 陈爱萍张光会
- 关键词：离散化数据挖掘变精度粗糙集决策树
- 基于遗传算法的多校区排课系统的研究和实现被引量：1
- 2011年
- 对遗传算法进行初步研究,并针对多校区排课问题,提出基于遗传算法的课表编排算法。该算法根据课表编排的三种约束条件:基本硬约束、硬约束和软约束,确定课表编排过程中的一些关键因素,并给出排课过程中产生冲突的解决方案。通过对多校区教学现状的分析,实现基于遗传算法的课表编排原型系统,并将该系统应用于实际排课过程,经理论和实践表明该系统具有良好的自适应性,且效率较高。
- 陈爱萍田海梅
- 关键词：遗传算法课表适应度
- 基于改进的花授粉算法的虚拟机分配策略被引量：2
- 2021年
- 构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略(Flower pollination algorithm based virtual machine allocation,FPA-VMA)。FPA?VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA?VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明:FPA?VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。
- 田海梅徐胜超
- MDL理论的多属性值域划分方法被引量：1
- 2013年
- 连续属性值域划分方法是数据挖掘和机器学习领域的重要课题。但已有的大量离散化方法倾向于研究一维属性离散化问题,没有考虑多属性之间的相互关系,难于获得最佳的离散化结果。提出一种基于最小描述长度理论的多属性划分方法,通过定义多属性的模型选择问题,推导出多属性划分衡量函数;设计一种合理的算法来寻找最好的离散化结果。性能评价与分析表明,该方法在Naive贝叶斯分类器上有很好的分类学习能力。
- 陈爱萍范媛媛
- 关键词：离散化
- 多谓词约束下基于模式增长的频繁项集挖掘算法被引量：1
- 2011年
- 针对多维关联规则中挖掘事务数据库的所有频繁项集这一问题,提出了基于维约束进行求解的构想。采用模式增长的挖掘方法并根据谓词约束特征,设计了两种频繁项集挖掘算法,其中MCMFI1算法在指定约束下构建模式树并进行频繁项集挖掘,而节点向量约束的算法MCMFI2在预先挖掘出无约束频繁项集的情况下,依据给定约束对已有频繁集及模式树进行更新搜索,因此需要开销更多的主存,但在更新过程中有更高的效率。理论分析和实验结果都表明了MCM-FI算法的完备性和有效性。
- 马青霞李广水郑滔
- 关键词：频繁项集多维关联规则频繁模式树
- 基于RESTFUL的面向服务数据挖掘原型系统的设计与实现被引量：4
- 2014年
- 目前大多数服务是通过用RPC风格构建的,然而RPC风格的架构在可扩展性、耦合性和安全性等方面存在着瓶颈。结合分布式数据挖掘系统的特点,提出基于RESTFUL服务的分布式数据挖掘架构的思想,依据设计并实现一个对多节点上数据库频繁项集挖掘系统。实例论证了面向服务数据挖掘的合理性及利用RESTFUL服务实现分布式数据挖掘的优势。
- 马青霞王智钢李广水
- 关键词：数据挖掘关联规则
- 基于RESTFUL服务的分布式遗传算法被引量：4
- 2011年
- 根据REST及RESTFUL服务特点,构建一种基于REST的遗传算法。设计服务计算系统,采用主子2种独立的服务实现分布式遗传进化,利用PUT谓词及POX数据格式进行服务互调,以实现RESTFUL服务下的遗传组卷算法。实验结果表明,该算法具有较高的运行效率。
- 马青霞孙梅
- 关键词：遗传算法
- 基于ACO-LSSVM的网络流量预测被引量：12
- 2014年
- 为了提高了网络流量的预测精度,提出一种蚁群算法(ACO)优化最小二乘支持向量机(LSSVM)参数的网络流量预测算法(ACO-LSSVM)。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。
- 田海梅黄楠
- 关键词：网络流量蚁群优化算法最小二乘支持向量机SQUARE
