基于单链接聚类过滤法的均值方差模型

为了消除由于估计收益率数据的时间序列的有限性而导致马克威茨均值-方差模型的统计不确定性,采用基于单链接聚类过滤法的均值-方差修正模型.选取上证50成分股2004~2007年的日数据,对修正前后的模型进行了实证对比分析发现:(1)修正后模型投资组合的可靠性系数比修正前模型的平均低0.067;(2)修正后模型投资组合估计风险和预测风险分别比修正前模型投资组合平均低0.096和3.329;(3)修正前模型投资组合的有效大小比修正后模型投资组合小0.0321,表明其风险分散程度更低.这在某种程度上表明:修正后模型要优于修正前模型的投资组合.     

基于关联规则挖掘的食品安全信息预警模型

针对食品生产加工的安全问题,建立了基于关联规则挖掘的食品安全信息预警模型,此模型从数据挖掘视角以食品生产加工的检测数据为处理对象,分析数据异常情况,采用改进的关联规则挖掘APTPPA算法,生成关联路径树、寻找频繁项集、最大频繁项和最大关联规则,进而抽取报警关联规则,挖掘导致食品安全问题的因素并进行诊断和预警,最后通过实验验证了预警挖掘模型的正确性和算法的有效性。     

一种新的定压边界处理方法

依据SIMPLE算法中边界压力的外推格式,结合定压边界条件重新推导了邻近边界内节点的压力计算公式.根据NEUMANN特性给出了新的定压边界速度计算公式,用IDEAL算法来处理压力和速度的耦合.讨论了定压边界流动传热问题的求解步骤.通过几个经典算例将本方法与文献方法进行了对比,结果表明本方法提高了定压边界问题数值解的精度,加快了迭代过程的收敛.     

连续时间的网络截流选址模型与算法——以防御性醉酒驾驶的拦截问题为例

首先提出了连续时间的网络截流选址问题,并以保护整个道路交通网络为目标,建立了防御性醉酒驾驶拦截问题的模型。根据问题的特征,分别设计了基于时间的迭代改进算法和离散选址问题的拉格朗日启发式算法,并通过随机实例对算法进行了测试。结果表明:连续时间的同步拦截问题可以通过分离连续的时间变量和离散的选址变量的方法,多次求解覆盖问题而有效解决,并且迭代改进算法对时间的搜索性更强,从而能够用较少的迭代次数解决原问题。     

MINRES法和有限元法解奇摄动反应扩散方程

讨论奇摄动反应扩散方程 的数值逼近求解问题, 及 均为正实数. 利用有限元方法并结合最小残量法, 给出求解该问题的一个新方 法, 该方法修正了单纯采用有限元方法求解时在边界附近呈现出的非正常扰动的 现象, 避免了因为 过小所引起的解的变异, 从而得到更加精确的数值结果.     

关联规则中一种负增量更新算法的探讨

针对关联规则负增量更新的挖掘问题,提出了一种高效的关联规则负增量更新算法,即NIUA。该算法充分利用原数据库中已有的频繁项集、所有1-项集来生成最小非频繁项集;并采用选样等策略求出删减数据后的频繁项集。整个算法只需扫描删减后的事务数据库一遍,从而提高了关联规则的更新效率。     

一种基于聚类与关联规则算法的DDoS攻击检测模型

分布式拒绝服务（Distribute Denial of Service）攻击是当前主要的网络安全威胁之一．本文分析了DDoS攻击的本质特征,提出了一种基于数据挖掘算法的DDoS攻击检测模型．该模型使用聚类算法与关联规则对网络流量与网络数据包连接状态分别建立特征模型,并确定DDoS攻击的检测阈值．实验表明,该检测模型能够实时有效的检测DDoS攻击．     

蚁群算法及其在TSP中的应用

根据蚂蚁生态学提出的蚁群算法是一种新颖的用于求解复杂组合优化问题的模拟进化算法,具有典型的群体智能特征,表现出较强的学习能力和适应能力。阐述了该算法的基本原理、算法模型和在旅行商问题中的具体应用过程,并对算法进行了总结和展望。     

QoS技术框架发展的趋势探析

伴随网络技术、多媒体技术的飞速发展,IP网在承载现有WWW、FTP、E-mail等服务的基础上,开始越来越多地承载VoIP以及交互式多媒体通信业务,而每种业务要求的传输时延和抖动等服务参数不尽相同。因此,为用户提供服务质量(QoS)成为Internet发展的重要挑战。网络QoS技术作为公认的新一代网络的核心技术之一,是当前网络研究和开发的热点。IP QoS的研究涉及许多内容,IETF已经提供了许多服务模型与机制来满足QoS需求,典型的有:集成服务(IntServ)/RSVP模型、区分服务(DiffServ)模型、多协议标签交换(MPLS)与流量工程(Traffic Engineering)等,而ITU-T则更偏重于QoS整体框架的制定和IP性能指标体系的构建。此外,MSF(城域网交换论坛)、Internet Ⅱ和IPCablecom也提供了多种的端到端IP QoS解决方案。     

Fault diagnosis model based on fuzzy support vector machine combined with weighted fuzzy clustering

A fault diagnosis model is proposed based on fuzzy support vector machine (FSVM) combined with fuzzy clustering (FC).Considering the relationship between the sample point and non-self class,FC algorithm is applied to generate fuzzy memberships.In the algorithm,sample weights based on a distribution density function of data point and genetic algorithm (GA) are introduced to enhance the performance of FC.Then a multi-class FSVM with radial basis function kernel is established according to directed acyclic graph algorithm,the penalty factor and kernel parameter of which are optimized by GA.Finally,the model is executed for multi-class fault diagnosis of rolling element bearings.The results show that the presented model achieves high performances both in identifying fault types and fault degrees.The performance comparisons of the presented model with SVM and distance-based FSVM for noisy case demonstrate the capacity of dealing with noise and generalization.