一、基于子规则的关联规则生成算法（论文文献综述）
陈志鹏,徐明伟,杨芫[1]（2021）在《SDN交换机转发规则TCAM存储优化综述》文中研究说明软件定义网络（SDN）将传统网络的控制平面和数据平面解耦,通过控制平面的控制器灵活地对网络进行管理,目前应用最广泛的控制协议是OpenFlow.三态内容寻址存储器（TCAM）查找速度快、支持三态掩码存储,在SDN网络中应用广泛.但TCAM成本高、功耗大,并且在存储含有范围字段匹配域的规则时候存在范围膨胀问题,因此交换机中可存储的转发规则数量,尤其是匹配域的数量和类型都比较多的OpenFlow规则数目非常有限,这成为约束SDN网络大规模扩展和应用的瓶颈.研究机构从不同角度提出了针对SDN中交换机转发规则的TCAM存储优化方案.本文从转发规则存储架构优化、本地交换机转发规则压缩、全局转发规则动态优化以及控制器参与的网络转发规则管理四个角度总结了相关研究工作,并提出了适合未来SDN网络的转发规则存储的综合优化方案.
谢悦[2]（2021）在《基于试错法的复杂车身曲面偏置问题研究》文中研究指明车身零部件复杂曲面模型的建立过程充满了挑战,在模型建立完成后,几何与设计参数发生变更后的稳定性不足,则成为另一个更为棘手的问题,而解决这些问题的代价就是浩繁的手工过程。基于二次开发的自动化程序能够在一定程度上解决效率问题,但在能力和适用性上又显着低于手工过程。汽车行业的竞争前所未有的激烈,车身设计开发周期一再缩短,上述问题已经成为车身开发效率提升过程中的最主要障碍,亟待解决。复杂性、多样性、不确定性,是车身曲面模型建立和编辑过程中必然面对的问题。这些问题也同时反映在每个具体的几何操作中,由此导致大量失败与复杂的手工过程。统计表明,无论多复杂的模型,都是由数量有限的几何操作组合而成。若能够对最脆弱的几何操作进行强化,则整个建模过程的效能将因此得到极大改善。本研究正是在这一构想下,与国内某车身企业车身开发部门合作展开。作为解决方案的一部分,本文选择最频繁出错的内生曲面偏置操作作为研究目标,实现和验证上述构想。研究调研发现,曲面偏置问题在学术上仍未得到很好的解决,实践中通常由工程师根据自身经验反复试错与修正,时间代价过于巨大,效率低下。有鉴于此,本研究在既有CAD几何架构和既有工程经验的基础上,完成一套基于试错法的“增强型”曲面偏置工具。试错法的效率明显低于直接解法,但其仅针对直接解法失败的案例,因此它是一个赋能过程,由此减少的人工干预带来更实质性的效率提升。本文将着重解决三方面问题:（1）算法与方法,（2）程序开发,（3）参数集成。手工建模效率是低下的,但就能力而言,确是万能的。计算机虽然是高效,但就能力而言,是无法与工程师相比较的。本文效仿入门级工程师以大量经验性方法反复试错的工作思路,形成专家库与知识工程系统,可以对计算机实现赋能,这也是本研究的出发点和特色。本工作在Siemens NX平台上通过C/C++二次开发完成,综合运用了NX Open API接口与知识工程技术,实现了参数化与特征化,显着的增强了既有偏置操作的效能,在企业的实际测试证实了这一点。本文方法是一种效法工程师的、接地气的逻辑,较好的解决了可靠性和稳定性问题。唯有解决可靠性和稳定性,无需手工干预的自动化才有可能,而唯有可靠的自动化,才能从根本上解决效率问题。
汤晔[3]（2021）在《面向图像识别的类脑计算学习方法的研究与实现》文中研究说明自从机器学习提出以来,计算机的应用范围越来越大,人工神经网络也引领着人工智能领域的研究,近几年,类脑计算的方法发展越来越迅速,特别是自从脉冲神经网络（Spiking Neural Networks,SNNs）的提出,类脑计算的发展到达了高潮。本文利用类脑计算的方式进行了关于图像识别的研究,具体内容如下:首先,介绍了类脑计算的研究背景和意义,综述国内外类脑计算的研究现状,阐述了本文的研究内容和技术路线。其次,针对脉冲神经网络,介绍了相关神经动力学基本原理以及SNNs与人脑神经元的联系,并总结了 SNNs与传统人工神经网络在网络模型和训练方法上的优劣势。第三,针对SNNs的脉冲时间依赖的突触可塑性（Spike Timing Dependent Plasticity,STDP）学习方法,介绍突触可塑性的17种子规则,并做了仿真实验验证子规则之间的搭配方式。第四,鉴于图像分类算法中对未曾训练过的样本的不兼容性,本文研究了一种基于深度学习的可扩展图像分类算法,可以对未曾训练过的样本进行识别并加以分类。通过实验结果证明,测试中添加新的未曾训练过的图像数据,在本研究神经网络中也可以识别出来并得到相对很好的实验结果。第五,针对小样本学习（Few-shot Learning,FSL）,进行了视频的分类任务,将视频分解成图像,利用小样本学习的学习方法,搭建网络结构并训练,完成了每种样本只有一个视频时的视频分类任务,并根据结果设计了后续实验并分析可以改进的地方。最后,对论文所做的工作进行了总结,并展望下一步工作。
谢绒娜[4]（2020）在《面向数据跨域流转的访问控制关键技术研究》文中进行了进一步梳理随着信息技术、计算机技术和通信技术的持续快速发展和广泛普及,形成了具有开放性、异构性和多安全域等诸多特性的复杂网络环境。复杂网络环境中,各种信息系统协同运作使得数据在不同系统、不同域的访问流转日益频繁。数据在跨系统跨域访问流转中面临着各种安全问题,如非法流转及流转后非法操作造成数据泄露、数据泄露后难以发现等。这些安全问题严重影响了新服务模式的推广使用。针对上述数据跨域流转的安全问题,本文从访问控制角度展开2方面研究:访问控制模型/策略和异常行为溯源。在访问控制模型/策略方面,针对复杂网络环境下数据跨域流转时受控共享和流转后延伸控制需求,提出跨域流转的访问控制模型与实施机制,提高控制效率;在数据跨域流转的异常行为溯源方面,基于区块链和智能合约理论,提出跨域流转的溯源机制,实现溯源追踪实时性。具体地,本文主要贡献如下:1)针对复杂网络环境下,数据跨域流转中受控共享和流转后延伸控制的需求,提出了涵盖传播控制和延伸控制的数据跨域流转访问控制模型,该模型基于起源属性和传播链进行访问控制,降低了原始数据泄露的风险。其中,传播控制通过将域间不同主体之间的传播操作划分为发送、接收、转发等,并定义数据流转安全规则,支撑解决数据在不同管理域内不同主体间非授权流转造成的泄露问题;延伸控制通过控制读、写、保存、删除、主体行为等延伸操作,阻止脱离管理域后数据的非授权使用。为提升访问控制的实施效率,利用树结构记录数据与其原始数据的逻辑关系,依据数据与其原始数据的关联度,从起源属性中删除关联度低的原始数据,以此简化起源属性,优化访问控制性能。通过发布订阅式通信模式,给出了数据跨域流转访问控制机制的实施方法,证明该机制的有效性。2)针对访问控制策略中策略复杂、数量庞大导致的评估效率低等问题,提出原子访问控制规则的概念,并采用“与、或、非”等逻辑连接词重构原子规则,生成基于代数表达的访问控制策略（Algebraic Expression Based Access Control Policy,AECP）。为提高策略评估和检测效率,提出基于集合逻辑关系和代数复合的AECP评估、冗余/冲突检测算法,分析表明了AECP评估与检测具有低的时间/空间复杂度。提出基于逻辑的策略翻译方法,实现将复杂访问控制策略翻译成语义等价的AECP,从而借助于高效的AECP冗余/冲突检测算法,提升复杂访问控制策略的冗余/冲突检测效率。3)针对数据跨域流转异常行为溯源中存在信息采集点集中、异常行为发现滞后、溯源效率低等问题,提出面向数据跨域流转的溯源机制。该机制通过执行区块链上的智能合约实现访问授权评估,确保访问控制过程的透明性;提出了基于区块链的日志生成方法,分布式记录客体在主体间传播以及主体对客体的延伸操作等日志,确保日志的不可篡改性;提出按需溯源信息生成和实时异常行为判断方法,设计异常行为溯源技术,生成异常行为证据链,实现对异常行为的实时发现与溯源。基于联盟链Hyperledger Fabric进行了实验仿真,结果显示该机制实现了数据跨域流转的透明性、溯源信息的真实性、异常行为溯源追踪的实时性,降低了区块链中溯源信息存储空间、提高溯源效率。
李政誉[5]（2020）在《机器人焊接工艺推理机制与参数优化方法研究》文中提出目前,机器人技术已经广泛的应用在焊接领域中,机器人焊接也正在朝着更高程度的自动化与智能化方向发展。而自动化和智能化均为焊接机器人实现高效加工的手段,焊接工艺作为连接产品设计与制造阶段的枢纽,对焊接效率、焊接成本以及焊接质量都有着极为重要的影响。焊接工艺智能规划配合工业机器人对实现更高程度的焊接自动化与智能化有着非常重要的意义。为提高机器人焊接工艺规划智能程度,本文以工艺知识、数据为核心,基于工艺推理与工艺优化等相关技术,研究了机器人焊接工艺推理机制与参数优化方法。本文首先面向机器人焊接工艺推理与优化需求,进行了焊接工艺推理与优化的总体方案设计。确定了机器人焊接工艺知识表示模型、工艺推理策略、工艺优化策略,并最终形成了机器人焊接工艺推理与优化的总体技术路线。随后对机器人焊接工艺知识进行可表示性研究。面向机器人焊接工艺推理中涉及到的各类工艺知识表示需求,为机器人焊接工艺推理提供结构合理、互操作性强的数据模型支持,满足随着工艺规划智能化不断深入对工艺知识的可重用性、可进化性与聚集共享性的需求。本文针对焊接工艺知识中的实例知识、规则知识,结合所采用推理技术的特点,构建了基于本体与基于置信结构规则表示方法的机器人焊接工艺知识表示模型。在工艺推理方面,本文提出基于案例推理（Case-based reasoning,CBR）与基于证据推理算法的置信规则库推理方法（Belief rule-base inference methodology using the evidential reasoning approach,RIMER）结合的焊接工艺推理机制。在焊接工艺推理过程中,首先利用K近邻算法对案例库中相似案例进行检索,将检索出来的目标案例进行案例修改,若修改后的案例可以满足实际需求则结束案例推理,否则进行基于RIMER的工艺推理。在基于RIMER的推理过程中,首先确定了不确定性下的知识表示方案,该方案中包括了诸如属性和规则权重等其他知识表示参数,在此基础上构建了基于分层置信结构的焊接工艺置信子规则库。然后利用证据推理算法实现规则库中的相应推理。最后构建软件验证平台对所提出的工艺推理方法进行了实例验证,验证结果表明该方法可以有效满足工艺推理需求。最后为优化焊接工艺推理结果与有效指导实际焊接,本文提出一种基于Stacking模型融合与粒子群算法的焊接工艺参数优化方法。通过对多个GPR、SVR等基预测模型与次级预测模型的融合构建了焊接工艺性能预测模型。在优化过程中,将该预测模型引入粒子群优化算法中实现对焊接工艺参数的优化,获得最优的焊接工艺参数。验证实验结果表明,基于Stacking算法对多个模型进行融合后所得的焊接工艺性能预测模型预测精度要优于单一预测器,该方法能够有效提高工艺性能预测模型的精度与泛化性能,而且优化后所得到的最优工艺参数可以获得性能良好的焊缝。因此,本文所提出的优化方法可以有效的对工艺推理结果进行优化并指导实际焊接加工。
毋文超[6]（2020）在《大数据环境下基于属性的访问控制关键技术研究》文中进行了进一步梳理确保数据安全共享是广泛应用大数据技术的前提。基于属性的访问控制（ABAC）根据实体固有的属性和环境属性进行权限判决,可以有效适应大数据环境实体数量多、动态加入、权限复杂多变的特点。但是大数据环境具有属性来源复杂、权限关联关系庞大等特点,难以获取用以决策的属性集和策略集,难以对策略进行验证与更新。本文针对大数据环境的属性优化、策略挖掘、策略演化等关键问题进行研究,完成了如下工作:1.提出了基于ABAC的大数据访问控制框架。针对大数据环境下实体多、动态加入退出、访问控制需求复杂等特点,选用基于属性的访问控制模型提供多粒度、强动态的访问控制。针对大数据环境下授权属性集构建、策略集构建、策略验证与更新困难等关键问题,对基础ABAC进行了扩展,添加属性优化模块、策略挖掘模块和策略演化模块;然后对框架中各组件的任务和功能进行了定义,对框架的工作流程进行了介绍。2.提出了一种基于权限聚类的实体属性值优化方法。针对大数据环境下实体属性来源复杂、标定质量难以保证的问题,将实体根据与其关联的权限信息聚类,从而为基于粗糙集理论的属性值约简与修正提供高质量的实体划分;然后基于属性值关于实体聚类的分布合并具有相同分布的冗余值,接着以粗糙集中定义的属性集对于实体聚类标签的支持度为评价标准,验证出现频率低于该属性所有值平均出现频率的值是否可以修改为其他值,完成属性值的修正。最后通过UCI公开数据集验证了该算法对于策略挖掘效果的提升。3.提出了一种基于日志的富语义ABAC策略挖掘方法。针对大数据环境下实体数量多、权限关联关系复杂、难以构建策略集的问题,提出了一种基于日志的策略挖掘方法。使用实体满足的属性约束来对日志进行扩展,利用频繁模式挖掘算法挖掘频繁共现的属性约束组成候选授权规则集合,而后基于准确度质量度量标准选择正确率高、过度授权风险小的规则子集,基于语义质量度量标准选择语义质量高的规则子集,基于贪心方法选择与筛选后的规则子集等价的最小规则集。最后分别在手写数据集和公开数据集上对算法进行了验证,实验结果显示所提算法相较于已有方法在F1得分等指标上有较大提升;在手写数据集上验证了所挖掘的策略在语义方面的提升。4.提出了一种基于增量学习的ABAC策略演化方法。针对大数据环境下权限关联关系复杂、访问需求多变,难以对策略集进行验证更新的问题,在日志中添加主体的行为明细,将授权规则对应日志子集的行为明细输入增强自组织增量神经网络学习该授权规则下的行为类。从而将日志子集按学习到的行为类划分,利用关联规则挖掘算法挖掘原规则在各行为类下的子规则。然后统计子规则覆盖的行为明细的范围,为子规则添加行为特征的约束,对授权规则指定的权限作进一步细化,并随着访问需求改变而不断修正,降低系统的过度授权风险,降低来自内部的安全威胁。
贾林林[7]（2020）在《基于组织P系统的频繁项集挖掘算法研究与应用》文中提出膜计算是自然计算的一个新分支,模型的构建强调在细胞功能原理中寻求灵感,其模型通常称为P系统。P系统主要由膜结构、对象以及进化规则三部分构成,具有与图灵机等价的计算能力。频繁项集挖掘是数据挖掘领域中一个非常重要的任务,挖掘数据中共同频繁出现的有趣项集组合,进一步发现频繁项集之间的关联,在各种推荐和预测模型中应用广泛。如今在“大数据时代”,海量数据非常容易获取,但海量数据的存储,计算能力不足等问题给频繁项集挖掘任务带来巨大的挑战,因此需要结合新的计算模型,融入新的改进方法。将P系统应用于数据挖掘,既是P系统应用领域的拓展,也为数据挖掘技术发展提供了新思路和新方法。本文首先介绍了研究的背景和意义,对涉及到的膜计算、频繁项集挖掘的研究现状和发展趋势做了综述。详细介绍了组织P系统结构定义,频繁项集挖掘含义及算法,然后对文章的结构和创新点进行了概述。提出新型膜计算模型并与改进的频繁项集挖掘算法结合,最后应用到两个实际应用中。主要研究内容如下:1.基于组织P系统和细胞分裂分化功能提出新型裂化自适应组织P系统（DATP）,利用寄存器原理验证系统的计算能力,自适应的分裂和分化规则可以减少资源使用。在生物酶和通道反馈机制基础上基于DATP衍生出特定酶促裂化自适应组织P系统（EDATP）和反馈裂化自适应组织P系统（FDATP）,设计系统运行机制和进化规则,优化系统结构。2.提出基于EDATP系统的改进Eclat算法,直接膜算法ETP-EL。利用包含性质和膜系统结构提出改进的剪枝策略,减少在频繁项集挖掘过程中的判断次数和系统内使用对象的数量。设计算法规则,分析算法流程,利用P系统的并行性和大规模性,极大地降低了算法时间复杂度并通过实例实验验证了系统有效性,最后利用四个数据集分析了算法阈值选取的重要性及剪枝策略的有效性。3.改进了VTK算法,提出基于FDATP系统的PDT-VTK算法,设计规则和系统结构实现算法在膜中的运行。利用差异集数据结构改进算法并设计支持度求解方式,减少算法在密集数据频繁项集挖掘过程中的内存占用并提高时间效率,设计格式转换条件使算法在不同的情况下自动选择合适的数据形式,利用UCI、PUMSB和真实数据集验证了改进算法的有效性。4.将提出的ETP-EL算法应用到微博用户推荐应用中,在频繁项集基础上结合关联规则设计了微博用户推荐系统,根据用户的微博关注ID信息向其推荐兴趣相关用户。将PDTVTK算法应用到超市货架布局应用中,在对超市购物篮原始信息进行处理分类之后,挖掘商品类之间的相关性,给出合理的超市货架布局推荐。
王琳[8]（2020）在《基于扩展P系统的粒子群算法及其在聚类分析中的应用》文中研究指明PSO算法作为一类仿生智能优化算法,是模拟自然界中鸟群觅食行为而抽象出来的计算模型。每个粒子依靠个体经验和群体经验来调整自己的运动轨迹,从而可以通过简单的个体行为实现复杂的群体行为。但是,正是由于PSO算法的不确定性和随机性,算法在运行后期易于陷入局部最优,出现早熟的现象。尤其是在面对复杂的优化问题时,算法在收敛精度和收敛速度方面都需要进一步的提高和优化。膜计算,又可以称为P系统,是模拟细胞、组织和器官之间生化反应而抽象出来的新型计算模型。作为自然计算的一个重要分支,P系统的计算模型主要是由膜结构、膜对象和膜规则三部分构成。由于细胞、组织和器官之间的相互独立性,P系统也是按照分布式并行模型运行,许多研究已经证明了P系统的计算能力不仅可以等价于图灵机,甚至还有可能超越图灵机的局限性。聚类分析一直是数据挖掘领域内的热点研究问题,尤其是在移动数据爆炸式增长的今天,传统的PSO聚类算法在处理这些数据时存在一定的局限性。因此,必须要结合新的计算方法或者引入新的计算模型,来提高PSO算法的聚类性能。图像分割问题一直都是聚类分析方法的重要应用,如何提高PSO算法的分割效果、降低PSO算法的计算复杂度是分割算法研究工作中的热点内容。本文的主要研究内容如下:（1）提出了三种扩展P系统的计算模型在传统P系统的基础上,提出了三种扩展膜计算模型,分别是基于膜分裂/膜溶解规则的进化交流类细胞P系统、带有促进剂/抑制剂的进化交流类组织P系统和链式P系统,分别从膜结构、膜对象和膜规则三方面构建了扩展P系统的计算模型,最后对三种扩展P系统通过计算能力分析证明了其有效性。（2）提出了基于扩展P系统的多粒子群协同进化模型（PSO-P）通过引入P系统的分布式计算框架和进化交流规则,建立了基于扩展P系统的多粒子群协同进化模型（PSO-P）,将PSO算法中的种群划分成多个子种群,并通过子种群内部和子种群之间的进化-交流机制实现多个子种群的协同进化过程。（3）提出了一种基于扩展类细胞P系统的PSO优化算法（DSPSO-ECP）将改进的八哥PSO算法和基于膜溶解/膜分裂规则的进化交流类细胞P系统相结合,提出了DSPSO-ECP算法。在该算法中,引入了基于适应度-欧氏距离比值的邻居选择策略,并结合了个体最优和全局最优信息来调整粒子的位置。通过扩展类细胞P系统中的膜分裂/膜溶解规则来避免子种群陷入局部最优。（4）提出了一种基于扩展类组织P系统的QPSO优化算法（CQPSO-ETP）将改进的QPSO算法和带有促进剂/抑制剂的交流进化类组织P系统相结合,提出了CQPSO-ETP算法。在该算法中,引入了种群多样性函数和协作学习机制,分别定义了带有促进剂和抑制剂的进化规则,通过相邻子种群的共享信息来动态的调整粒子的迭代进化过程。（5）提出了一种基于复合链式P系统的PSO聚类算法（KEPSO-CCP）在传统的PSO聚类算法中,引入划分后的类簇信息作为粒子的环境信息,每个粒子结合历史信息、全局信息和环境信息来确定自己下一步的搜索方向。同时,基于复合链式P系统的交叉变异规则,通过差分进化算法中的交叉变异操作实现对子种群内的全局最优的局部搜索。（6）提出了三种基于扩展P系统的粒子群图像分割算法针对三种基于扩展P系统的粒子群算法,提出了三种图像分割算法,分别是基于类细胞P系统的混合PSO聚类分割算法,基于链式P系统的PSO聚类分割算法以及基于类组织P系统的QPSO两阶段聚类分割算法。第一种混合PSO分割算法通过结合FCM聚类算法来求解灰色图像分割问题。第二种PSO聚类分割算法将最大化类间方差作为目标函数,来求解多级阈值灰度图像分割问题。第三种基于QPSO两阶段聚类分割算法,通过结合超像素分割算法（SLIC）,来求解彩色图像分割问题。综上所述,本文主要提出了三种扩展P系统的计算模型,并在此基础上构建了基于扩展P系统的多粒子群协同进化模型。同时在三种扩展P系统的计算框架下,分别嵌入了PSO、QPSO和PSO聚类算法,并结合P系统中膜分裂/膜溶解、促进剂/抑制剂、链式结构的基本概念,提出了三种基于扩展P系统的PSO算法,并将优化后的计算模型和聚类模型,应用于图像分割问题中,以此提高PSO算法的最终分割效果。
王鑫[9]（2019）在《基于膜计算的数据挖掘算法研究及在卒中问题中的应用》文中进行了进一步梳理智能化时代,随着医疗技术的飞速发展和医疗物联网应用的日益普及,产生了海量的医学数据。与此同时,医疗行为越来越依靠于对数据的判断,这就需要从海量的诊疗数据中挖掘出有价值的信息。因此设计适用于海量诊疗数据的数据挖掘方法就尤为重要。膜计算,又称为P系统,是从活细胞的组织和结构抽象出来的一类具有非确定性和极大并行性的智能仿生计算模型,特别适合处理海量数据。因此,本文提出膜聚类算法和膜关联规则算法,并将其应用于卒中危险因素高危模式的发现和卒中病人群落的划分。所做的主要工作包括以下内容:1.提出基于类细胞P系统的互k近邻图聚类算法—PICP-MkNNG算法为了在不预设簇数目的前提下,有效识别具有任意形状和密度不均匀的簇,本文将传统的互k近邻聚类算法（MkNN）和图理论相结合,提出了互k近邻图聚类算法--MkNNG。该算法认为互为k近邻的点彼此连接,形成连通子图,同一个连通子图中的点相对靠近,被聚在同一个簇中,而非连通子图中的点相对疏远,被聚为不同的簇。为了提高MkNNG算法的效率,使之能够处理海量数据,基于P系统的非确定性和极大并行性,本文设计了含多促进剂和抑制剂的类细胞P系统—PICP系统。提出了基于PICP系统的、使用膜中的对象和规则实现聚类的互k近邻图膜聚类算法—PICP-MkNNG算法。实验和分析表明,PICP-MkNNG算法,能够发现不同密度和形状的簇,不需要预设簇的数目,只需要一个输入参数,并且具有非常低的时间复杂度和非常高的计算效率。2.提出基于类组织P系统的共享近邻图聚类算法—PITP-SNNG算法为了区分彼此靠近的簇,在MkNNG聚类算法的基础上,提出了其改进算法--共享近邻图聚类算法（SNNG）。该算法认为,图中互为k近邻的两个点要有若干个共同的邻居,才属于同一个簇。接着,设计了含促进剂和抑制剂的类组织P系统—PITP系统,并提出了基于PITP系统的共享近邻图聚类算法—PITP-SNNG算法。最后,通过实验和分析证明了该算法聚类的有效性和高效性。3.提出基于类组织P系统改进的最大频繁项集挖掘算法—PITP-PS算法Pincersearch算法是一种高效的最大频繁集搜索算法。为了提高最大频繁项集的搜索效率,将Pincer-Search算法和P系统理论相结合,提出了基于PITP系统改进的最大频繁项集挖掘方法—PITP-PS算法。实例和分析表明此算法用于发现最大频繁项集是有效且高效的。4.提出基于类组织P系统改进的多最小支持度关联规则算法—PITP-MSApriori算法MS-Apriori算法是一种适用于数据库中事务发生频率不均等的频繁项集挖掘算法。为了提高其搜索效率,本文将其与P系统相结合,提出了基于PITP系统的MS-Apriori算法—PITP-MSApriori算法。实例和分析表明此算法既适用于处理事务频率不均等情况下稀有项的挖掘,又具有极大的并行性,适于处理大规模数据集。5.提出基于类组织P系统的最大模式子空间聚类算法—PITP-MFIS算法子空间聚类是解决高维聚类的一种有效方法。本文提出了一种用膜计算模型进行子空间聚类的新方法—PITP-MFIS算法。该膜计算模型包含两部分:子系统Ⅰ和子系统Ⅱ。子系统Ⅰ使用PITP-SNNG算法获得一维空间中的簇。子系统Ⅱ以子系统Ⅰ的结果作为输入,将相关子空间的发现和最大频繁项集的挖掘原理相结合,使用PITP-PS算法,发现满足预设条件的相关子空间和簇。人工数据集和UCI数据集的实验和分析表明,该算法不但对高维数据具有很好的聚类质量,而且具有极高的运算效率。6.采用PITP-PS算法获得了卒中危险因素的高危组合模式,采用PITP-MFIS算法对入院卒中病人进行了群落划分。研究选取2018年1月至2018年12月,某院住院治疗的卒中患者1254例,以电子病历为依据,结合影像学资料和相关检验数据,采集卒中患者诊疗信息。首先对得到的数据进行预处理,将数据库中的事务记录转换为适合P系统处理的对象。使用PITP-PS算法获取了卒中若干危险因素的高危组合模式。使用PITP-MFIS算法对住院卒中患者进行聚类分析,获得了病人群落的不同划分。最后,对所得结果进行了分析讨论。
刘兆禄[10]（2019）在《基于Spark的网络流量分类研究》文中提出大数据时代,互联网飞速发展,网络规模呈指数增长,各种新型的网络服务层出不穷,网络组成也变得尤为复杂。网络流量分类（Network Traffic Classify,NTC）在分析用户行为、增强网络可控性、提高网络服务质量（Qualityof Service,QoS）和保障网络安全等方面起着至关重要的作用。随着互联网规模的持续扩大和性能的不断提升,当今大规模高速网络流量具有数据量大、多样性、传输快、价值密度低等特性;面对这些大规模高速网络的独有特性,传统的网络流量分类方法有些力不从心。为了能够迅速、准确地对大规模高速网络下的流量数据进行分类,本文利用决策树的相似性和权重集成策略对随机森林算法进行改进。通过计算决策树的相似度为依据,消除决策树之间的决策冗余,提高分类效率;依据决策树的分类性能为每棵决策树设定权重,并根据权重集成决策树形成随机森林,保证模型的泛化能力的同时提升模型分类性能。另外还利用流的启发式特点,引入强相关性指导聚合网络流量以此获得更好的分类性能。传统网络流量分类方法由于单机硬件资源的局限性都难以适用于大规模高速网络环境。因此为了突破单机资源的限制,文章使用Spark及其相关技术结合并行化的改进随机森林算法构建了适用于大规模高速网络环境下的流量分类系统。并且经过实验证明了系统良好的健壮性、可行性和可扩展性等;系统大幅度降低了分类时间,提高了分类效率。
二、基于子规则的关联规则生成算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于子规则的关联规则生成算法（论文提纲范文）
（1）SDN交换机转发规则TCAM存储优化综述（论文提纲范文）
| 1 引言 |
| 2 转发规则存储结构优化 |
| 2.1 TCAM自身结构 |
| 2.1.1 扩展TCAM(E-TCAM) |
| 2.1.2 二进制内容可寻址存储器BCAM |
| 2.1.3 动态可配置TCAM |
| 2.2 转发规则存储芯片优化 |
| 2.2.1 专用集成电路ASIC |
| 2.2.2 交换机CPU |
| 2.2.3 网络现场可编程门阵列NetFPGA |
| 2.3 混合存储结构 |
| 2.3.1 TCAM和SRAM混合存储方案 |
| 2.3.2 nvTCAM和sTCAM混合存储 |
| 2.3.3软件和硬件交换机混合存储 |
| 2.4 多级规则集存储方案 |
| 2.4.1根据匹配域逻辑关系构造 |
| 2.4.2通过高效的映射机制构造 |
| 3 本地转发规则压缩算法 |
| 3.1 压缩规则集中规则的数目 |
| 3.1.1 规则集压缩算法 |
| 3.1.2范围字段优化编码 |
| 3.2 逻辑表达式最小化 |
| 3.3 减少规则集中规则的宽度 |
| 3.3.1根据分组头部信息熵裁剪匹配域 |
| 3.3.2根据逻辑关系裁剪匹配域 |
| 3.4 其他压缩方案 |
| 4 网络全局转发规则优化 |
| 4.1 基于规则放置的优化方案 |
| 4.2 路由转发策略的优化方案 |
| 4.2.1 路径聚合方法 |
| 4.2.2 求解数学模型 |
| 4.3 标签路由算法 |
| 4.3.1 利用OpenFlow自带的协议字段 |
| 4.3.2 网络不使用OpenFlow协议 |
| (1)协议无关路由 |
| (2)优化标签编码方案 |
| 4.4 TCAM有限条件下的QoS指标优化 |
| 5 控制器参与网络转发规则管理机制 |
| 5.1 规则生成和下发管理机制 |
| 5.2 规则缓存机制 |
| 5.3 规则超时和溢出管理机制 |
| (1)规则超时处理 |
| (2)交换机规则溢出控制 |
| 6 总结 |
（2）基于试错法的复杂车身曲面偏置问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 本文的思路与方法 |
| 1.3.2 本文的研究目标与关键性问题 |
| 1.4 本章小结 |
| 2 平台搭建和关键软件技术 |
| 2.1 关键问题概述 |
| 2.2 解决方案与开发平台 |
| 2.2.1 工程解决方案 |
| 2.2.2 二次开发平台的基本架构 |
| 2.3 自动更新机制与特征实现 |
| 2.3.1 模型的参数化实现 |
| 2.3.2 高效的交互界面 |
| 2.4 本章小结 |
| 3 基于试错法的增强型偏置方案 |
| 3.1 方案概述 |
| 3.2 问题曲面的判定准则 |
| 3.2.1 小曲率曲面的判定准则 |
| 3.2.2 小曲率半径曲面的分类 |
| 3.2.3 具有小曲率半径过渡曲面的分类判定方法 |
| 3.2.4 畸形曲面的判定准则 |
| 3.2.5 非切向连续的问题区域的判定准则 |
| 3.2.6 凸台、筋的等小特征的识别方法 |
| 3.3 问题曲面的修复方法 |
| 3.3.1 最小曲率半径不达标曲面的修复方法 |
| 3.3.2 畸形曲面的修复方法 |
| 3.3.3 非切向连续的问题区域的修复 |
| 3.4 本章小结 |
| 4 增强型偏置模块的功能实现 |
| 4.1 系统架构 |
| 4.2 人机界面设计 |
| 4.2.1 主界面设计 |
| 4.2.2 试错规则管理界面 |
| 4.2.3 试错规则设定界面 |
| 4.3 算法及功能的软件实现 |
| 4.4 自动更新机制与特征建模的实现 |
| 4.5 功能扩展能力的实现 |
| 4.6 本章小结 |
| 5 方案测试与验证 |
| 5.1 白箱测试 |
| 5.2 黑箱测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）面向图像识别的类脑计算学习方法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 类脑计算的国内外研究现状 |
| 1.2.1 SNNs的训练方法的研究现状 |
| 1.2.2 小样本学习的国内外研究现状 |
| 1.3 课题任务 |
| 1.3.1 课题内容 |
| 1.3.2 本人承担任务 |
| 1.4 论文结构组织 |
| 第二章 脉冲神经网络相关理论基础 |
| 2.1 LIF动力学概述 |
| 2.2 脉冲神经网络 |
| 2.2.1 人脑神经元模型 |
| 2.2.2 脉冲神经网络模型 |
| 2.2.3 脉冲神经网络特性 |
| 2.2.4 脉冲神经网络训练方法 |
| 2.3 SNNs与ANNs对比 |
| 2.3.1 ANNs的特点 |
| 2.3.2 SNNs的优劣势 |
| 2.3.3 对比总结 |
| 2.4 本章小结 |
| 第三章 类脑局部学习机制的实现 |
| 3.1 研究背景和目的 |
| 3.2 FLEXLEARN相关背景知识 |
| 3.2.1 FlexLearn简介 |
| 3.2.2 时间步 |
| 3.3 FLEXLEARN学习规则 |
| 3.3.1 迹线 |
| 3.3.2 突触可塑性学习规则 |
| 3.4 STDP算法实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 脉冲神经网络搭建 |
| 3.4.3 数据集选取 |
| 3.4.4 实验设置 |
| 3.4.5 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 可扩展图像分类算法 |
| 4.1 研究背景与目的 |
| 4.2 相关原理 |
| 4.2.1 名词及缩写说明 |
| 4.2.2 可扩展图像分类算法 |
| 4.2.3 训练方法原理 |
| 4.2.4 骨干网络模型选择 |
| 4.3 实验与分析 |
| 4.3.1 实验设计 |
| 4.3.2 神经网络模型搭建 |
| 4.3.3 数据及神经网络模型细节 |
| 4.3.4 二分类对比实验 |
| 4.3.5 十分类实验 |
| 4.4 本章小结 |
| 第五章 视频小样本学习 |
| 5.1 研究背景与目的 |
| 5.1.1 视频分类背景 |
| 5.1.2 研究目的 |
| 5.2 相关原理 |
| 5.2.1 小样本学习 |
| 5.2.2 视频小样本算法原理 |
| 5.3 实验与分析 |
| 5.3.1 实验设计 |
| 5.3.2 神经网络模型搭建 |
| 5.3.3 数据集处理 |
| 5.3.4 实验设置 |
| 5.3.5 实验结果与分析 |
| 5.3.6 商标数据集测试 |
| 5.3.7 结果分析总结 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）面向数据跨域流转的访问控制关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 概述 |
| 1.1.2 问题与挑战 |
| 1.1.3 研究意义 |
| 1.1.4 课题来源 |
| 1.2 研究内容与创新点 |
| 1.2.1 研究内容 |
| 1.2.2 创新点 |
| 1.3 论文组织结构 |
| 第二章 国内外研究现状与发展趋势 |
| 2.1 面向数据跨域流转的访问控制 |
| 2.1.1 数据流控制 |
| 2.1.2 延伸访问控制 |
| 2.1.3 基于起源的访问控制 |
| 2.2 访问控制策略重构 |
| 2.2.1 访问控制策略描述语言 |
| 2.2.2 访问控制策略生成 |
| 2.2.3 访问控制评估与策略检测 |
| 2.3 面向数据跨域流转的溯源 |
| 2.3.1 区块链与智能合约 |
| 2.3.2 基于区块链的访问控制 |
| 2.3.3 基于区块链的溯源 |
| 2.4 本章小结 |
| 第三章 面向数据跨域流转的访问控制模型 |
| 3.1 引言 |
| 3.2 数据跨域流转场景定义 |
| 3.3 面向数据跨域流转的访问控制机制 |
| 3.3.1 访问控制框架 |
| 3.3.2 传播控制模式 |
| 3.3.3 延伸控制模式 |
| 3.3.4 安全性分析 |
| 3.4 基于数据关联度的访问控制性能优化 |
| 3.4.1 客体与其原始数据的关联度计算 |
| 3.4.2 客体起源属性简化 |
| 3.4.3 性能优化 |
| 3.5 发布订阅通信模式中的应用 |
| 3.5.1 应用场景分析 |
| 3.5.2 访问控制机制实施 |
| 3.5.3 性能优化与测试 |
| 3.6 本章小结 |
| 第四章 基于代数表达的访问控制策略重构 |
| 4.1 引言 |
| 4.2 基于代数表达的访问控制策略(AECP)描述 |
| 4.2.1 原子访问控制规则描述 |
| 4.2.2 基于代数表达的访问控制规则描述 |
| 4.3 AECP评估与检测 |
| 4.3.1 AECP评估方法 |
| 4.3.2 原子规则冗余与冲突检测 |
| 4.3.3 AECP冗余与冲突检测 |
| 4.3.4 AECP性能分析 |
| 4.4 访问控制策略翻译 |
| 4.4.1 基于逻辑访问控制规则翻译 |
| 4.4.2 基于逻辑访问控制策略翻译 |
| 4.5 实验与仿真 |
| 4.6 本章小结 |
| 第五章 面向数据跨域流转的溯源机制 |
| 5.1 引言 |
| 5.2 面向数据跨域流转的溯源框架 |
| 5.2.1 溯源设计原则 |
| 5.2.2 面向数据跨域流转的溯源架构 |
| 5.3 基于区块链的数据跨域流转日志生成 |
| 5.3.1 客体上传与策略部署 |
| 5.3.2 客体访问 |
| 5.3.3 客体操作 |
| 5.3.4 实用拜占庭共识机制 |
| 5.3.5 区块链数据结构 |
| 5.4 基于区块链的溯源 |
| 5.4.1 离线溯源追踪 |
| 5.4.2 在线溯源追踪 |
| 5.5 安全性和性能分析 |
| 5.5.1 安全性分析 |
| 5.5.2 性能分析与实验仿真 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）机器人焊接工艺推理机制与参数优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 工艺推理研究现状 |
| 1.3 焊接工艺优化研究现状 |
| 1.4 本文主要研究内容及论文结构 |
| 第2章 机器人焊接工艺推理与参数优化总体方案设计 |
| 2.1 需求分析 |
| 2.2 工艺推理与优化策略 |
| 2.2.1 工艺知识表示模型 |
| 2.2.2 工艺推理策略 |
| 2.2.3 工艺优化策略 |
| 2.3 总体方案设计 |
| 2.4 本章小结 |
| 第3章 机器人焊接工艺知识表示模型研究 |
| 3.1 机器人焊接工艺知识的概念与分类 |
| 3.2 知识的获取 |
| 3.3 焊接工艺知识表示 |
| 3.4 实例知识表示 |
| 3.4.1 焊接任务 |
| 3.4.2 焊接资源 |
| 3.4.3 焊接工艺 |
| 3.5 推理知识表示 |
| 3.6 本章小结 |
| 第4章 基于CBR与RIMER的机器人焊接工艺推理机制研究 |
| 4.1 机器人焊接工艺推理机制概述 |
| 4.2 基于CBR的机器人焊接工艺检索 |
| 4.2.1 案例检索 |
| 4.2.2 案例修订与重用 |
| 4.3 基于RIMER的机器人焊接工艺推理 |
| 4.3.1 基于证据推理算法的规则推理概述 |
| 4.3.2 不同形式输入信息的转化方法 |
| 4.3.3 基于置信结构的分层置信规则库构建 |
| 4.3.4 基于RIMER的机器人焊接工艺推理引擎构建 |
| 4.4 机器人焊接工艺推理机制集成 |
| 4.5 验证平台构建与实例验证 |
| 4.5.1 验证平台构建 |
| 4.5.2 实例验证 |
| 4.6 本章小结 |
| 第5章 机器人焊接工艺性能预测与参数优化研究 |
| 5.1 机器人焊接工艺性能预测与参数优化概述 |
| 5.2 基于Stacking模型融合的工艺性能预测模型 |
| 5.2.1 高斯过程回归模型 |
| 5.2.2 支持向量回归模型 |
| 5.2.3 基于Stacking的模型融合实施方法 |
| 5.3 焊接工艺参数优化模型 |
| 5.3.1 粒子群优化算法概述 |
| 5.3.2 优化目标构建 |
| 5.3.3 基于模型融合与粒子群的工艺参数优化方法构建 |
| 5.4 实验与算法验证 |
| 5.4.1 焊接试验 |
| 5.4.2 焊接工艺性能预测模型验证 |
| 5.4.3 焊接工艺参数优化模型验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 创新点 |
| 6.3 下一步工作展望 |
| 参考文献 |
| 攻读硕士期间发表的学术论文 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）大数据环境下基于属性的访问控制关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 章节安排 |
| 第二章 基于属性的访问控制关键技术研究综述 |
| 2.1 属性预处理研究现状 |
| 2.1.1 属性约简研究现状 |
| 2.1.2 属性优化研究现状 |
| 2.2 策略工程研究现状 |
| 2.3 策略演化研究现状 |
| 2.4 存在的问题及解决思路 |
| 2.5 本章小结 |
| 第三章 基于ABAC的大数据访问控制框架 |
| 3.1 大数据环境下应用ABAC的挑战 |
| 3.2 基于ABAC的大数据访问控制框架授权要素 |
| 3.2.1 框架基本元素 |
| 3.2.2 框架授权规则 |
| 3.3 基于ABAC的大数据访问控制框架实施结构 |
| 3.3.1 框架组成 |
| 3.3.2 工作过程 |
| 3.4 框架分析 |
| 3.5 本章小结 |
| 第四章 基于权限聚类的实体属性值优化 |
| 4.1 概述 |
| 4.2 基本概念 |
| 4.2.1 属性 |
| 4.2.2 DBSCAN聚类算法 |
| 4.2.3 粗糙集理论 |
| 4.2.4 属性值优化问题描述 |
| 4.3 基于权限聚类的属性值优化 |
| 4.3.1 构造主体的权限集合表示 |
| 4.3.2 主体聚类 |
| 4.3.3 属性值优化 |
| 4.4 算法实现 |
| 4.4.1 主体按权限聚类 |
| 4.4.2 合并同分布属性值 |
| 4.4.3 低频属性优化 |
| 4.4.4 算法时间复杂度分析 |
| 4.5 实验验证 |
| 4.5.1 实验环境与数据集 |
| 4.5.2 实验结果 |
| 4.6 本章小结 |
| 第五章 基于日志的富语义ABAC策略挖掘 |
| 5.1 概述 |
| 5.2 基本概念 |
| 5.2.1 ABAC策略语言 |
| 5.2.2 基于日志的ABAC策略挖掘问题 |
| 5.3 基于日志的富语义ABAC策略挖掘算法 |
| 5.3.1 规则准确度质量度量标准 |
| 5.3.2 规则语义质量度量标准 |
| 5.4 LRSAPM算法实现 |
| 5.4.1 候选规则挖掘 |
| 5.4.2 候选规则筛选 |
| 5.4.3 候选规则化简 |
| 5.5 实验验证 |
| 5.5.1 实验环境与数据集 |
| 5.5.2 实验方法与结果 |
| 5.5.3 策略语义质量分析 |
| 5.6 本章小结 |
| 第六章 基于增量学习的ABAC策略演化 |
| 6.1 概述 |
| 6.2 基本概念 |
| 6.2.1 基本约束和额外约束 |
| 6.2.2 行为类 |
| 6.2.3 增强自组织增量神经网络 |
| 6.3 基于增量学习的策略演化算法 |
| 6.3.1 学习行为类 |
| 6.3.2 规则细化 |
| 6.4 算法实现 |
| 6.4.1 行为类学习 |
| 6.4.2 规则细化 |
| 6.5 实验验证 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 有待进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（7）基于组织P系统的频繁项集挖掘算法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 组织P系统的研究现状及发展趋势 |
| 1.2.2 频繁项集挖掘的研究现状及发展趋势 |
| 1.3 理论概述 |
| 1.3.1 组织P系统 |
| 1.3.2 频繁项集挖掘 |
| 1.4 论文主要研究内容及创新点 |
| 1.4.1 论文研究内容及框架 |
| 1.4.2 论文创新点 |
| 第二章 裂化自适应组织P系统 |
| 2.1 裂化自适应组织P系统(DATP) |
| 2.1.1 裂化自适应组织P系统形式化定义 |
| 2.1.2 裂化自适应组织P系统计算能力证明 |
| 2.2 特定酶促裂化自适应组织P系统(EDATP) |
| 2.3 反馈裂化自适应组织P系统(FDATP) |
| 第三章 基于EDATP系统的改进ECLAT频繁项集挖掘算法(ETP-EL) |
| 3.1 EDATP系统中的对象编码方式及剪枝策略 |
| 3.1.1 垂直数据格式编码 |
| 3.1.2 EDATP系统中的剪枝策略 |
| 3.2 基于EDATP的改进ECLAT算法(ETP-EL) |
| 3.2.1 ETP-EL系统设计 |
| 3.2.2 ETP-EL规则执行过程 |
| 3.3 实例验证分析 |
| 3.3.1 垂直数据格式及编码 |
| 3.3.2 频繁项集挖掘过程 |
| 3.4 算法性能比较分析 |
| 3.4.1 时间复杂度 |
| 3.4.2 阈值选取及剪枝效率分析 |
| 第四章 基于FDATP系统的改进VTK频繁项集挖掘算法(PDT-VTK) |
| 4.1 差异集及格式转换条件设置 |
| 4.1.1 差异集及支持度求解设计 |
| 4.1.2 格式转换条件设置 |
| 4.2 结合两种垂直数据结构的DT-VTK算法 |
| 4.3 基于FDATP的 DT-VTK算法(PDT-VTK) |
| 4.3.1 PDT-VTK系统及规则设计 |
| 4.3.2 PDT-VTK算法运算过程 |
| 4.4 实验分析 |
| 4.4.1 实验数据 |
| 4.4.2 事务集与差异集内存占用比较 |
| 4.4.3 格式转换条件效果分析 |
| 第五章 基于DATP的频繁项集挖掘算法的应用研究 |
| 5.1 关联规则挖掘 |
| 5.2 ETP-EL算法在微博用户推荐中的应用 |
| 5.2.1 微博用户推荐问题分析 |
| 5.2.2 基于ETP-EL的微博用户推荐系统 |
| 5.2.3 实际运用及结果分析 |
| 5.3 PDT-VTK算法在超市货架布局中的应用 |
| 5.3.1 超市货架布局问题分析 |
| 5.3.2 数据处理 |
| 5.3.3 结果与分析 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间论文发表情况 |
| 攻读学位期间项目参与情况 |
| 攻读学位期间获奖情况 |
| 致谢 |
（8）基于扩展P系统的粒子群算法及其在聚类分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表示和英文缩写清单 |
| 符号表示目录 |
| 英文缩写目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 P系统的研究现状 |
| 1.2.2 PSO算法的研究现状 |
| 1.2.3 聚类分析的研究现状 |
| 1.3 基本概念及计算模型 |
| 1.3.1 P系统 |
| 1.3.2 PSO算法 |
| 1.3.3 聚类分析 |
| 1.4 论文主要研究内容及组织框架 |
| 1.4.1 研究内容 |
| 1.4.2 论文创新点 |
| 1.4.3 论文组织框架 |
| 第2章 扩展P系统 |
| 2.1 基于膜分裂/膜溶解规则的进化交流类细胞P系统(ECP) |
| 2.1.1 ECP系统形式化定义 |
| 2.1.2 ECP系统膜结构 |
| 2.1.3 ECP系统膜规则 |
| 2.1.4 ECP系统计算能力分析 |
| 2.2 带有促进剂/抑制剂的进化交流类组织P系统(ETP) |
| 2.2.1 ETP系统形式化定义 |
| 2.2.2 ETP系统膜结构 |
| 2.2.3 ETP系统膜规则 |
| 2.2.4 ETP系统计算能力分析 |
| 2.3 链式P系统(CP) |
| 2.3.1 CP系统形式化定义 |
| 2.3.2 CP系统膜结构 |
| 2.3.3 CP系统膜规则 |
| 2.3.4 CP系统计算能力分析 |
| 第3章 基于扩展P系统的多粒子群协同进化模型 |
| 3.1 协同进化 |
| 3.1.1 基本思想 |
| 3.1.2 基本模型 |
| 3.2 基于扩展P系统的多粒子群协同进化计算模型(PSO-P) |
| 3.2.1 基本思想 |
| 3.2.2 计算框架 |
| 3.2.3 基本操作 |
| 3.2.4 计算流程 |
| 3.2.5 收敛性分析 |
| 3.3 三类扩展的PSO-P模型 |
| 3.3.1 基于膜分裂/膜溶解的自适应PSO-P模型 |
| 3.3.2 基于环形传递的PSO-P模型 |
| 3.3.3 基于混合策略的PSO-P模型 |
| 3.4 实验结果及分析 |
| 3.4.1 测试函数 |
| 3.4.2 参数设置 |
| 3.4.3 对比实验 |
| 3.4.4 t-假设检验 |
| 第4章 基于ECP的动态粒子群优化算法 |
| 4.1 基于集体响应机制的八哥PSO算法(SPSO) |
| 4.1.1 集体响应机制 |
| 4.1.2 基本流程 |
| 4.2 动态八哥PSO算法(DSPSO) |
| 4.2.1 适应度-欧式距离 |
| 4.2.2 引入全局最优的动态八哥PSO算法 |
| 4.3 基于ECP的动态八哥PSO算法(DSPSO-ECP) |
| 4.3.1 DSPSO-ECP系统的形式化定义 |
| 4.3.2 DSPSO-ECP算法的初始结构设计 |
| 4.3.3 DSPSO-ECP算法的规则设计 |
| 4.3.4 DSPSO-ECP算法的流程描述 |
| 4.3.5 DSPSO-ECP算法的时间复杂度分析 |
| 4.4 实验结果及分析 |
| 4.4.1 测试函数 |
| 4.4.2 参数设置 |
| 4.4.3 对比试验 |
| 4.4.4 Friedman假设检验 |
| 第5章 基于ETP的量子粒子群优化算法 |
| 5.1 量子PSO算法(QPSO) |
| 5.1.1 基本进化方程 |
| 5.1.2 两种搜索迭代策略 |
| 5.2 基于协作学习机制的自适应量子PSO算法(CQPSO) |
| 5.2.1 自适应机制 |
| 5.2.2 协作学习策略 |
| 5.2.3 Logistic混沌映射系统 |
| 5.3 基于ETP的自适应量子PSO算法(CQPSO-ETP) |
| 5.3.1 CQPSO-ETP系统的形式化定义 |
| 5.3.2 CQPSO-ETP算法的结构设计 |
| 5.3.3 CQPSO-ETP算法的规则设计 |
| 5.3.4 CQPSO-ETP算法的流程描述 |
| 5.3.5 CQPSO-ETP算法的时间复杂度分析 |
| 5.4 实验结果及分析 |
| 5.4.1 测试函数 |
| 5.4.2 参数设置 |
| 5.4.3 对比实验 |
| 5.4.4 Friedman假设检验 |
| 第6章 基于复合CP的粒子群划分聚类算法 |
| 6.1 带有环境因子的PSO聚类算法(EPSO) |
| 6.1.1 环境因子 |
| 6.1.2 EPSO算法的基本流程 |
| 6.1.3 带有环境因子的粒子群划分聚类算法(KEPSO) |
| 6.2 差分进化算法(DE) |
| 6.2.1 基本原理 |
| 6.2.2 基本操作 |
| 6.3 基于复合CP的粒子群划分聚类算法(KEPSO-CCP) |
| 6.3.1 复合CP系统的形式化定义(CCP) |
| 6.3.2 KEPSO-CCP算法的结构设计 |
| 6.3.3 KEPSO-CCP算法的规则设计 |
| 6.3.4 KEPSO-CCP算法的流程描述 |
| 6.3.5 KEPSO-CCP算法的时间复杂度分析 |
| 6.4 实验结果及分析 |
| 6.4.1 实验数据集 |
| 6.4.2 评估函数 |
| 6.4.3 参数设置 |
| 6.4.4 对比实验 |
| 6.4.5 Friedman假设检验 |
| 第7章 基于扩展P系统的粒子群聚类算法在图像分割问题中的应用 |
| 7.1 图像分割问题 |
| 7.1.1 模型描述 |
| 7.1.2 基本方法 |
| 7.2 基于DSPSO-ECP算法的模糊聚类灰度图像分割问题 |
| 7.2.1 基于模糊C均值的灰度图像分割问题(FCM) |
| 7.2.2 基于DSPSO-ECP的模糊聚类灰度图像分割算法 |
| 7.2.3 实验结果及分析 |
| 7.3 基于KEPSO-CCP算法的多级阈值灰度图像分割问题 |
| 7.3.1 多阈值图像分割问题 |
| 7.3.2 基于KEPSO-CCP的多级阈值灰度图像分割算法 |
| 7.3.3 实验结果及分析 |
| 7.4 基于CQPSO-ETP聚类算法的两阶段彩色图像分割问题 |
| 7.4.1 彩色图像分割问题 |
| 7.4.2 超像素分割算法(SLIC) |
| 7.4.3 基于SLIC和 CQPSO-ETP的两阶段彩色图像分割算法 |
| 7.4.4 实验结果及分析 |
| 第8章 总结与展望 |
| 8.1 研究总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间论文成果目录 |
| 攻读博士学位期间项目成果目录 |
| 攻读博士学位期间获奖成果目录 |
| 致谢 |
（9）基于膜计算的数据挖掘算法研究及在卒中问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关概念及研究进展 |
| 1.2.1 膜计算及研究进展 |
| 1.2.2 聚类分析及研究进展 |
| 1.2.3 关联规则及研究进展 |
| 1.2.4 医疗数据挖掘研究进展 |
| 1.3 研究内容与组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文创新点 |
| 1.3.3 论文组织结构 |
| 第二章 基于类细胞P系统的互k近邻图聚类算法 |
| 2.1 互k近邻图聚类算法 |
| 2.1.1 互k近邻图定义 |
| 2.1.2 MkNNG算法聚类过程 |
| 2.2 PICP-MkNNG聚类算法 |
| 2.2.1 PICP系统 |
| 2.2.2 PICP-MkNNG系统结构和规则 |
| 2.2.3 规则执行过程 |
| 2.2.4 时间复杂度分析 |
| 2.3 实验与分析 |
| 2.3.1 实例测试 |
| 2.3.2 实验 |
| 2.3.3 参数讨论 |
| 2.4 本章小结 |
| 第三章 基于类组织P系统的共享近邻图聚类算法 |
| 3.1 共享近邻图聚类算法 |
| 3.1.1 共享近邻图定义 |
| 3.1.2 SNNG算法聚类过程 |
| 3.2 PITP-SNNG聚类算法 |
| 3.2.1 PITP系统 |
| 3.2.2 PITP-SNNG系统结构和规则 |
| 3.2.3 规则执行过程 |
| 3.2.4 时间复杂度分析 |
| 3.3 实验与分析 |
| 3.3.1 实例测试 |
| 3.3.2 实验 |
| 3.3.3 参数讨论 |
| 3.4 本章小结 |
| 第四章 基于类组织P系统的最大频繁项集挖掘算法 |
| 4.1 Pincer-Search算法 |
| 4.1.1 最大频繁项集 |
| 4.1.2 Pincer-Search算法挖掘过程 |
| 4.2 PITP-PS算法 |
| 4.2.1 PITP-PS系统结构和规则 |
| 4.2.2 规则执行过程 |
| 4.2.3 时间复杂度分析 |
| 4.3 实例测试 |
| 4.4 本章小结 |
| 第五章 基于类组织P系统的多最小支持度关联规则算法 |
| 5.1 MS-Apriori算法 |
| 5.1.1 多最小支持度的定义 |
| 5.1.2 MS-Apriori算法挖掘过程 |
| 5.2 PITP-MSApriori算法 |
| 5.2.1 PITP-MSApriori系统结构和规则 |
| 5.2.2 规则执行过程 |
| 5.2.3 时间复杂度分析 |
| 5.3 实例测试 |
| 5.4 本章小结 |
| 第六章 基于类组织P系统的最大模式子空间聚类算法 |
| 6.1 MFIS算法 |
| 6.1.1 获得各一维基本簇 |
| 6.1.2 子空间聚类 |
| 6.2 PITP-MFIS算法 |
| 6.2.1 PITP-MFIS系统结构和规则 |
| 6.2.2 规则执行过程 |
| 6.2.3 时间复杂度分析 |
| 6.3 实验与分析 |
| 6.3.1 实例测试 |
| 6.3.2 实验 |
| 6.3.3 参数讨论 |
| 6.4 本章小结 |
| 第七章 基于P系统的卒中危险因素高危模式发现及病人群落划分 |
| 7.1 基于PITP-PS算法的卒中危险因素高危模式发现 |
| 7.1.1 资料来源 |
| 7.1.2 数据预处理 |
| 7.1.3 基于PITP-PS发现卒中危险因素高危组合模式 |
| 7.1.4 结果及讨论 |
| 7.2 基于PITP-MFIS算法的卒中病人群落划分 |
| 7.2.1 数据预处理 |
| 7.2.2 基于PITP-MFIS的卒中病人群落划分 |
| 7.2.3 结果及讨论 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 进一步工作计划 |
| 参考文献 |
| 攻读博士学位期间的科研成果目录 |
| 致谢 |
（10）基于Spark的网络流量分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 分类技术研究现状 |
| 1.2.2 Spark技术研究现状 |
| 1.3 论文主要研究内容与创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要创新点 |
| 1.4 文章的组织结构 |
| 第二章 网络流量分类综述 |
| 2.1 网络流量分类基本概念 |
| 2.2 常用网络流量分类方法 |
| 2.2.1 基于端口号的网络流量分类方法 |
| 2.2.2 基于深度包检测的网络流量分类方法 |
| 2.2.3 基于机器学习的网络流量分类方法 |
| 2.2.4 网络流量分类方法总结 |
| 2.3 网络流量分类过程 |
| 2.3.1 网络流量分类步骤 |
| 2.3.2 网络流量的相关性 |
| 2.3.3 网络流量特征提取 |
| 2.4 本章小结 |
| 第三章 基于相似性和权重改进随机森林算法 |
| 3.1 随机森林算法概述 |
| 3.1.1 集成学习 |
| 3.1.2 决策树 |
| 3.1.3 算法构成 |
| 3.1.4 算法优缺点及改进方法 |
| 3.2 基于相似性和权重改进随机森林模型 |
| 3.2.1 决策树之间的相似性 |
| 3.2.2 决策树权重及集成策略 |
| 3.3 算法的并行化设计 |
| 3.4 本章小结 |
| 第四章 基于Spark平台的并行化设计 |
| 4.1 引言 |
| 4.2 关键技术介绍 |
| 4.2.1 Spark技术简介 |
| 4.2.2 HDFS技术简介 |
| 4.2.3 Kafka技术简介 |
| 4.2.4 Flume技术简介 |
| 4.3 分布式流量分类系统 |
| 4.3.1 系统设计 |
| 4.3.2 系统架构 |
| 4.4 系统流量抓取模块 |
| 4.5 数据处理模块 |
| 4.6 模型训练模块 |
| 4.7 本章小结 |
| 第五章 实验设计与分析 |
| 5.1 实验数据集和实验环境 |
| 5.1.1 实验数据集 |
| 5.1.2 实验环境 |
| 5.2 实验设计 |
| 5.3 评价指标 |
| 5.3.1 分类性能 |
| 5.3.2 加速比 |
| 5.3.3 可扩展性 |
| 5.4 实验结果分析 |
| 5.4.1 模型分类性能 |
| 5.4.2 基于Spark的流量分类系统评价 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
四、基于子规则的关联规则生成算法（论文参考文献）
- [1]SDN交换机转发规则TCAM存储优化综述[J]. 陈志鹏,徐明伟,杨芫. 计算机学报, 2021(07)
- [2]基于试错法的复杂车身曲面偏置问题研究[D]. 谢悦. 大连理工大学, 2021(01)
- [3]面向图像识别的类脑计算学习方法的研究与实现[D]. 汤晔. 北京邮电大学, 2021(01)
- [4]面向数据跨域流转的访问控制关键技术研究[D]. 谢绒娜. 西安电子科技大学, 2020
- [5]机器人焊接工艺推理机制与参数优化方法研究[D]. 李政誉. 山东大学, 2020(10)
- [6]大数据环境下基于属性的访问控制关键技术研究[D]. 毋文超. 战略支援部队信息工程大学, 2020(03)
- [7]基于组织P系统的频繁项集挖掘算法研究与应用[D]. 贾林林. 山东师范大学, 2020(09)
- [8]基于扩展P系统的粒子群算法及其在聚类分析中的应用[D]. 王琳. 山东师范大学, 2020(08)
- [9]基于膜计算的数据挖掘算法研究及在卒中问题中的应用[D]. 王鑫. 山东师范大学, 2019(09)
- [10]基于Spark的网络流量分类研究[D]. 刘兆禄. 北京化工大学, 2019(06)