为了克服噪声、遮挡、背景的改变等对目标识别带来的困难,出现了很多的跟踪算法。提出了一种基于HSV色彩空间的目标跟踪融合算法,即在较短时间内,将目标的运动看作一时不变系统,引入卡尔曼滤波进行参数辨识,使
针对UF-tree中项集存在的数据和路径冗余的问题,设计了有序的压缩不确定树SCUF-tree,在节点中存储元素的不同支持度,达到压缩存储空间和方便移植已有的确定数据最大频繁项集算法的目的。结合最大频
分析了数据流频繁项挖掘算法EC的不足之处,如不能准确地挖掘最近一段时间内数据流的频繁项。提出了一种频繁项样本特征复合四元组的数据结构来保存样本集合,在此基础上,提出了一种基于滑动窗口的数据流频繁项挖掘
分析了目前降载技术的不足,提出了一种面向挖掘流数据频繁项集的降载策略。该策略采用了基于元组出现频率的语义删除策略,优先删除出现频率相对较低的元组,从而有效解决了在挖掘流数据中的频繁项所遇到系统超载时出
近年来随着新的应用的出现,比如网络流量分析、在线事物分析和网络欺诈检测等,对数据流的挖掘成了一个越来越重要的课题。对于数据流频繁项集的挖掘,目前绝大部分的研究都集中在传统的窗口模式下进行,即时间衰退窗
论文《频繁图模式挖掘的质量管理过程分析》
在大型网络数据库构架中,包含有海量的图片、声音、文字等数据信息,由于数据之间的差异性较大以及扰动干扰,导致对待访问的目标数据的隐蔽性较强,对隐蔽数据的快速挖掘是实现网络数据库优化访问的基础。传统方法采
为了保证数据库系统在不同的负载情况下,始终提供强大的事务处理能力,必须对数据库系统进行性能优化。依赖于DBA,来分析性能数据,然后进行系统优化,在系统越来越复杂、负载持续波动的情况下是很困难的,数据库
为了在多核处理器上充分利用多核资源以提升挖掘性能,提出了一种动态与静态任务分配机制相结合的基于多核的并行序列模式挖掘算法。该算法采用数据并行与任务并行相结合的策略,在各处理器核生成局部序列模式后,再与
Top-rank-k 频繁模式挖掘算法优化及其并行化研究 摘 要 数据挖掘 Data Mining 是当前数据库和信息决策领域的前沿研 究方向之一top-rank-k 频繁模式挖掘是数据挖掘中挖掘ra