检索结果-内蒙古大学图书馆

作者：潘平峻上海交通大学

学位级别：硕士

随着城市化进程的不断发展,城市开始面临各种各样的风险和挑战。交通拥堵、交通安全和环境污染已经成为了中国大多数城市面临的三大难点问题。大力发展城市有轨交通成为了解决这些难点问题的重要手段之一。实现城市有轨交通网络的智能... 详细信息

随着城市化进程的不断发展,城市开始面临各种各样的风险和挑战。交通拥堵、交通安全和环境污染已经成为了中国大多数城市面临的三大难点问题。大力发展城市有轨交通成为了解决这些难点问题的重要手段之一。实现城市有轨交通网络的智能化、集成化、高效化的管理也是智慧城市的重要组成部分。本课题基于上海市智能交通卡数据及有轨交通网络的空间信息,对城市有轨交通网络中的乘客移动行为以及站点客流进行了统计分析和建模预测。本文主要基于统计方法、机器学习、张量分析、模式识别等方法,对城市有轨交通网络进行分析、挖掘和预测,主要包括城市有轨交通网络的乘客出行模式挖掘和高峰流量预测、高峰时刻估计。首先,本文从统计角度研究了城市有轨交通网络乘客流量的数据基本特征以及时空相关性,在早晚高峰和非高峰时段分别分析了各个地铁站点的潮汐效应及人流更迭情况,统计了客流量的热门站点,并采用聚集抽样的方式研究了两类典型的乘客出行模式概况。针对城市有轨交通网络的乘客出行模式挖掘,首先基于历史交通流特征分析和验证,提取了交通流数据包含的先验特征,然后将交通流数据重构为5维交通张量,其考虑了交通流数据包含的时间序列基本趋势、多周期特征、空间信息和突变性,之后采用张量分解的方法对流量进行模式分解,对比了时空模式的差异,最后通过实验分析了交通流在多种模式影响下的变化,并挖掘出乘客的出行模式和证明了交通流先验知识的可靠性。针对城市有轨交通网络的高峰流量预测及高峰时刻估计,基于乘客模式挖掘工作中验证的交通流量先验知识,提出了结合“先验建模”和“后验分析“的高峰客流预测框架,并设计了高峰张量填充算法来预测未来高峰流量和估计高峰时刻,采用交替方向乘法器(ADMM)进行优化问题的求解,之后通过计算去除特定模式的张量模型在交通数据集上的预测性能来定量估计先验特征的重要性,最后设计了预测时间提前量和预测区间长度两种实验方案从多角度评估预测性能。实验结果表明,本文提出的方法在高峰时段和非高峰时段都表现出优异的性能,与基线模型相比,预测误差减少了25%-40%,并且我们的模型在预测时间提前量和区间长度方面是鲁棒的。

关键词：模式挖掘交通流预测张量分解张量填充

来源：评论

学校读者我要写书评

暂无评论

基于模式挖掘及人工神经网络的量化投资实证研究

基于模式挖掘及人工神经网络的量化投资实证研究

引用

作者：郑小雪浙江大学

学位级别：硕士

本文建立了一种基于模式挖掘及人工神经网络的投资策略模型，该模型综合考虑了股票的趋势性和随机性，对投资者制定投资策略具有参考性。　　文章中首先将滑动窗口中的股票序列定义为数据集合，使用K-means方法，将数据聚类得到时间序... 详细信息

本文建立了一种基于模式挖掘及人工神经网络的投资策略模型，该模型综合考虑了股票的趋势性和随机性，对投资者制定投资策略具有参考性。　　文章中首先将滑动窗口中的股票序列定义为数据集合，使用K-means方法，将数据聚类得到时间序列模式，并且得到频繁的序列模式组合，这些模式组合中预示了股票一定的趋势性。人工神经网络算法已经在股票投资决策模型中被大量使用，本文综合考虑到股票行为的趋势性和随机性，将股票的随机震动指标，相对强弱指标等其他指标进行主成分分析后得到的主要成分及频繁模式的预测结果作为神经网络的输入层单元，将股票未来一段时间内股票收益分类作为输出单元建立神经网络，并用实证数据验证该模型。　　该实证研究比较了在模型中使用聚类方法，并使用支持向量机及人工神经网络两种算法对模型准确率的影响，并得出初步结论，人工神经网络的准确率要高于支持向量机算法。　　文中提出了一个客观的模型综合考虑了股票时间序列的趋势性和随机性，对科学的分析未来可能存在的投资机会有一定的参考价值。

关键词：股票市场投资策略模式挖掘人工神经网络

来源：评论

学校读者我要写书评

暂无评论

快速近似图模式挖掘系统关键技术研究

快速近似图模式挖掘系统关键技术研究

引用

作者：王亦君电子科技大学

学位级别：硕士

随着互联网数据的指数级增长,大数据技术得到蓬勃发展。大量数据由不同实体之间的关联和交互产生,非常适合用图数据结构建模,即将实体信息存储为顶点,将实体之间的交互信息存储为边。图挖掘技术通过分析图的拓扑结构来研究数据之间的关... 详细信息

随着互联网数据的指数级增长,大数据技术得到蓬勃发展。大量数据由不同实体之间的关联和交互产生,非常适合用图数据结构建模,即将实体信息存储为顶点,将实体之间的交互信息存储为边。图挖掘技术通过分析图的拓扑结构来研究数据之间的关联性,而用于发现图中特定子图结构的图模式挖掘是其中的关键任务。图数据集规模日趋庞大,很多应用对实时响应的要求也越来越高,传统模式挖掘的时延变得无法接受。研究者逐渐在模式挖掘的实践中发现精确结果不是必要的,多数应用只需得出数量级吻合的结果即可。因此,近似图模式挖掘方法逐渐受到关注。近似挖掘算法通过采样手段减小数据集规模,再基于概率估计全数据集结果。然而当前的近似挖掘算法仍然耗时严重,扩展性较差。研究发现大多数图数据集服从幂律分布,即顶点和度数的关系常表现为幂律函数。本文通过大量实验发现,幂律图中不同顶点对模式数量的贡献区别显著。本文以此为出发点,提出两种快速近似图模式挖掘算法以及相应的预处理技术。·提出一种基于幂律分布的估计器分配策略的近似挖掘算法PDED(Power-law Driven Estimator Distribution)。通过分析大量图数据发现,幂律图中高度数顶点的连接边比低度数顶点的连接边对模式数量的贡献更大。传统近似图模式挖掘算法未考虑这一特征,对所有边进行均匀采样,导致采样效率较低和缩放因子不准确的问题。PDED基于幂律分布有效分配估计器,直接在全图边集中采样。不仅节约了扫描边流的开销,而且提高了高概率边采样概率,实现了快速、精准的模式估计。通过控制估计器总数,PDED可以实现灵活的误差与执行时间的平衡。·提出一种基于模式分布模型的近似挖掘算法PODA(Pattern Occurrence Distribution-based Approximation)。实验发现,幂律图中模式数量随度数序列的累积分布函数也遵循幂律特征。因此,PODA只扫描少量度数的边集,计算模式数作为样本点,根据模式的幂律特征拟合分布模型,最后依据模型估算整体模式数量。因为模型拟合存在误差,故PODA仍隶属近似挖掘算法,但扫描的边数比传统采样方法大大减少,处理速度快,扩展性好。同时,PODA的采样点计算可以看做是小规模子问题,为了进一步提供误差与执行时间的灵活性,PODA支持精确计数(ACC,accurate counting)以及模糊计数(APP,approximate counting),可应用当前任何算法。·基于图度数分布的的预处理技术。图的幂律特征与度数分布关系紧密,在具体执行模式挖掘任务之前,对图的度数序列进行处理,预先获取图数据集的度数信息,生成辅助数据结构,能够更好地在近似图模式挖掘中应用幂律分布特征。主要包括:图简单化去除自环和平行边;度数重排序保证高度数顶点连接边能够被更高概率访问;度数字典支持在原图中按度数划分子图;压缩稀疏行索引结构实现快速分离邻域节点,加速挖掘算法执行。本文基于Spark Graph X设计并实现了原型系统,基于公开著名图数据集进行大量验证。实验结果表明,与精确模式挖掘相比,PDED速度可提升1-3个数量级,PODA的ACC和APP方法分别提高1.5-2倍和4-50倍。与现有近似模式挖掘相比,PDED执行速度提高了100倍,而PODA的ACC和APP的执行速度平均提高了5倍和20倍,误差均不超过10%,满足近似模式挖掘应用普遍要求。

关键词：图挖掘模式挖掘近似计算幂律图

来源：评论

学校读者我要写书评

暂无评论

高频繁度低效用模式挖掘算法及其在云计算下的实现研究

高频繁度低效用模式挖掘算法及其在云计算下的实现研究

引用

作者：常仲民浙江工商大学

学位级别：硕士

模式挖掘是数据挖掘技术中的一个重要的研究方向。对于传统的频繁模式挖掘和高效用模式挖掘,它们只能分别用来挖掘频繁模式和高效用模式。在许多实际应用场景下,这些传统的单纯的频繁模式挖掘和效用模式挖掘模型的范畴会比较狭窄,不能... 详细信息

模式挖掘是数据挖掘技术中的一个重要的研究方向。对于传统的频繁模式挖掘和高效用模式挖掘,它们只能分别用来挖掘频繁模式和高效用模式。在许多实际应用场景下,这些传统的单纯的频繁模式挖掘和效用模式挖掘模型的范畴会比较狭窄,不能满足实际应用中的多样化分析需求,人们往往对频繁度和效用值都感兴趣,不单单只是频繁度或者效用值。为了解决这个问题,本文提出同时考虑支持度和效用值,进而挖掘更有价值的模式,其中一种就是高频繁度低效用模式,并提出了一个新颖的算法 HFLUP(High Frequency and Low Utility Patterns Mining Algorithm)。挖掘高频繁度低效用模式的最简单直接的方法就是分为两阶段来挖掘,首先利用频繁模式挖掘算法来挖掘出所有的高频繁度模式,然后再从这些高频繁度模式中找出效用值低于用户指定的最大效用阈值的模式,即最终得到高频繁度低效用模式。但是这种两阶段的挖掘方式会产生大量的候选集,且需多次遍历数据库,磁盘I/0开销大,挖掘效率低。因此,为了避免这些问题,本文提出的高频繁度低效用模式挖掘算法HFLUP是一个不产生候选集的单阶段算法,并且只需要遍历数据库两次。本文还提出了一个新的数据结构,叫做FUL,用来存储模式的效用信息以及裁剪搜索空间的信息,通过FULs,算法可以高效地直接挖掘出高频繁度低效用模式且无需产生候选模式。为了减小搜索空间,提高挖掘效率,提出了有效的且规模可控的效用下界裁剪策略以及通过lookahead策略预先确定高频繁度低效用模式而无需递归枚举。大量实验表明:所提出的两个裁剪策略是有效且高效的,HFLUP算法在运行时间和内存消耗上大大优于两阶段的高频繁度低效用模式挖掘方法。本文的第二项工作是将所提出的算法并行化,以适应海量大数据处理的要求,以克服单机的物理内存局限所造成单机挖掘的低效率。本文采用云计算模式下的基于内存的分布式计算框架Spark来实现算法的并行化,提出了基于Spark的并行高频繁度低效用模式挖掘算法PHFLUPS(Parallel High Frequency and Low Utility Patterns Mining Algorithm Based on Spark),以便利用大规模分布式集群来并行挖掘大数据。对比实验表明,PHFLUPS算法比基于MapReduce的并行高频繁度低效用模式挖掘算法效率更高,并且在大规模数据集上并行化算法要比单机HFLUP算法效率高。本文的思路和所提出的相关技术同样适用于挖掘其他类型的模式,比如低频繁度高效用模式。

关键词：数据挖掘高频繁度低效用模式模式挖掘大数据 MapReduce Spark

来源：评论

学校读者我要写书评

暂无评论

基于比特运算的项集模式挖掘研究

基于比特运算的项集模式挖掘研究

引用

作者：李彦志吉林大学

学位级别：硕士

数据挖掘在数据分析和知识提取方面发挥着重要作用,而模式是数据规律的体现,数据挖掘已成为模式发现的有效工具。常见的模式类型包括聚类、项集和趋势等。其中,项集模式具有举足轻重的地位。关联规则挖掘(Association Rule Mining,ARM)... 详细信息

数据挖掘在数据分析和知识提取方面发挥着重要作用,而模式是数据规律的体现,数据挖掘已成为模式发现的有效工具。常见的模式类型包括聚类、项集和趋势等。其中,项集模式具有举足轻重的地位。关联规则挖掘(Association Rule Mining,ARM)是数据挖掘领域的一个重要分支,其用于揭示数据中属性之间的关联和潜在的规律。ARM以挖掘频繁项集(Frequent Itemset,FI)为基础,可以进一步推导出具有一定关联性的规则,并进一步推荐相关的产品、服务或信息,帮助智能系统做出决策,提高用户端的体验和满意度。挖掘项集模式是ARM的基本步骤之一,并消耗了ARM的大部分资源。频繁项集有许多不同的派生项集,包括最大频繁项集(Maximal Frequent Itemset,MFI)、周期项集、闭合频繁项集以及top-k项集等。其中MFI是FI的一种重要的派生项集,尽管其数量比FI的数量小若干数量级,但依然能为决策系统保留足够的信息。此外,周期项集模式(Periodic Itemset Pattern,PIP)将FI的频率标准和周期度量标准结合。以变异系数作为周期度量方法的PIP可以反映项集的周期属性,并被广泛用于预测周期性事件的发生。然而,挖掘MFI会消耗大量的时空资源,因此研究人员一直致力于开发效率更高,成本更低的MFI挖掘方法。此外,PIP的数量众多,会产生大量冗余。Skyline周期项集模式(Skyline Periodic Itemset Pattern,SPIP)是一种特殊的PIP。挖掘SPIP可以有效地减少PIP的数量,并保证预测的准确性。现有的SPIP挖掘算法在挖掘SPIP时先使用FP-Growth生成所有FI,然后从FI中识别SPIP。这种分割的步骤没有有效地利用挖掘过程中的中间变量,导致了不必要的时间开销,同时会并造成空间资源的浪费。为提高挖掘FI的效率,本文提出了一种名为Bit Miner的高效方法用于挖掘MFI。这种方法嵌入了剪枝机制,使得迭代在满足特定条件时及时停止,以减少搜索空间并消除不必要的搜索。它将数据集编码成比特表的形式,并利用高效的比特操作处理数据集中的项集。此外,本文还提出了一种名为BitSPIM的基于比特的新方法来挖掘SPIP。该方法引入了高效的比特表示法,并利用先前步骤中获得的中间变量来加速SPIP的识别。同时采用了的剪枝机制来消除不必要的搜索。为评估Bit Miner和BitSPIM的时间和空间资源消耗,本文在不同属性的数据集上进行了一系列对比实验。将Bit Miner与最先进的和经典的MFI挖掘方法进行了实验。实验结果表明,在大多数情况下,Bit Miner在时间消耗和内存使用方面都比对比方法表现得更好。将BitSPIM与目前唯一的SPIP挖掘方法进行了比较。实验结果表明,BitSPIM明显优于最新的SPIP挖掘方法。

关键词：模式挖掘频繁项集最大频繁项集 Skyline周期项集比特运算

来源：评论

学校读者我要写书评

暂无评论

基于多组学数据的复杂疾病网络模式挖掘方法研究

基于多组学数据的复杂疾病网络模式挖掘方法研究

引用

作者：丁倩曲阜师范大学

学位级别：硕士

复杂疾病往往是由遗传、环境等多种因素共同作用导致的。挖掘复杂疾病的潜在遗传模式是揭示复杂疾病遗传机理的重要方法,其中基于多组学数据的复杂疾病网络模式挖掘方法为识别复杂疾病的遗传因子提供了新思路。本文以仿真数据和真实的... 详细信息

复杂疾病往往是由遗传、环境等多种因素共同作用导致的。挖掘复杂疾病的潜在遗传模式是揭示复杂疾病遗传机理的重要方法,其中基于多组学数据的复杂疾病网络模式挖掘方法为识别复杂疾病的遗传因子提供了新思路。本文以仿真数据和真实的复杂疾病多组学数据(基因表达数据、甲基化数据、拷贝数变异数据、单核苷酸多态性数据等)为基础,以遗传交互网络的构建与网络模式挖掘方法为手段,致力于发现复杂疾病的潜在遗传模式。具体研究内容如下:(1)针对复杂疾病多组学数据的网络构建问题,提出交互部分互信息测度,有效量化基因之间的依赖关系,从而构建基因之间的交互作用网络。将该方法应用到复杂疾病的基因表达数据上,进而从该基因网络中提取了与复杂疾病相关的特征基因以及重要通路。(2)针对复杂疾病遗传因子间的高阶交互作用检测问题,引入了两种节点用于构建高阶网络:真实节点表示遗传因子,虚拟节点表示遗传因子之间的交互作用。对构建的高阶交互网络进一步挖掘得到高密度子图,并对其进行了相关生物意义的验证。(3)针对复杂疾病遗传网络的节点检测问题,提出了基于归一化中心性测度的网络节点挖掘与分析方法。首先,识别复杂疾病的差异表达基因,并构建差异表达基因之间的遗传交互网络。然后,提出归一化中心性测度,全面分析该遗传网络中基因的局部特征和全局特征,从而充分挖掘网络中蕴含的特征基因以及重要生物通路。(4)针对复杂疾病多组学整合数据的社团挖掘问题,提出基于鲁棒主成分分析方法的社团挖掘与分析方法。首先,对多个复杂疾病的基因表达数据进行整合,引入鲁棒主成分分析方法从整合数据中筛选差异表达基因,并构建差异表达基因之间的交互作用网络,进而从网络中提取重要的社团。(5)针对复杂疾病多组学数据的网络构建以及网络整合问题,提出基于非负矩阵分解的网络整合与分析方法。首先,基于皮尔森相关系数构建复杂疾病多组学数据的异质性网络。然后,利用该整合方法对多个异质性网络进行整合,充分考虑不同的遗传因子之间的交互作用机制。最后,从网络中挖掘到与疾病相关的核心社团,并进一步检测出重要的生物通路。各项实验表明,本文提出的方法比同类方法在网络模式挖掘中更具优势,且可以检测到更多与复杂疾病相关的潜在遗传模式。

关键词：复杂疾病多组学数据遗传网络模式挖掘社团检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的视觉模式挖掘算法研究

基于深度学习的视觉模式挖掘算法研究

引用

作者：王倩楠西安电子科技大学

学位级别：硕士

模式挖掘是计算机视觉领域和数据挖掘的一个重要研究方向,被广泛用于自然场景、旅游中图像模式的表示,也用于目标识别、目标检测和场景分类等任务。视觉模式是通常出现在图像中的基本视觉元素,并且比原始像素更倾向于传达更高层次的语义... 详细信息

模式挖掘是计算机视觉领域和数据挖掘的一个重要研究方向,被广泛用于自然场景、旅游中图像模式的表示,也用于目标识别、目标检测和场景分类等任务。视觉模式是通常出现在图像中的基本视觉元素,并且比原始像素更倾向于传达更高层次的语义,代表视觉世界中可辨别的规律性,并捕获了视觉对象或场景的本质。视觉模式挖掘通过识别图像中在视觉上具有区分性和在语义上有意义的区域来解决不同的视觉识别任务,所挖掘出的视觉模式通常具有判别性和频繁性两个性质。本论文主要研究图像视觉模式挖掘技术,不仅解决了过去挖掘的视觉模式仅具有频繁性或判别性的问题,保证了挖掘出的视觉模式同时具有频繁性和判别性,还解决了如何从一张图像中定位代表性区域的问题。针对图像的视觉模式挖掘,本论文提出基于特征密度聚类的方法来解决视觉模式的频繁性问题、基于深度相关特征聚类的视觉模式挖掘算法(Deep relevance feature clustering,DRFC)和基于联合判别性和频繁性的视觉模式挖掘算法(Jointly Discriminating and Frequent Visual Representation Mining,JDFR)来解决视觉模式挖掘的问题,具体内容如下:(1)基于特征密度聚类的算法。先前,频繁模式挖掘算法被用于来保证视觉模式的频繁性,但是这种算法需要重复扫描数据集,对计算内存消耗过大。为了解决该问题,聚类算法根据数据间的相似度进行聚类,并且类间的相似度大,类内的相似度小,将聚类算法应用于视觉元素中,发现该算法能够很好的找到数据集中频繁出现的一些照片,从而保证了视觉模式的频繁性。本文提出一种基于特征密度聚类的方法,将频繁出现的对象或内容在特征空间中看作是一个高度密集的簇,通过聚类得到最密集的特征,即保证了视觉模式的高频繁性。(2)基于深度相关特征聚类的模式挖掘算法。过去的方法通过使用频繁模式挖掘算法或者无监督最大阈值从海量图像中挖掘视觉模式,但是它们挖掘出来的视觉模式通常仅具有频繁性或判别性,无法同时满足这两个性质。针对这个问题,基于深度相关特征聚类的模式挖掘算法提出将分层相关性传播和密度聚类算法相结合的方法(DRFC)来挖掘视觉模式,通过训练一个分类网络,将图像分类到相应的类别,从而保证图片的可识别性。为了获得和理解所学习的表示,该方法利用了分层相关性传播(Layer-wise Relevance Propagation,LRP)和相关特征聚类算法,其中分层相关性传播帮助了解网络的高层特征图和低层特征图中(甚至是图像中的像素)的哪些相关特征对最终预测的贡献最大,以定位照片中的视觉表示,从而保证了对应区域的判别性。同时,根据特征空间中的密度对相关特征进行聚类可确保照片集中视觉表示的高频繁性。实验表明,DRFC方法可以发现具有判别性和频繁性的视觉表示,并且优于其他先进方法。(3)基于联合判别性和频繁性的视觉模式挖掘算法。基于深度相关特征聚类的模式挖掘方法尽管能够找到同时具有判别性和频繁性的视觉模式,解决了一些先进工作的不足,但是该方法将视觉模式的这两个性质分开来保证的,因此可能无法得到最优解。为了解决这个问题,本章提出使用交叉熵损失和三元损失来联合优化一个端到端的网络。交叉熵损失通过分类任务保证视觉表示的判别性,三元损失通过探索在特征空间中高密集的视觉表示保证视觉表示的频繁性,这些视觉表示不仅类内间距小,而且有足够的类间间距。由于视觉表示通常仅仅是图像中的一个区域,因此该方法还设计了一个注意力模块从图像中定位最具有代表性的区域。最终通过大量实验表明了基于联合判别性和频繁性的视觉模式挖掘算法的有效性。

关键词：模式挖掘频繁性判别性视觉表示

来源：评论

学校读者我要写书评

暂无评论

跨安卓应用的用户行为模式挖掘及复用研究

跨安卓应用的用户行为模式挖掘及复用研究

引用

作者：毛群北京化工大学

学位级别：硕士

如今,安卓应用已渗透到大众生活的方方面面,为人们提供了诸多便利。安卓应用数量日趋增多,功能日趋复杂,安卓应用的软件测试也已成为安卓领域的研究重点。理解安卓应用的功能作为安卓测试过程的基础,旨在深入探究应用的业务逻辑,在测试... 详细信息

如今,安卓应用已渗透到大众生活的方方面面,为人们提供了诸多便利。安卓应用数量日趋增多,功能日趋复杂,安卓应用的软件测试也已成为安卓领域的研究重点。理解安卓应用的功能作为安卓测试过程的基础,旨在深入探究应用的业务逻辑,在测试中尤为重要。目前,安卓应用的功能理解大多采用在实际使用场景下,用户与应用进行真实交互,形成用户轨迹。基于用户轨迹,挖掘用户行为模式,以理解安卓应用功能,辅助测试,但其人工成本花销大,测试周期长,严重影响安卓应用的测试效率。为此,本课题基于“相似安卓应用共享用户行为模式”构想,提出一种跨安卓应用的用户行为模式挖掘与复用方法,其核心思想是为待测安卓应用重现相似的已知安卓应用的用户行为模式,实现相似用户行为的共享,辅助待测安卓应用功能的自动理解,提高后续测试效率。具体而言,本课题针对待测安卓应用,依据安卓应用用户轨迹的序列特性,利用序列模式挖掘技术从中挖掘用户行为模式;在此基础上,提出了一种基于语义的跨安卓应用事件模糊匹配策略和基于待测安卓应用GUI模型的最优路径选择策略,实现跨应用的用户行为模式复用,为安卓应用的后续功能测试提供了有效支撑。为了验证跨安卓应用的用户行为模式挖掘及复用方法的有效性,本文针对四种类型的16个安卓应用,进行了一系列实验。实验结果表明,针对实验对象的共40个用户行为模式,基于语义的事件模糊匹配策略可有效提高事件匹配的正确率,且平均88.5%的用户行为模式可在相似安卓应用上被完整复用,复用的行为模式平均覆盖了待测应用中88.0%的重要状态。实验结果表明,跨安卓应用的用户行为模式挖掘与复用方法可有效辅助待测应用的功能理解,为其测试奠定了基础。

关键词：安卓应用安卓应用测试用户行为模式模式挖掘模式复用

来源：评论

学校读者我要写书评

暂无评论

基于自适应分段粒度的时空模式挖掘方法

引用

计算机应用研究 2018年第3期35卷 750-754页

作者：曹卫权褚衍杰贺亮盲信号处理重点实验室信息处理室成都610041

针对轨迹数据采集手段日趋多样化,导致时空模式挖掘的预处理环节难以采用单一、固定的分段粒度来聚类挖掘的问题,提出了一种基于极大稳定分段阈值的时空模式挖掘方法。算法在预处理环节自适应调整多个分段阈值对轨迹进行分段,在模式挖... 详细信息

针对轨迹数据采集手段日趋多样化,导致时空模式挖掘的预处理环节难以采用单一、固定的分段粒度来聚类挖掘的问题,提出了一种基于极大稳定分段阈值的时空模式挖掘方法。算法在预处理环节自适应调整多个分段阈值对轨迹进行分段,在模式挖掘阶段利用时空模式的空间连通特性来提升挖掘效率,并解决了多阈值分段导致的序列模式支持度重复计数问题。实验表明该方法提升了挖掘过程的鲁棒性,简化了参数调节过程,具有较强的实用性。

关键词：模式挖掘轨迹分段基于位置的服务时空模式

来源：评论

学校读者我要写书评

暂无评论

用户使用软件系统行为模式挖掘算法研究

用户使用软件系统行为模式挖掘算法研究

引用

作者：刘洪辉华中科技大学

学位级别：硕士

随着计算机软件的飞速发展，设计可用性高的软件系统是很必要的。在软件系统的使用过程中，对其进行可用性测试与改进能有效地提高软件的功能。\n 序列模式挖掘已经在许多领域得到应用，可以把序列模式挖掘用于软件可用性测试与改进... 详细信息

随着计算机软件的飞速发展，设计可用性高的软件系统是很必要的。在软件系统的使用过程中，对其进行可用性测试与改进能有效地提高软件的功能。\n 序列模式挖掘已经在许多领域得到应用，可以把序列模式挖掘用于软件可用性测试与改进分析。首先，介绍了序列模式挖掘和软件可用性的基本概念和方法，作了理论上的准备。然后，在对以往序列模式挖掘算法进行研究的基础上，结合序列模式挖掘和软件可用性评估的方法，对用户使用软件系统的事件序列集进行模式挖掘，研究其用户行为模式，从而从用户的角度来分析和提高软件系统的可用性。\n 在软件可用性测试中，分析用户行为模式是一个关键的问题。提取的最大频繁事件序列反映了用户对软件系统的功能需求。为解决具有序列长度长、以序列片段为支持度计算依据等特点的用户行为模式挖掘问题，设计实现了一种有效的基于前缀树的频繁事件序列扩展方法，给出了比特图索引表的构造、事件扩展、事务扩展以及支持度计算的算法。在此基础上，设计实现了一种新的挖掘用户行为模式的算法，该算法采用位图索引表的数据格式，并结合有效的剪枝技术，减少了算法的时空开销，明显地加速了最大频繁事件序列的生成。\n 最后，证明了算法的完整性和正确性，并通过实验证明了算法的可行性和剪枝的有效性。理论和实验都证明该算法对于序列个数和事件个数都很大的数据集是很有效的。

关键词：事件序列序列模式用户行为模式挖掘软件可用性

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：