网络流算法

基于数据流和点对点网络的动态推荐算法研究

推荐算法在数据挖掘中广泛应用，但当前主要针对静态数据，缺乏对动态数据的适应性。提出基于数据流的推荐算法，通过点对点网络替代传统参数服务器，解决了分布式平台中滞后梯度和掉队者问题。算法引入了遗忘策略和异常评分检测，基于Flink框架设计实现，并在MovieLens-1m数据集上验证。实验结果显示，该算法保持推荐准确率的同时，显著降低了通讯开销。

数据挖掘 3 2024-07-17

基于滑动时间衰减窗口的网络流频繁项集挖掘算法

网络流数据频繁项集挖掘是进行网络流量分析的基础。STFWFI 算法采用基于字典顺序前缀树 LOP-Tree 的方法进行频繁项集挖掘，并引入了更符合网络流特性的滑动时间衰减窗口模型，从而有效降低了时间和空间复杂度。此外，该算法还提出了一种基于统计分布的节点权值计算方法 SDNW，替代了传统的统计方法，提高了网络流节点估值的精确度。实验结果表明，STFWFI 算法在网络流频繁项集挖掘中表现出良好的性能。

数据挖掘 4 2024-05-20

网络流异常监测及可视化技术研究

网络流量分析揭示了网络运行情况，识别异常行为，提升网络安全感知能力。为了实时监测网络流量和异常情况，应对大规模和复杂的数据挑战，研究提出了准实时流量报告机制，并设计了基于三维可视化的监测系统。结合信息熵方法挖掘流量异常，通过数据挖掘和人工监测实现了异常流量可视化监测，提升了监测成功率。系统设计方案和实施成果详述了网络态势的直观展现，加强了用户的网络感知能力。

数据挖掘 3 2024-07-15

基于网络业务流的数据挖掘分析方法（2008年）

为了从业务角度评价和优化网络性能，提出了一种新的网络业务分析方法——具有时态路径约束的关联规则挖掘分析方法。该方法以网络业务为分析对象，利用网络业务流的时态属性和路径属性作为约束条件，对大量的历史数据进行挖掘分析。在关联规则挖掘过程中，通过引入事务标号，同时计算候选频繁项集的支持度，避免了传统的数据库扫描操作，极大提高了挖掘效率和速度。实验结果表明，随着挖掘数据量的增加，该方法的性能和效率得到了显著提升。

数据挖掘 0 2024-08-04

VarNetRecon 张量流中图像重建的变分网络的实现

这是MR提出的用于MR图像重建的通用变分网络（循环展开）的实现，通过技术进步引领下的图像重建。MRI数据用于训练网络并描述了应用过程。使用10层7x7滤镜，每层30个滤镜和35节以激活参数，利用三次插值进行激活。训练使用了完全采样的128x128心脏短轴MR图像，并人工生成了平滑相位偏移。通过回顾性地对k空间进行欠采样达到约3的加速因子。与总变异（TV）规范化重构进行了比较。重构网络的每一层学习了过滤器和激活函数。

Matlab 0 2024-09-27

SOFM神经网络基础算法

SOFM神经网络基础算法 将介绍自组织映射（SOFM）神经网络的基本算法。SOFM是一种无监督学习算法，用于数据可视化和降维。它利用竞争学习原理，将高维输入数据映射到低维输出空间中。将涵盖SOFM算法的步骤、权重更新规则和算法的应用。

数据挖掘 2 2024-06-06

离线数据流聚类算法的进展与优化

离线数据流聚类算法在数据挖掘中具有重要意义。该部分采用改进的k-means算法：（1）初始阶段不再随机选择种子，而是选择可能被划分到给定簇的种子，这些种子实际上是对应微簇的中心；（2）划分阶段，一个种子到一个“伪数据点”（即微簇）的距离等于它到“伪数据点”中心的距离；（3）调整阶段，一个给定划分的新种子被定义为那个划分中带权重的微簇中心。

算法与数据结构 0 2024-08-27

使用Matlab开发传感器流神经网络操场的业余实施

随着技术的进步，Matlab正在成为开发传感器流神经网络操场的业余项目中的关键工具。这种技术不仅限于传感器流神经网络，还包括张量流神经网络的Matlab实现。

Matlab 0 2024-08-12

Kohonen聚类算法：网络入侵案例

本资源提供Kohonen神经网络在网络入侵聚类分析中的应用实例。

Matlab 2 2024-05-15

神经网络：数据挖掘算法简介

神经网络是一种受人类大脑启发的算法，由相互连接的输入/输出单元组成。每个连接都关联着一个权重，通过调整这些权重，神经网络可以在学习阶段学习预测输入样本的正确类别。在此过程中，神经网络利用激励函数和权重调整来学习。

数据挖掘 3 2024-05-25