摘要：针对不确定时间序列(uncertain time series,UTS)的模体发现(motif discovery,MD)问题,提出了基于粒子群(particle swarm optimization,PSO)的UTS MD算法。该算法根据UTS的特点,设计了基于PSO的UTS MD的研究框架,并通过对时间序列片段的起始时刻和持续时间进行编码和修正,实现了在该框架下对UTS的MD。在实验中,针对所提出的算法,验证了其可行性,比较了其与MK、MOEN算法在运行时间、占用内存和收敛性方面的性能,并分析了其MD准确率,结果表明所提方法占用较少内存与运行时间,可以发现不同长度的模体,且具有收敛性和较高的准确率。

摘要：借鉴生物信息学中序列模式发现思想,提出了基于MEME(multiple expectation-maximization for motif elicitation)的不确定数据流模体发现算法。该算法根据不确定数据流的特点,设计了不确定滑动窗口的简化计算方法,改进了SAX(symbolic aggregate approximation)的符号化策略,用防空反导情报传感器网络中的一组不确定数据流验证了其可行性,通过植入不同数目模体的方法测试了其准确性,并在元组存在概率为1的条件下与已有算法进行比较,验证其有效性。

摘要：针对约束模式挖掘中模式指标的界值估算问题,提出了一种面向不确定数据模式指标的通用界值估算方法。根据带有权值的不确定型事务数据库的特点,首先设计了面向常用模式指标的通用界值估算框架,其次给出了在该框架下对模式指标上界值的快速估算方法,最后估计了两种典型模式指标的上界值以说明其可行性。实验中对比了PHUI-UP算法分别结合事务加权效用值、所提方法估算所得的上界值和实际上界值后的运行时间和内存占用情况,实验结果表明所提方法可以通过占用较小内存和运行时间来实现模式效用上界值的估算。

摘要：针对在不确定数据流上的频繁模式挖掘问题,设计了用于存储项可靠度的期望支持数加权(Weighted with Expected Support,WES)矩阵和只存储有事务分组信息和项支持数的分组支持数树(Expected Support tree with Batches Information,ESBI-tree),提出了一种基于不确定数据流的期望频繁模式挖掘(Expected Frequent Pattern Mining over Uncertain data Stream,EFPMUS)算法。在试验中,将EFPMUS算法与SUF-growth(Frequent items growth from Streams of Uncertain data)、DSUF-mine(algorithm to mine Frequent pattern based on probability Decay of Sliding window over Uncertain data Stream)、BSUF-mine(efficient algorithm for mine Frequent pattern Based on Sliding window over Uncertain data streams)算法在运行时间、占用内存、模式数量和可扩展性上的性能进行了比较和分析,表明该算法可高效地从不确定数据流中挖掘出期望频繁模式。