關鍵字查詢 | 類別:會議論文 | | 關鍵字:On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks

[第一頁][上頁]1[次頁][最末頁]目前在第 1 頁 / 共有 02 筆查詢結果
序號 學年期 教師動態
1 95/1 資工系 郝維華 講師 會議論文 發佈 On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks , [95-1] :On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks會議論文On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks郝維華; 林丕靜; 陳宏任; 闕豪恩; 張忠義; 廖珮妤; 邱展逢淡江大學資訊工程學系資料挖掘;序列;數位學習2006數位落差與數位學習研討會論文集=Proceedings of Divide and Digital Learning Conference 2006,頁10靜宜大學資訊傳播工程學系序列模式(Sequential Pattern)的運用層面很廣泛,是資料挖掘的重要研究領域之一。研究這類型主題的主要問題之一就是在挖掘的過程中產生太多的候選序列(candidates),增加記憶體需求的負擔以及處理這些序列的時間以及CPU資源。本研究提出快速累計樹(Fast Accumulation Tree,FAT)演算法,僅需掃描序列資料庫一次,以序列資料庫內之序列為累計樹之節點(node),建立準壓縮之累計樹狀結構。FAT的優點有:可以減少掃描資料庫的次數,降低累計樹的累計次數及搜尋次數,減小演算法對於記憶體的需求,而有效的尋找頻繁序列(Frequent Sequence)及最大頻繁序列(Maximal Frequent Sequence)。FAT分為三個階段:產生累計樹階段(Generation Phrase)、修剪階段(Pruning Phrase)及最大序列階段(Maximal Phrase)。FAT掃描資料庫一次即可建立累計樹ATree,過程中無須產生過多的候選序列(Candidates),因此FAT演算法可以在記憶體中執行,可迅速、有效率的從學習歷程中尋找頻繁序列。不同於AprioriALL方法,須要多次掃描資料庫,產生大量的候選序列(candidates)降低執行效率,而且比較不受到最小支持率(minimum support)變化的影響,越低的最小支持率產生越多的候選序列,需要更多的記憶體,及更長的運算時間。數位學習系統記錄學員(Learner)之學習歷程(Portfolio),包括學習成績、修習課程、以及修習課程的學習序列(Learning Seq
2 95/1 資工系 林丕靜 副教授 會議論文 發佈 On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks , [95-1] :On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks會議論文On Avoiding Large Interference Range Collisions for Wireless Ad Hoc Networks郝維華; 林丕靜; 陳宏任; 闕豪恩; 張忠義; 廖珮妤; 邱展逢淡江大學資訊工程學系資料挖掘;序列;數位學習2006數位落差與數位學習研討會論文集=Proceedings of Divide and Digital Learning Conference 2006,頁10靜宜大學資訊傳播工程學系序列模式(Sequential Pattern)的運用層面很廣泛,是資料挖掘的重要研究領域之一。研究這類型主題的主要問題之一就是在挖掘的過程中產生太多的候選序列(candidates),增加記憶體需求的負擔以及處理這些序列的時間以及CPU資源。本研究提出快速累計樹(Fast Accumulation Tree,FAT)演算法,僅需掃描序列資料庫一次,以序列資料庫內之序列為累計樹之節點(node),建立準壓縮之累計樹狀結構。FAT的優點有:可以減少掃描資料庫的次數,降低累計樹的累計次數及搜尋次數,減小演算法對於記憶體的需求,而有效的尋找頻繁序列(Frequent Sequence)及最大頻繁序列(Maximal Frequent Sequence)。FAT分為三個階段:產生累計樹階段(Generation Phrase)、修剪階段(Pruning Phrase)及最大序列階段(Maximal Phrase)。FAT掃描資料庫一次即可建立累計樹ATree,過程中無須產生過多的候選序列(Candidates),因此FAT演算法可以在記憶體中執行,可迅速、有效率的從學習歷程中尋找頻繁序列。不同於AprioriALL方法,須要多次掃描資料庫,產生大量的候選序列(candidates)降低執行效率,而且比較不受到最小支持率(minimum support)變化的影響,越低的最小支持率產生越多的候選序列,需要更多的記憶體,及更長的運算時間。數位學習系統記錄學員(Learner)之學習歷程(Portfolio),包括學習成績、修習課程、以及修習課程的學習序列(Learning Seq
[第一頁][上頁]1[次頁][最末頁]目前在第 1 頁 / 共有 02 筆查詢結果