近日，实验室教师宫永顺一篇论文“Towards to a Better Structure and Looser Constraint to Mine Negative Sequential Patterns”被IEEE Transactions on Neural Networks and Learning Systems (TNNLS)期刊录用，影响因子为10.451。

负序模式挖掘作为发现NOB和发生行为的一种有效方法，成功地应用于医疗和异常行为模式的分析。此时，NSP挖掘仍然是一个活跃而富有挑战性的研究领域。大多数算法在实际应用中效率低下。简单地说，NSP挖掘的主要特点是：低效的正序列模式(PSP)挖掘过程、严格的负包容约束以及缺乏有效的负序候选(NSC)生成方法。针对这些不足，本文提出了一种基于改进技术的高效挖掘算法——sc-NSP。首先在PSP挖掘过程中提出了一种改进的PrefixSpan算法，该算法将原有的位图存储结构改为位图存储结构。其次，sc-NSP放松了频率约束，并使用PNSP算法中的NSC生成方法。在此基础上，设计了一种新的剪枝策略，以降低sc-NSP的计算复杂度。最后，sc-NSP采用最高效的基于位的计算操作获得NSC的支持。理论分析表明，scNSP在具有大量元素和项的序列数据集上具有良好的性能。比较和广泛的实验以及关于健康数据的案例研究表明，sc-NSP的效率是其他最先进方法的10倍，获得的nsp数量是其他方法的5倍。

IEEE神经网络和学习系统会刊TNNLS（IEEE Transactions on Neural Networks and learning systems）是发表关于神经网络和相关学习系统的理论、设计和应用的技术文章的权威期刊，属于CCF B类期刊，中科院JCR 1区。