一种基于多值属性的改进Apriori算法

随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.     

Apriori算法在学生系统中的实现与应用

在网络应用环境和趋势发生变化的今天,普通的数据库方式所保有的数据已无法为学生管理提供更好的反馈。如何在大量数据中发现所隐含的规律,从而应用这些规律去指导学校的各项工作,数据挖掘技术在这当中起着越来越重要的作用。主要以学生成绩为例探索关联规则在学生管理系统中的实现与应用。引入分类方法中的关联规则中的Apriori算法,应用于学生学年成绩分析,从而挖掘出潜在的学生发展相关规律,为大学学生信息管理、教学决策等提供科学依据。     

Apriori算法在保险业中的应用

本文以保险公司为例,通过用数据挖掘方法中Apriori算法来分析由市场调查所得到的数据,由得出的结果做出正确的预测,以从中发现企业产品的销售规律和客户群特征,从而使企业可以更好的制定营销策略。     

基于压缩事务矩阵相乘的Apriori改进算法

Apriori算法是当前使用最广泛的关联规则挖掘方法中最为经典的算法之一;但是该算法需要反复的扫描数据库,在I/O上花消很大,并且在得到频繁-2项集的过程中会产生庞大的候选-2项集,其次在筛选得到频繁-k项集时,并没排除那些不应该参组合的元素,而导致该算法效率很低,针对上面影响计算效率的三个方面提出基于压缩事务矩阵相乘得到频繁项目集的算法,只需一次扫描数据库,经过压缩处理产生产生事务矩阵,通过矩阵间运算得到频繁项目集,有效提高了关联规则的挖掘效率。     

Apriori算法在研究生成绩中的应用

介绍了关联规则的基本概念，利用Apriori算法得出频繁项目集，结合最小支持度和最小之置信度，确定各门课程之间的联系，为研究生的选课提供一定的参考。     

应用Apriori算法和FP—tree算法挖掘关联规则的比较分析

介绍了关联规则的基本概念,比较分析了关联规则挖掘算法的两个经典算法Apriori算法和FP—tree算法,通过Apriori算法和FP—tree算法的对比分析得出了相应的比较结果。     

Apriori算法在教学质量评估系统中的应用

以开发教学质量评估系统为背景,重点阐述关联规则中的Apriori算法在评估系统中的运用,并以实例说明.     

数据挖掘技术与关联规则挖掘算法研究

随着人们对信息数据量的急速增长从而数据挖掘技术也随之应运而生,这使得人们对知识与信息的渴求得到了进一步满足。对于如何才能快速高效的获取知识,对于信息处理技术来说已经成为当前热门的研究课题。审视当前对于关联规则的研究现状,针对关联研究的现状,分析实际问题对于关联规则总结出一种新的研究方式,结论为关联规则算法在今后的出路和进一步的研究上指明了方向。研究过程中通过对文献的查询分析和比较分析两种方法,进一步阐述对典型关联产生影响的各种方法,其中最为重要的是把核心Apriori算法作为一个研究的基点。     

基于Apriori算法的银行客户行为分析

采用数据挖掘技术中的Apriori算法,对银行客户记录进行关联规则的分析。通过对记录中年龄、性别、收入情况、居住所在地、婚姻状况等有关属性的关联度分析,寻找记录中属性间的彼此关联。从而根据这种属性间的彼此关联,对客户其他的未知属性进行预测,进而对银行客户的存款等行为趋势进行预测。     

基于Apriori算法的课程成绩关联规则挖掘研究

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,采用关联规则的Apriori算法和改进后的Apriori算法对郑州职业技术学院学生各门课程成绩进行分析,从而发现课程之间的联系和基础课程对专业课程的影响,为教务昔理部门安排课程提供参考。     

改进Apriori算法对试车台监测数据的关联挖掘

为发现某试车台中流量、压力等数据之间的关联关系,引入关联规则对监测数据进行挖掘,得到对提高试车安全监测性能具有较高的置信度和支持度的关联规则。提出改进的Apriori算法,对某型航空部件试车台试车过程的数据进行挖掘,与原方法相比,该方法效率高,在置信度和支持度相同的情况下,可以有效降低运算时间。     

一种基于改进MCMC算法的模型修正方法

标准马尔可夫链蒙特卡罗(MCMC)算法不易收敛、拒绝率高,使其应用受到限制。在贝叶斯方法中引入最大熵值法来估计参数的后验概率密度函数最大值,进而将布谷鸟算法中新鸟巢更新的思想融入Metropolis-Hasting(MH)抽样算法得到改进的MH抽样算法,同时使用支持向量机(SVM)建立待修正参数与有限元模型输出之间的代理模型,以提高模型修正的计算效率。分别使用三自由度线性系统和平面桁架模型来验证本文方法的有效性,结果表明:修正后样本的马尔可夫链混合性能好,停滞概率低,修正后参数相对误差均小于2%。     

混沌优化法在机械设计中的应用

针对一般的二次载波的混沌优化方法收敛慢的弱点,提出了一些改进的方法.主要是利用当前解的信息,自动改变最优点的搜索路径,能明显提高首次载波寻找最佳点大概位置的速度和效能;同时能更快更精确实现二次载波的精细搜索.将该算法用于一机械设计问题———箱形盖板优化设计计算之中,取得了优于常规方法———Powell法的结果,说明该方法在机械优化设计中具有较好的应用价值.     

基于改进SCAM算法的结构物理参数识别贝叶斯方法

针对贝叶斯估计中逐分量自适应Metropolis(single component adaptive Metropolis,SCAM)算法易生成重复性样本,导致抽样效率低、结果误差大等问题,重新定义了提议分布方差的表达式,提出了改进的SCAM算法,使得抽样样本序列构成的马尔可夫链相对稳定。进而将贝叶斯理论与改进的SCAM算法相结合,求解结构物理参数的后验边缘概率分布、最优估计值以识别和估计结构损伤,通过理论分析和结构数值模拟算例验证了改进的SCAM算法的有效性。结果表明,改进的SCAM算法既提高了抽样效率,又提高了计算结果准确性,可应用于物理参数识别及损伤识别与评估等工作。     

基于改进人工鱼群算法的输电塔塔腿拓扑优化

为了解决输电塔塔腿的优化问题,提出了基于改进人工鱼群算法的拓扑优化方法。建立了输电塔结构拓扑优化的计算模型,采用罚函数形式确定了人工鱼群算法的目标函数,并提出了拓扑变量的判定规则。采用人工鱼群算法对输电塔塔腿进行了拓扑优化研究。考虑到基本人工鱼群算法易陷入局部优化解,提出了视野和步长的变化策略,以及觅食行为的加速策略。数值算例结果表明,采用基本人工鱼群算法可以较好的优化输电塔塔腿,而在此基础上利用改进人工鱼群算法可以更有效地优化输电塔塔腿,并且其优化效率明显优化基本人工鱼群算法和差商算法。     

基于改进PSO算法的PID控制器研究

针对一般的粒子群优化(PSO)学习算法中存在的容易陷入局部最优和搜索精度不高的缺点,对改进型PSO算法进行研究。由于惯性权重系数ω对算法是否会陷入局部最优起到关键的作用,因此,通过改变惯性权重ω的选择,对惯性权重系数采取线性减小的方法,引入改进型的PSO算法。采用改进的PSO算法对PID控制器进行参数优化并把得到的最优参数应用于控制系统中进行仿真。仿真实验结果表明:改进型PSO算法不会陷入局部最优,能得到全局最优的PID控制器的参数,并使得控制系统的性能指标达到最优,控制系统具有较好的鲁棒性。     

基于传统遗传算法的改进排爆机器人路径规划研究

针对传统遗传算法进化速度慢、容易陷入局部最优点等缺陷,提出了改进后新的路径规划算法。在判断路径中,基于闵科夫斯基原理对障碍物进行扩展;在构造路径中基于可视图原理进行改进,构造机器人的真正可行区域;在最短路径中对遗传算法中种群的初始化,个体的编码方法等问题做了详细的研究,并在选择算子中引入相似度的概念,大大扩大了初始种群的范围,避免进入局部最优点。最后通过仿真实验验证了此算法的可行性。     

一种高效的基于位图序列模式挖掘算法

为实现在大型事务数据库中挖掘有价值的序列数据,提出了一种基于位图的高效的序列模式挖掘算法(SMBR)。SMBR算法采用位图表示数据库的方法,提出一种简化的位图表示结构。该算法首先由序列扩展和项扩展产生候选序列,然后通过原序列位图和被扩展项位图位置快速运算生成频繁序列。实验表明,应用于大型事务数据库,该方法不仅能有效地提高挖掘效率,而且挖掘处理过程中产生的临时数据所需的内存大大降低,能够高效地挖掘序列模式。