一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，对该算法进行了阐述。最后对该算法的特点进行了总结并对关联规则挖掘的未来研究方向进行了展望。     

基于EM算法的杂波环境下机动目标跟踪研究

提出了一种新的基于EM方法的杂波环境下实时机动目标跟踪算法，算法与交互多模概率数据关联算法结构近似，模型后验概率与关联概率由HMM滤波计算得到．仿真结果表明，所提算法跟踪精度与传统交互多模概率数据关联算法性能相当，该算法是有效的．     

基于权值的数据挖掘算法

该文主要讨论了关联规则挖掘过程中如何发现频繁项集的问题。现有关联算法认为事务数据库中所有的项具有同等价值，从而导致在很多情况下重要项不能被发现。针对现有算法的这一缺点，该文分析了重要项与该项出现频率之间的关系，设计了项集的权值函数，并提出了新的关联算法：Apriori-BW算法，实验验证该算法是有效的。     

扩展概率数据关联新算法

基于新的联合事件定义，推导出一种联合概率数据关联新算法．在此基础上，分析了该算法（本文取名为ＥＰＤＡ）与概率数据关联ＰＤＡ的关系，从而得出ＥＰＤＡ可看成ＰＤＡ的一种扩展的结论，同时，还从理论角度说明Ｆｉｔｚｇｅｒａｌｄ提出的简化ＪＰＤＡ算法中近似经验常数可精确计算，也可近似给定，不仅仅只能靠经验给定．ＥＰＤＡ克服了传统ＯＤＡ算法不可回避的组合爆炸难题，是一种性能优良的数据关联算法．仿真分析证明，本文提出的扩展概率数据关联算法实时性、有效性强，适于工程应用．     

一种基于超级哈希树的关联规则挖掘算法

对关联规则的Apriori算法的思想和性能进行了分析，提出了一种基于超级哈希树的关联规则挖掘算法，该算法只需扫描三次数据库，即可找出所有的频繁项目集，在每项事务的项目数不是太多的情况下，算法效率较Apriori有较大的改进。     

一种模糊关联规则算法

针对普通关联规则不能表达挖掘对象中模糊信息的关联性，给出了一系列有关模糊关联规则的定义，并提出一种基于树形结构的模糊关联规则挖掘算法（FARMBT）。实验结果表明，FARMBT算法是有效的。     

一种基于APRIORI性质的多维关联规则挖掘算法的研究

Apriori算法是一种找频繁项集的基本算法，它常常被用于单维关联规则的挖掘。本文在对数据立方体的组织结构以及Apriori算法包括它的一些变形算法进行了深入研究的基础上，给出了一种适用于多维关联规则挖掘的算法，并分别通过理论和实验方法对此算法的性能进行了分析。     

最优关联群试算法

本文提出群试问题的关联算法概念，给出了二项群试模型下上的最优关联算法的显式表示。     

冗余关联规则删减技术研究综述

关联规则是数据挖掘的重要研究内容之一，而传统算法生成的关联规则之间存在着大量的冗余规则，这使得用户分析和利用这些规则变得十分困难。为了帮助用户分析，可以采用各种技术来有效地减少大量冗余的规则。本文介绍了冗余关联规则的概念，冗余关联规则删减的算法，结合当前的研究成果分析冗余关联规则的发展趋势。     

运用哈希技术进行关联规则挖掘

以前基于支持度一置信度框架的关联规则挖掘算法都是先用支持度做为阈值对搜索结果进行剪枝，产生频繁集，再针对频繁集产生关联规则，这就是频繁关联规则，然而在很多应用，诸如：鉴别相似的Web文件，网络中入侵检测等，有许多有趣的关联规则仅有很少的支持度，在本文中，针对这种情况，提出了一种可以挖掘非频繁项之间有趣规则的算法，此算法先用相似度作为兴趣度度量以算法结果进行剪枝。     

利用C^＋＋标准类挖掘关联规则

介绍了数据挖掘中关联规则的Apriori算法思想，提出了在实现该算法的关键步骤，剪枝步的非频繁子集的测试过程中。利用C^ 的标准模板类的技术。论述了C^ 标准模板类在关联规则挖掘算法的数据结构具体实现中的有效利用。     

关联规则挖掘Apriori算法的研究与改进

关联规则挖掘是数据挖掘领域中的重要研究方向，该文在分析关联规则挖掘Apriori算法原理和性能的基础上，指出了该算法存在着两点不足：扫描事务数据库的次数和连接成高维候选项目集时的比较次数太多。并提出了一种效率更高的S-Apriofi算法，该算法通过采用新的数据结构和原理，克服了传统Apriori算法的缺点，从而大大提高了运算效率。     

一种周期时态关联规则挖掘算法

应用时态关联规则模型和时态事件空间，提出了一种单事件周期时态关联规则挖掘算法，并对其进行了可行性分析和复杂性分析。该算法通过挖掘不同时间间隔下的时态关联规则，能较好地处理非拐点的邻接点的趋势分布特征的挖掘，完整地挖掘时态数据趋势分布特征。最后，将该算法应用到股票数据的趋势挖掘中，得到了满意的实验结果。     

基于效益度的高效关联规则挖掘算法

关联规则挖掘算法中常用的支持度和可信度是对关联规则在统计意义上的有效性度量，在挖掘结果的有用度上缺乏指导作用，它们不能作为有用性的指标．从数据挖掘的最终目的出发定义了基于最终用户实际目标的效益度指标，并对最小效益度筛选性质进行了论证，提出了一种快速有效的关联规则挖掘算法.讨论了从关联规则的兴趣模板和限制模板转换到效益度的方法.实验结果表明，效益度指标具有支持度与可信度不可替代的作用；该算法的最小效益度剪切技术是有效的，不仅可以较大幅度地提高算法速度，而且可以作为规则模板的统一实现算法以及提供更精确的控制.     

基于关联特征的朴素贝叶斯文本分类器

单词的共同出现信息可以为文本分类做出贡献，但是．目前的文本分类研究中未能充分使用这一信息。文中提出了一种利用关联特征来提高朴素贝叶斯文本分类器性能的策略．给出了关联特征集的构造方法，设计并实现了冗余关联特征剔除算法和关联特征筛选算法，使得特征空间中的每个特征都具有较强的分类能力。实验证明，经处理后的关联特征集可以提高朴素贝叶斯文本分类器的性能。     

低支持度关联规则挖掘的一种算法

针对已有的对低支持度关联规则进行挖掘的算法中没有提出对具有多个相关项的关联规则进行挖掘的有效方法，本文提出一种能够对低支持度关联规则的多个相关项进行有效挖掘的方法。算法基于相似度来衡量各个相关项的关联程度，在已有算法的基础上增加了一次特殊的矩阵转换，从而将对项的相似度衡量方法进行了转换，转换后的矩阵可以基于Apriori性质来拓展多个相似相关项。算法在低支持度情况下具有较高的挖掘效率和良好的挖掘效果，算法还可以用来挖掘多个项之间的排斥规则。     

高效关联规则数据挖掘算法研究

关联规则挖掘是数据挖掘领域的一个重要问题，由于关联规则挖掘通常是基于超大型数据库或数据仓库，算法的效率在一定程度上决定挖掘的成败，针对关联规则挖掘中的主要任务－－频集发现过程中存在的几个问题，提出了项目树的概念，引出了一种新的控制模式，并设计了相应的高效挖掘算法，大大提高了挖掘效率。     

一种基于相关度统计的告警关联规则挖掘算法

挖掘告警序列间关联规则的算法都受到最小支持度的限制，仅能够得到频繁告警序列间的关联规则. 对此，提出了一种以高相关度、高置信度为条件，通过聚类找到特征相同的网元告警群，然后基于相关度统计的挖掘算法. 实验结果表明，该算法可以高效、准确地挖掘出电信网络告警数据库中频繁和非频繁告警序列间的关联规则.     

多支持度在非频繁项集挖掘中的研究

关联规则是当前数据挖掘研究最重要的分支之一，目前的关联规则多是在频繁项集的基础上进行挖掘，而没有挖掘非频繁项集的算法。本文在多支持度算法的基础上，提出了一种新的算法模型，在挖掘频繁项集的同时还能够对非频繁项集进行挖掘。     

一种基于拟序的关联备份任务调度算法

为了减少存储备份任务的执行时间和提高整个存储系统的效率，提出了一种新的SAN体系结构——基于集群技术的SAN体系结构，并在其结构上提出并实现了关联备份任务的数学模型和实现该模型的核心调度算法。该算法的基本思想是对投入的关联备份任务找到一个最优的执行顺序，以便提高整个系统的性能。实验数据表明，对于关联备份任务的调度与执行，该算法可以有效提高整个系统的效率。