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.     

一种基于目标属性的关联规则挖掘算法的研究

提出一种基于目标属性的关联规则挖掘算法,该算法对于不同目标属性的关联规则挖掘是相互独立的,虽然会产生重复工作,但是在并行计算以后效率得到了大大的提高.经过实验分析,对于同样的问题,采用该算法并引入并行计算后,效率要比采用间接挖掘方式的Apriori算法高得多.     

关联规则挖掘算法综述

介绍了关联规则挖掘算法的基本原理，并按照挖掘中涉及到的变量数目（维数）、数据的抽象层次和处理变量的类别（布尔型和数值型），依次对关联规则挖掘算法的研究进行综述，并对一些典型的算法进行分析和比较，最后展望了关联规则挖掘算法的研究方向。     

分布式数据库中关联规则挖掘的研究

在数据挖掘研究中,关联规则挖掘作为数据挖掘研究中的一个重要部分,引起越来越多的关注。因此,主要研究关联规则挖掘,首先介绍关联规则挖掘的一些基础知识、概念描述等,然后对关联规则挖掘的常用算法进行分类探讨,最后分析其中的几种典型算法。     

基于情境—需求本体的客户定制需求挖掘

目的 实现客户定制需求精准全面的自动获取.方法 以人机系统设计理论为基础,构建考虑客户情境信息的情境—需求本体模型并运用Apriori算法挖掘两者之间的映射规则.结论 由客户情境信息映射到客户定制需求信息的关联规则,可以实现根据客户情境信息推导出对应的定制需求信息.运用情境—需求本体模型和关联规则挖掘算法可以实现由客户情境信息自动获取规范化的客户定制需求信息,更符合人机系统设计理论.     

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。     

数据挖掘中关联规则的频繁项集研究及算法设计

关联规则挖掘其主要研究目的是从大型数据集中发现隐藏的、有趣的、属性间存在的规律与数据间的联系。关联规则挖掘算法主要目的是从事务数据集项间挖掘出有意义的关联关系。Apriori算法是关联规则挖掘算法中最经典的方法。由Apriori算法产生的候选项集仍是巨量的。通过对Apriori算法中的候选项集支持频度的深入研究总结五条规律,并将这五条规律应用到Apriori算法中。     

Rough集在基于异常的入侵检测系统中的应用研究

针对入侵检测系统中安全规则提取的困难,提出利用粗集方法从系统日志信息中挖掘安全规则,并给出规则挖掘算法。通过KDDCup99入侵数据测试集中的数据验证该方法的有效性和可行性,为入侵检测中安全规则的提取提供一种新方法。     

面向数据流的敏感规则k-匿名保护算法

为了使攻击者通过降低阈值来发现被隐藏规则的概率小于1/k,以此实现对敏感规则的二重保护,提出了一种面向数据流的敏感规则k-匿名保护算法.该算法首先用时间滑动窗口技术来获取数据使用者最感兴趣的最新n个时刻到达的数据,然后通过追加交易的方式而并非修改交易项的方式来实现对敏感规则的k-匿名,从而避免对数据流的二次访问以及被隐藏敏感规则的泄漏.同时采用素数编码的方法,用素数集代替原始项集参与运算,以提高算法的效率和降低算法的空间复杂度.实验结果表明,此算法可以在数据流环境下高效进行敏感规则的k-匿名,并且能够保证挖掘结果的有用性.     

事务间关联规则挖掘在股价、期货价格预测中的应用

关联规则作为数据挖掘的一种重要分析方法,在近年来发展日趋成熟.在金融领域,一些研究已开始关注利用关联规则挖掘不同金融产品价格间的关联性、不同市场变动趋势之间的关联性等.然而,前人的研究主要集中在事务内相关性挖掘发面.引入事务间关联规则的概念,并利用FITI算法研究中国股票市场、债券市场、期货市场变动的关联性,以及不同国家间股票市场的关联性.     

基于关联规则的多冷水机组系统负荷优化分配

本文以多冷水机组系统为研究对象,对系统采集的大量历史运行数据进行数据处理与分析,采用Apriori频繁项集算法,通过分级挖掘,挖掘在不同运行工况下各台冷水机组运行参数与最小运行能耗之间的关联规则,并以机组运行总能耗最小为目标,提出了一种将粒子群算法与关联规则结合的负荷分配优化方法.仿真验证结果表明:该方法通过优化冷水机...     

一种频繁项集挖掘改进算法

利用Apriori算法和FP-growth算法挖掘密集型数据集的全部频繁项集代价高昂,针对该问题提出一种基于链表数组的关联规则挖掘算法,该方法使用链表数组为每个项目建立事务链表,只需要扫描数据库1次,就能够快速得到每个候选项的支持度,从而有效的发现频繁项集。通过与经典算法分析对比表明,该算法具有较快的挖掘速度。     

基于FP-树的关联规则挖掘算法浅谈

随着数据库技术的发展,高效的数据挖掘算法有助于人们重新认识数据、理解数据。基于FP-树的关联规则挖掘算法FP-growth是当前应用最广的一种挖掘频繁项目集的算法。本文简要描述了该算法的几种主要发展方向。     

矩阵加权关联规则在故障诊断系统中的应用

关联规则挖掘算法实现了对复杂设备的通用、快速、脱离主观经验的故障诊断。经典的关联规则算法以各项目均匀分布为前提,而实际的故障诊断过程中不同的故障因素对故障诊断的贡献度不同。针对这种情况,将"最小支持期望"和矩阵引入关联规则,提出一种适用于设备故障诊断的基于矩阵的加权关联规则模型——MWARMA模型,实例证明该模型在提高挖掘效率的同时,明显提高了故障诊断的准确率。以该模型为基础设计并实现了一套设备故障诊断系统。     

基于动态模糊关联规则推理的光网络故障管理(英文)

当代光网络趋于复杂化,一个故障将引发多个告警事件。同时,同一告警可能由不同的故障导致。本文研究了基于数据挖掘的光网络告警相关性分析,我们从动态网络资源与设备中挖掘关联规则,充分利用和维护原有规则知识,使网络结构和规则库都能快速更新,并提出了新型的动态模糊关联规则挖掘算法IDFARM。同时运用模糊逻辑将数值型告警属性转化为逻辑语言变量,当网络中有新的未知告警发生时,我们对模糊关联规则运用模糊推理来进行故障诊断,这将缩短网络恢复时间,有利于提高光网络故障管理性能。仿真实验验证了文章算法的正确性和有效性。     

基于关联规则的恒星光谱数据相关性分析

利用关联规则作为恒星光谱数据相关性分析方法,以VC 和Oracle9i作为开发工具,设计并以程序实现了基于关联规则的恒星光谱数据相关性分析系统,给出了其软件体系结构和模块功能,并对恒星光谱数据的预处理、取样技术、背景知识模板、频繁模式集挖掘算法等关键技术进行了详细描述.最后,通过系统运行结果表明,利用关联规则来描述、分析光谱数据特征和物理化学性质之间存在的相关性是可行的和有价值的.     

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。     

FP-growth关联规则挖掘算法在高校学生评教系统中的应用研究

将FP-growth关联规则挖掘算法应用到学生评教系统中,对评教数据进行关联分析,得到对提高教学质量有用的信息,为教学管理和决策提供依据。     

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。