改进的并行fp-growth算法在工业设备故障诊断中的应用研究

如今,工业设备不断向智能化、大型化发展,伴随着设备故障日益复杂多样,如何快速、准确地诊断故障成为一个难题。通过研究,提出以大数据技术Hadoop为平台,基于兴趣属性列的改进的fp-growth算法作为数据挖掘方法,来实现工业设备的故障诊断。实验以工业齿轮箱为例,首先选取两部分数据分别作为训练数据和测试数据,在预处理阶段对训练数据进行空值处理、维度相关性分析以及抽样离散化数据;其次提出基于兴趣属性列的改进的并行fp-growth算法,从训练数据中挖掘出属性列与故障之间的关联规则;最后通过测试数据验证关联规则,证明了改进方法的可行性。实验结果表明,基于兴趣属性列改进的并行fp-growth算法能够在保证准确率的情况下进行快速故障诊断。     

基于Apriori和C5.0算法的智能电表故障预测

针对智能电表故障状态的预测问题,提出了一种基于Apriori算法和C5.0算法建立智能电表故障识别模型,实现智能电表故障的预测。首先,对智能电表历史故障数据库进行数据挖掘预处理,并采用Apriori算法进行强关联因素深度挖掘。然后,将强关联因素组成的数据集合分为训练数据集和测试数据集两部分,采用C5.0算法对训练数据集进行数据挖掘,生成智能电表故障初步预测规则。接着,根据测试集的数据对初步预测规则的正确性进行评估：如果准确度满足要求,确定预测规则;如果不满足,则返回训练集。最后,根据获得的预测规则建立智能电表故障状态预测模型进行智能电表故障预测。算例分析结果证明,智能电表故障状态预测模型具有较高的精度,可获得极为准确的故障状态预测结果。     

基于课程间关联规则的排课优化算法研究

针对如今高校招生人数扩张所伴随而来的高校排课资源紧张的现象进行了研究,提出了一种基于关联规则的排课优化算法（SH-AP算法）来优化高校排课。SH-AP算法将关联规则算法应用到排课过程中,通过对高校学生选课数据进行关联规则的挖掘,找出需要排课的课程之间的关联规则,之后SH-AP算法再将已经挖掘出的课程间关联规则应用到排课系统中,对高校排课进行优化。实验最终得到课程间关联规则的数据,并为高校提供人性化的排课。根据研究与对比表明SH-AP算法在对排课的合理化与人性化上有很好的优化效果,帮助学校在进行排课的时候,考虑课程时间地点冲突问题的同时,对学生的需求进行满足。     

关联规则挖掘在煤矿安全监测中的应用

为了从大量的煤矿安全监测数据中获取有用的知识,来指导煤矿安全预警工作,本文将关联规则挖掘算法应用于安全监测数据的数据挖掘。根据数据的特点,对数据进行了预处理后,采用了多维关联规则挖掘算法。文章设计并实现了安全监测数据的关联规则挖掘系统。通过该系统,用户在设置最小支持度和最小置信度阈值后,就可以挖掘出关联规则。     

VorSLAM算法中基于多规则的数据关联方法

针对单独依据马氏距离(Mahalanobis distance)的数据关联(Data association, DA)算法不能保证输出正确结果的问题, 结合VorSLAM (Voronoi partition based SLAM)算法所采用的混合地图表示方法的特点, 本文提出了一个基于多规则的数据关联方法. 该数据关联方法依据的规则包括局部搜索规则、传感器观测特征的单向性规则、 马氏距离规则和轮廓匹配规则,诸个规则在每个数据关联周期依次执行. 局部搜索规则和传感器观测特征的单向性规则可以有效地降低数据关联的搜索空间,同时可避免一类潜在的数据关联错误; 马氏距离利用了特征参数表示的特征位置信息寻找多个可能的数据关联假设; 根据VorSLAM算法中局部地图描述了产生对应特征的局部环境轮廓信息, 轮廓匹配规则从多个可能的数据关联假设中识别出正确的数据关联假设. 基于多规则的数据关联方法系统可靠地解决了VorSLAM算法中的数据关联问题, 方法的有效性通过两个室内环境的实验得到了验证.     

基于启发式搜索的IP数据流分类方法的研究

基于应用层载荷特征的IP流分类技术的准确性较高,但是,当特征库庞大时遍历匹配特征库需要消耗大量的时间.鉴于此,提出一种将应用层载荷特征和启发式搜索相结合的IP数据流分类方法.通过从各种应用产生的数据包之间提取共同特征并以此共同特征建立启发式规则,根据启发式规则将特征库划分为多个特征子集,在数据包匹配过程中只需要根据启发式规则搜索匹配特定的特征子集,从而大大减少了对无关特征的匹配过程,使待匹配的特征子集具有更强的针对性、使得时间性能得到提高.对于部分应用采用以DNS为引导的方法来对数据包进行分类,该方法部分消除了基于载荷无法对加密数据进行识别的弊端.本文用C语言实现了该算法,并与开源软件l7-filter算法进行了对比实验.实验结果表明:在离线状态下,本文提出的方法的分类速度是l7-filter分类速度的6-10倍,总体识别准确性达到98%以上.     

模糊关联规则挖掘在电力负荷预测中的应用

提出了一种基于模糊关联规则挖掘的电力负荷预测新方法，采用模糊C-均值算法对连续型属性域上的历史数据进行分类并模糊化，应用文中提出的模糊关联规则挖掘算法挖掘出电力负荷量与其相关环境变量间潜在的有效模糊关联规则。利用这些规则进行匹配预测，得到电力负荷量模糊化的预测结果；最后将其反模糊化，得出预测值。给出了实验仿真结果，表明了该方法的有效性。     

基于改进变精度粗糙集的漏洞威胁评估

变精度粗糙集理论能有效处理带噪声的数据,但其移植性较弱。针对这种情况,引入阈值参数α,提出了一种改进的变精度粗糙集漏洞威胁评估模型。首先,根据漏洞特征属性建立评估决策表;然后,使用k均值算法对连续属性进行离散化处理;接下来,通过多次计算,调整参数β和α的值,进行属性约简并提取概率决策规则,构造决策规则库;最后,将测试数据与规则库进行匹配,得到漏洞威胁评估结果。仿真实验表明,所提方法的评估正确率比改进前提高了19.66个百分点,并且移植性有所增强。     

基于粒关联规则的冷启动推荐方法

推荐系统已被广泛应用于电子商务等多个领域。冷启动问题是推荐系统的一个难点。基于粒关联规则的冷启动推荐方法,运用粒来描述用户和产品,通过满足粒关联规则的4个指标,挖掘出用户和产品之间的关联规则,匹配合适的规则,最后根据这些规则向用户做出相应的推荐。在公开有效的数据集MovieLens上进行了实验,结果表明,用粒关联规则所挖掘出的规则可以有效地用于训练集和测试集上的推荐,并且具有较好的准确性。     

基于改进BUS算法的焦虑抑郁障碍因素挖掘

针对焦虑抑郁患者的早期预防和诊断需求,将关联规则挖掘和压缩方法应用于焦虑抑郁障碍因素的研究,在病人数据中挖掘出与焦虑抑郁障碍相关性较高的因素集合。单独使用频繁项集挖掘算法会产生过多的频繁项集和关联规则,导致其实用性大为降低。对收集的病人数据进行预处理,采用FP-growth算法,挖掘出预处理后数据中的频繁项集,采用最新改进Bottom-Up Summarization（BUS）算法,对挖掘出的频繁项集进行压缩。同时将最后得到的关联规则与未压缩得到的关联规则、原始BUS算法及Top-K算法压缩后得到的关联规则进行对比。实验结果表明,使用改进BUS算法得到的规则数量适中、信息冗余较少而且覆盖的人群具有更高的患病风险。     

基于机器学习的配电网监控信息智能分析规则库构建方法

为构建一种具有实时性的配电网监控信息智能分析规则库,提出了基于机器学习的配电网监控信息智能分析规则库构建方法。将规则库中全部配电网监控规则头排序并设成主链,将规则导进链表里生成规则集,保证各个监控信息数据包都存在一个分析规则。使用基于机器学习的配电网故障数据分类方法,识别配电网监控信息中的故障数据,并提取故障数据频繁项...     

双水内冷连铸辊道系统故障关联规则诊断技术

双水内冷连铸辊道系统主要由循环水站/水泵、托梁架、辊道等部件组成,其中任意部件产生故障都会影响连铸生产过程,为保障连铸生产效率与质量,研究了双水内冷连铸辊道系统故障关联规则诊断技术。构建基于关联规则的故障诊断模型,采集双水内冷连铸辊道系统运行过程中各部件的运行故障数据,采用优化后的Apriori算法挖掘故障数据内的频繁项集,挖掘故障数据间的关联规则,针对故障类型与故障原因的是否已知,生成关联规则构建相关故障规则库,基于其中的规则诊断双水内冷连铸辊道系统故障,并根据诊断结果对故障进行处理。测试结果显示该技术能够在1s内准确诊断测试对象各类故障。     

基于孤立点检测的自适应入侵检测技术研究

传统的入侵检测技术主要是从已知攻击数据中提取出每种具体攻击的特征规则模式,然后使用这些规则模式来进行匹配。然而基于规则的入侵检测的主要问题是现有的规则模式并不能有效应对持续变化的新型入侵攻击。针对这一问题,基于数据挖掘的入侵检测方法成为了入侵检测技术新的研究热点。本文提出了一种基于孤立点挖掘的自适应入侵检测框架,首先,基于相似系数寻找孤立点,然后对孤立点集合进行聚类,并使用改进的关联规则算法来从孤立点聚类结果中提取出各类入侵活动的潜在特征模式,然后生成可使用的匹配规则模式来添加到现有的规则模式中去,进而达到自适应的目的。本文使用KDD99的UCI数据集进行孤立点挖掘,然后使用IDS Snort的作为实验平台,使用IDS Informer模拟攻击工具进行测试,这两个实验结果表明了本文所提出算法的有效性。     

有效的矩阵加权正负关联规则挖掘算法——MWARM-SRCCCI

针对现有加权关联规则挖掘算法不能适用于矩阵加权数据的缺陷,给出一种新的矩阵加权项集剪枝策略,构建矩阵加权正负关联模式评价框架SRCCCI,提出一种新的基于SRCCCI评价框架的矩阵加权正负关联规则挖掘算法MWARM-SRCCCI。该算法克服了现有挖掘技术的缺陷,采用新的剪枝技术和模式评价方法,挖掘有效的矩阵加权正负关联规则,避免一些无效和无趣的模式产生。以中文Web测试集CWT200g为实验数据,与现有无加权正负关联规则挖掘算法比较,MWARM-SRCCCI算法的挖掘时间减幅最大可达74.74%。理论分析和实验结果表明,MWARM-SRCCCI算法具有较好的剪枝效果,候选项集数量和挖掘时间明显减少,挖掘效率得到极大提高,其关联模式可为信息检索提供可靠的查询扩展词来源。     

一种基于点线不变量的视觉SLAM算法

点线特征结合的视觉SLAM（同步定位与地图构建）算法中,线特征匹配准确度差会引入新的误差,点线特征误差的累积加剧了数据关联失败情况的发生．针对这一问题,本文设计了一种基于点线不变量的线特征匹配方法,该点线不变量对线段与相邻2个特征点的局部几何关系进行编码,直接在现有特征点的基础上完成线匹配,可有效提高线段匹配的速度和准确度;此外,在点线特征的融合过程引入加权思想,根据场景特征丰富程度,在构造误差函数时对点线特征的权重进行合理分配．在TUM室内数据集和KITTI道路数据集上的实验表明,与现有的点线SLAM系统相比,本文提出的点线SLAM系统有效地提高了视觉SLAM中线特征匹配的准确度,提高了特征匹配环节的运行效率,使线特征在SLAM过程中发挥了积极有效的作用,提高了系统数据关联的稳定性．     

预期关联规则集及其基数的定量分析

给定数据库,在不考虑支持度和可信度情况下,事先能否预知最终会挖掘出多少条关联规则,这是个值得研究的问题。为此文中提出预期关联规则的概念,使上述问题转化成为如何计算预期关联规则集基数的问题。分别给出布尔型和数量型两种情况下的计算公式。对于数量型数据集,讨论当转换为布尔型数据后各个项集元素呈现的互斥性质。利用此性质导出一个膨胀矩阵和膨胀算法。该方法相对简洁地解决数量型数据集预期关联规则集基数的计算问题。计算和测试结果都表明,预期关联规则总量随着互斥元素的增加呈现下降趋势。这些结果对于深刻理解关联规则挖掘的实质,进而研发更加高效的挖掘算法十分有益。     

基于MapReduce计算模型的并行关联规则挖掘算法研究综述

关联规则挖掘是最常用、最重要的数据挖掘任务之一,经典的关联规则挖掘算法有Apriori、FP-Growth、Eclat等。随着数据的爆炸式增长,传统的算法已不能适应大数据挖掘的需要,需要分布式、并行的关联规则挖掘算法来解决上述问题。MapReduce是一种流行的分布式并行计算模型,因其使用简单、伸缩性好、自动负载均衡和自动容错等优点,得到了广泛的应用。本文对已有的基于MapReduce计算模型的并行关联规则挖掘算法进行了分类和综述,对其各自的优缺点和适用范围进行了总结,并对下一步的研究进行了展望。     

一种基于事务修剪的约束关联规则的挖掘算法

针对一类常见而简单的规则中有项或缺项的约束,提出了一种基于事务数据修剪的约束关联规则的快速挖掘算法。该算法先扫描一遍数据库对事务进行水平和纵向的修剪,接着在修剪后的数据集上挖掘频繁项集,形成规则的候选头集、体集和规则项集,最后一次扫描后由最小可信度约束得到所要求的关联规则。实验表明,与按简洁约束采取的一般策略相比,该算法的性能有较明显的提高。     

一种故障树结构匹配算法及其应用

面对以故障树形式汇集的大量历史事故案例,故障树结构匹配是借鉴历史经验在有限时间、人力和成本下实现对新事故准确和全面调查的有效手段。根据事件演化的时序和因果推理的结构特征,提出一种故障树结构匹配算法。通过构造故障树结构匹配的隐马尔可夫模型,利用维特比算法预测待匹配序列的最佳序列。实验数据显示,相对于基于节点的结构匹配算法,该算法在匹配的准确性、结构缺陷的检测效果等方面有显著提升。