用于关联规则挖掘的一种基于小生境技术的GEP算法

为了提高关联规则挖掘算法处理大数据集的能力,在基因表达式编程进化算法(Gene Expression Program-ming)的基础上,提出了一个新的挖掘强关联规则的算法框架.主要贡献在于提出并实现了基于小生境技术的基因表达式编程进化算法NGEP,以用于挖掘关联规则.NEGP算法首先进行小生境演化,融合小生境并剔除同构的优秀个体,然后对小生境解进行笛卡儿交叉,以产生更好的结果.实验结果表明,与同类优秀的算法对比,NGEP算法的种群多样性与精确度都有很好的结果,并且在提取有效规则的效率上也有较大的提高.     

基于多表达式编程的分类算法研究

多表达式编程是一种基因可复用的线性遗传程序设计方法,目前已应用于许多数据挖掘问题,但在分类问题中的研究还比较少.针对多表达式编程的编码特点并结合现有分类方法,提出一种新的分美算法.该算法将分类规则蕴含于多表达式编程的染色体内,并按照适者生存的原则对分类规则进行演化挖掘.实验表明该算法具有可行性,能够达到较高分类精度.     

基于GEP与小生境的关联规则挖掘的研究*

如何高效而正确地挖掘关联规则是数据挖掘领域的一个重要研究方向。在现有工作的基础上结合基因表达式编程进化算法提出了一种新的挖掘强关联规则的算法框架;提出并实现了基于小生境技术的基因表达式编程算法(niche-gene expression programming,NGEP)以用于挖掘关联规则。与同类算法的对比实验结果表明,NGEP不但能更快地收敛,还进一步提高了挖掘的正确率。     

多表达式编程的函数发现问题研究

函数发现问题是数据挖掘研究领域的重要任务之一,研究了基于多表达式编程的函数发现问题,多表达式编程是进化算法最新研究热点。介绍了多表达式编程的主要思想,包括基因结构,遗传算子设计,以及基本算法流程等,阐明了基于多表达式编程挖掘函数关系的适应度函数设计方法。实验研究了多表达式编程挖掘函数关系,结果表明,多表达式编程基因编码效率高,空间利用率高,函数发现的能力强。     

一种基于粒子群算法的分类器设计

将粒子群算法应用于数据分类,给出了适用于粒子群算法的分类规则编码,构造了新的分类规则适应度函数来更准确的提取规则集,并通过修改粒子位置更新方程使粒子群算法适于解决分类规则挖掘问题,进而实现了基于粒子群算法的分类器设计。该文进一步用UCI基准数据集对作者提出的粒子群分类器进行了测试,并将几种不同速度与位置更新策略的粒子群算法分类器与遗传算法分类器进行对比,实验结果表明,这种粒子群分类器是一种有效、可行的分类器设计方案。     

基因表达式编程在软件可靠性建模中的应用

基因表达式编程是一种基于遗传算法和遗传编程的新型机器学习技术,其具有更为优秀的数据挖掘能力,已被成功应用于函数发现领域。提出一种基于基因表达式编程的非参软件可靠性建模方法,该方法将基因表达式编程算法中的若干关键步骤(如初始种群函数集、适应度函数、终止条件等)与软件可靠性建模的若干重要特征相融合,在失效数据集上进行训练,从而获得基于基因表达式编程算法的非参软件可靠性模型。在若干组真实失效数据集上,将所提出的模型与若干典型的基于人工神经网络以及遗传编程的非参软件可靠性模型进行对比实例研究。实例结果表明,基因表达式编程算法的非参软件可靠性模型具有更为显著的模型拟合与预计性能。     

一个最优分类关联规则算法

分类和关联规则发现是数据挖掘中的两个重要领域。使用关联规则算法挖掘分类规则被叫做分类关联规则算法,是一个有较好前景的方法。本文提出了一个最优分类关联规则算法——OCARA。该算法使用最优关联规则挖掘算法挖掘分类规则,并对最优规则集排序,从而获得一个分类精度较高的分类器。将OCARA与传统分类算法C4.5和一般分类关联规则算法CBA、RMR在8个UCI数据集上进行实验比较,结果显示OCARA具有更好的性能,证明OCARA是一个有效的分类关联规则挖掘算法。     

基于基因表达式编程的核k近邻分类算法

核k近邻分类算法在生物信息学和蛋白质结构预测等领域中的应用受到人们极大的关注.核函数在核k近邻分类算法的分类性能中起着重要的作用,如果核函数及其参数选择得当,则将获得较高的分类准确率.为了自动产生合适的核函数,提高分类的准确率,提出了一种基于基因表达式编程的核k近邻分类算法GEPKNN.该算法的基本思想是用基因表达式编程搜索与训练数据相关的核函数及其参数,在进化过程中用k折交叉验证评估个体的适应度.该算法克服了核k近邻算法的主观性和不确定性,能自动产生合适的核函数并提高分类的准确率.     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

基于可变精度粗糙集理论的粗糙规则挖掘算法

提出了一种基于变精度粗糙集理论的规则挖掘算法.通过粗糙规则集的不确定性量度,应用遗传算法求取相对属性约简,然后根据所给阈值导出粗糙规则集,并对阈值对规则集的影响进行了事后分析.由该算法得到的规则既有一定的噪声容忍度又具备较高的准确度和覆盖度,从而能充分保证预测和分类的准确性.实例分析证明,该算法是规则挖掘的有效方法.     

关联规则的分层表达

关联规则通常以规则列表形式表达，而许多关联规则挖掘算法往往产生大量规则，这给用户理解规则和从中找出感兴趣的规则带来了极大困难。为了标识重要的规则，而又保持挖掘结果的完整性，提出了根据规则的通用性，按照由概括—具体的方式分层表达关联规则。先用挖掘结果的最概括规则集表达出最通用、最基本的领域知识，再根据用户要求分层查看概括规则下面更具体的规则。这种表达方式可以在不同层次上查看关联规则，使挖掘结果更容易管理和被人理解。     

提高关联规则完整性和有效性的算法

该文在对经典的关联规则算法进行了分析后,通过引入兴趣度和负规则的概念,提出了在不降低运行效率的同时提高挖掘出的关联规则的有效性和完整性的算法,并且对算法本身作出了评价。     

一种新的广义关联规则挖掘算法

通过对广义关联规则挖掘中的数据源的分析研究．采用分层抽样的数学方法筛选数据源．提出了一种效率更高的挖掘广义关联规则的新算法即分层抽样算法(Stratify Sample)SS，并进行了理论证明和分析．     

一种高效的挖掘量化关联规则的MQAR算法

提出了一种挖掘量化关联规则的MQAR算法。此算法在挖掘关联规则时，只需扫描事务数据库一遍，提高了数据挖掘的效率；并且存放辅助信息所占的内存空间大大少于现有的挖掘算法；同时此算法不仅能挖掘出有关联的数据项集，还能找出这些项集之间数量上的相互关系。     

例外关联规则挖掘

1 引言数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。通常,经过某些数据挖掘工具的挖掘后,例如,文[1]所给出的快速算法,我们会得到大量的关联规则。对用户来说,从这些大量的规则中找出自己感兴趣的规则十分困难,而且,也     

线性关联规则研究

首先讨论了布尔型关联规则的不足,然后提出了线性关联规则的概念,详细讨论了线性关联规则的挖掘方法,具体给出了线性关联规则的挖掘过程,分析了线性关联规则的作用。还给出了实验结果,并将线性关联规则和布尔型关联规则及定量关联规则进行了比较。     

关联规则挖掘与分类规则挖掘的比较研究

关联规则挖掘与分类规则挖掘都是数据挖掘,领域中很重要的技术。本文首先简要介绍了关联规则挖掘和分类规则挖掘的基本知识，主要从挖掘目的、发现规则算法的方法、算法的设计思想等几个方面对它们进行了比较，最后介绍了它们之间的联系。     

基于神经网络与组成份分析的关联规则挖掘

通过对关联规则挖掘的分类研究，提出了关联规则挖掘的分类定义方法，从项集的相关性出发，阐述了一种基于ANN-PCA的快速、高效的挖掘算法，从而扩展了关联规则挖掘的应用。实验证明了该算法的有效性。     

基于邻接格的规则集压缩方法

关联规则挖掘能使你们发现大量数据中项目集之间有趣的关联或相关关系,通过研究发现,用传统关联规则方法会生成大量包含重复意义的规则,这必然会对用户迅速做出决策产生干扰。该文提出了一种基于邻接格的规则集压缩方法,使生成的规则大大精化,从而提供给用户简洁紧凑的关联规则集。     

调整模糊控制规则的规则表旋转法

提出了用规则表旋转法修改控制规则的方法. 模糊控制器通常是基于专家经验或对象模型而设计的. 无论模糊模型或是经验都是粗糙和不能令人满意的. 提出的方法可以通过旋转规则表来调整原始的规则. 仿真结果说明, 这个方法是一种在模糊控制系统中有效调整规则的方法.