基于项目集加权的增量关联规则算法研究

针对最小支持度,最小置信度不变的情况下,新增数据库db时的关联规则更新问题,进行了分析和研究。考虑到新增数据库的新颖性、以及生成规则的有趣性等问题,本文提出了基于项目集加权的增量更新算法,并分析了其可行性。     

矿井通风能力合理核定方法的探讨

通过对矿井通风能力核定公式的由来分析，指出了公式核定数值偏低的缺点，进而提出了以矿井主通风机在最高效率时排风量为计算基础的矿井最大通风能力核定观点。     

基于XML的数据挖掘

基于人工智能的数据挖掘，其结果受到人工智能研究的制约。XML技术的出现，为在数据组织中更好地体现数据本身的含义提供了很好的途径。对基于XML的数据挖掘基本过程进行了探讨研究，提出了在数据挖掘过程中，从数据源到发现知识全过程都基于XML进行描述处理的方法与过程。     

基于RST的决策树生成与剪枝方法

基于粗糙集理论构建决策树的过程中，通过计算各条件属性相对某分类的边界，选取边界最小的属性作为当前分支的节点，但此方法在多值分类情况下不能直接应用。为此，本文利用明确区的概念作为选取属性的标准，对各候选条件属性，选取相对于整个结果属性的明确区最大的属性作为当前分支的节点。并且基于明确区的概念，提出了一种新
新的对决策树进行剪枝的方法，通过一个实例说明该剪枝方法是简洁有效的.     

向量法长度递减支持度约束下的关联规则

关联规则挖掘中的长模式，通常支持度较低，但仍然具有潜在的价值。为了挖掘长模式下的有效关联规则，该文提出了一种在新的长度递减支持度约束条件下采用向量法进行的关联规则挖掘。该方法能够挖掘更多有效的长模式，减少无用的短模式，提高了关联规则挖掘的效率。     

挖掘有效的关联规则

本文分析了关联规则的衡量标准，针对其中的缺点和不足，提出了一种匹配度方法用以取代置信度，并将该方法生成的规则与支持度一置信度框架生成的规则做了比较。结果表明，用本文方法生成的规则不仅前件和后件具有较高的相关性，而且减少了冗余规则的生成。     

变精度粗集模型在决策树生成过程中的应用

Pawlak粗集模型所描述的分类是完全精确的，而没有某种程度上的近似。在利用Pawlak粗集模型构造决策树的过程中，生成方法会将少数特殊实例特化出来，使生成的决策树过于庞大，从而降低了决策树对未来数据的预测和分类能力。利用变精度粗集模型，对基于Pawlak粗集模型的决策树生成方法进行改进，提出变精度明确区的概念，允许在构造决策树的过程中划入明确区的实例类别存在一定的不一致性，可简化生成的决策树，提高决策树的泛化能力。     

增量关联规则的向量法挖掘

该文针对数据库记录增加时,如何高效地挖掘频集,提出了VFUP算法,并和其他增量更新算法进行比较,说明了该算法的高效性。     

向量法关联规则挖掘在冠心病诊断中的应用

针对传统关联规则频繁项集生成效率较低的问题,提出一种改进的基于向量法的数据关联规则挖掘算法。该算法只需扫描一次事务数据库即可完成布尔矩阵的转换,通过向量运算完成频繁项集的查找,减少候选频繁项集的生成。在冠心病中医诊断中的应用结果表明,该算法可有效提取冠心病中医辨证规则。