数据控制中新的并行算法

对巳提出的挖掘关联规则的并行算法进行了较全面的总结，对他们的性能进行了分析，针对这些算法中的问题，提出了一种新的挖掘关联规则的并行算法，并对他的性能作了简要分析，给出了优化策略。     

WSN网络中一种新的关联规则数据挖掘算法

在无线传感器网络（WSN）中,传感器关联规则在很多方面有着重要作用。但是大部分关联规则的数据挖掘算法都要求获取传感器节点的行为数据。同时,将这些数据传输到sink节点,并且由sink节点创建传感器数据库,并应用不同的算法从传感器数据库来发现关联规则。本文则提出了一个网络内部机制来查找频繁项集。因此,节点只发送传感器频繁模式到sink节点,而不是节点整个活动集,从而节省sink节点开销。     

关于数据挖掘技术与关联规则挖掘算法的研究

随着计算机技术和网络通信技术的不断发展,数据信息逐渐成为当前社会各行各业发展的关键。当今社会人们对计算机应用提出了更高要求,如今人们慢慢的意识到关系数据库有很多缺点和限制,这种问题又推动了数据库在更深领域上的研究。     

基于JADE平台的多Agent协同数据挖掘研究

文章针对多Agent协同数据挖掘问题进行了有关理论研究,提出了基于JADE平台的可扩展、适应性强、高效的三层多Agent并行关联规则挖掘方案,介绍了实现的关键技术,最后给出一个在UCI大规模数据集上进行并行分布式数据挖掘的应用实例.     

基于遗传算法的关联规则数据挖掘

关联规则是数据挖掘的重要手段,它基于支持度、置信度等对规则进行筛选,生成有用的规则,由于根据实际情况有时会产生虚假规则,所以兴趣度也自然被引入。遗传算法是自动化技术、专家系统等经常采用的算法。通过改进的遗传算法进行关联规则数据挖掘并进行了实例应用。遗传算法能较好地得出发生交通事故原因与结果的关联规则,提高数据挖掘的效率。     

数据挖掘中的关联规则的研究

上个世纪,数据挖掘技术的兴起,帮助研究者能够从大量的数据中提取有价值的信息,Agrawal等人在90年代提出了关联规则挖掘技术,来发现大量数据中的相关性信息.经过多年的发展,关联规则已然成为数据挖掘技术中高度重要并相对而言较为成熟的一种方法.本文概论了关联规则在数据挖掘中的运用,详述了关联规则中现有经典算法,并对FP-Growth算法做出优化.     

数据挖掘在移动通信市场中的应用

数据挖掘已被广泛应用于企业营销。在移动通信领域,数据挖掘技术和方法常常用来进行客户行为分析,交叉销售模型的建立,客户忠诚度分析,反欺诈分析,流失预警等。     

数据挖掘技术在税务系统中的应用

本文介绍了数据仓库、知识发现以及数据挖掘的概念,详细分析了关联规则算法,对纳税人采用的主要违法违章手段之间的关联关系进行了数据挖掘.     

数据挖掘专利综述

尽管科学研究专利是反映科学研究成果的一个重要方面，专利申请本身是一项重要的科学研究工作，但是长期以来，专利所包含的科学研究成果在文献中却没有得到充分的反映．由此，对著名的美国专利和商标委员会数据库(US PATENT ＆ TRADEMARK OFFICE DATABASE)中数据挖掘专利的授权情况进行了分析．对于专利授权比较集中的领域一关联规则、互联网挖掘、聚类算法和并行数据挖掘等方面中的代表性专利进行了总结和分析．最后，指出了当前数据挖掘专利的一些空白领域．     

分布式存储结构的频繁闭合模式挖掘并行算法

研究分布式存储结构下频繁闭合模式挖掘的并行化问题,针对频繁闭合模式的特点,提出了两阶段并行判断频繁模式闭合性的方法,基于串行算法FPclose和两种FP-tree的并行构造方式,分别给出了两个频繁闭合模式挖掘并行算法DP-FP和DL-FP,性能分析表明,这两个算法具有较大的并行化,较小的I/O开销与良好的负载平衡。     

一种基于极大完全子图的最大频繁项集并行挖掘算法

提出一种基于极大完全子图的最大频繁项集并行挖掘算法PMFIM,通过遍历由频繁2-项集构成的用邻-接矩阵表示的图,寻找图的极大完全子图,从而由极大完全子图顶点序列实现对项集的划分,即挖掘子任务的划分.在同类算法中,将找到的最大频繁项划分为局部最大频繁项集LMFI、可能最大频繁项集PMFI和邻接项集的最大频繁项集的超集SMFI,减少了该类算法合并最大频繁项集的开销,并对算法进行了实现和优化.     

频繁项集快速挖掘及更新算法

为了克服Apriori发现频繁项集存在的问题,提出了一种基于三维项集矩阵和向量(TIMV)的频繁项集挖掘算法.该算法摆脱了Apriori框架的束缚,仅需扫描数据库一次,不产生候选项目集.当事务数据库和最小支持度发生变化时,该算法只需重新遍历一次项集矩阵,即可得到新的频繁项集.实验结果表明,算法能有效提高频繁项目集的挖掘和更新效率.     

挖掘最大频繁项集的并行化策略

提出基于因子项集的并行化策略GP以发挥串行算法的剪枝功效。其基本思想是利用因子项集的完全包含关系在处理机之间贪心分配等价类,根据等价类的需要相应地划分和复制数据库记录,使各处理机得以异步计算,达到较好的负载平衡、较高的剪枝效率和较少的数据库记录复制,缩短算法的执行时间。分析和实验表明,基于GP策略的并行算法有较好的可扩展性,其性能优于已有同类算法。     

使用不需要产生候选项集的频繁项集挖掘算法挖掘布尔关联规则

讨论了一个关于布尔关联规则挖掘的不产生候选项集的挖掘算法 ,做了一些提高算法性能的改进 ,并对其性能进行了测试。     

快速挖掘最大频繁项集

提出了一种基于布尔矩阵的最大频繁项集挖掘算法，通过将FP-tree映射成布尔矩阵和权值表，运用布尔逻辑运算进行矩阵投影操作得到最大频繁项集，算法在挖掘过程中不用生成最大频繁候选项集，从而大大提高了算法的时间效率和空间可伸缩性。     

数据挖掘中的数据分类算法综述

在数据挖掘的过程中,使用到很多分类算法,可见分类算法在数据挖掘中占有非常重要的地位。数据分类算法有很多种,各有不同的优缺点,因此,通过对不同算法特性的研究,有助于后期对算法进行相应的改进,确保新的分类算法能够具备更好的实用性能。数据分类算法的性能优良,不仅可以提高数据挖掘的功能性和实用性,还可以确保使用者对算法具备更多的选择性,基于此,对数据挖掘中不同的数据分类算法进行了研究和分析。     

基于图论的频繁闭项集挖掘

利用了有向项集图来存储事务数据库中有关频繁项集的信息,提出了有向项集图的三叉链表式存储结构和基于有向项集图的频繁闭项集挖掘算法。不仅实现了事务数据库的一次扫描,减少了I/O代价,而且提高了数据结构的存储空间效率和频繁闭项集挖掘算法的执行时间效率。     

基于矩阵的Apriori改进算法研究

针对关联规则中Apriori算法的不足之处,提出两种基于矩阵的Apriori改进算法.改进算法充分利用矩阵这一工具,以大幅度减少扫描数据库的次数和计算成本,进而有效提高算法的运算效率.同时,通过实例应用和算法性能分析证明所提出的两种改进算法都是有效的关联规则挖掘方法,且比Apriori算法具有更好的性能.     

一种新的在图像关联规则挖掘中产生频繁项集的方法

提出了一种进行图像关联规则提取时产生频繁项集的方法——频繁项树.为便于频繁项树的运用,使用了bSQ的图像数据格式来重新组织图像数据,并在此基础上提出了频繁项树的截断、半深度优先、图像掩模和多层次灰度范围自动生成等优化技术,降低了算法的时间和空间复杂度,使其具有较高的运行效率和实用价值.     

基于压缩矩阵方式的Apriori改进算法

针对关联规则中Apriori算法的不足之处,提出两种基于压缩矩阵方式的Apriori改进算法,改进算法充分利用矩阵并对其进行压缩,以大幅度减少扫描数据库的次数,并提高频繁项集的生成效率,从而有效提升算法的运算效率,同时,.,通过实例应用和算法性能兮析证明所提出的两种改进算法部是有效的关联规则挖掘方法。且比Apri算法具有最好的性能.