一种定量关联规则的控制算法及实现

给出了关联规则的相关概念,描述了布尔型关联规则的一般算法,对定量型关联规则的挖掘算法进行了分析讨论,最后,以学校智能型学生测评系统为应用基础,研究了如何在数据库中挖掘关联规则的问题,给出了挖掘定量型关联规则的算法.     

一种定量关联规则的控制算法及实现

给出了关联规则的相关概念,描述了布尔型关联规则的一般算法,对定量型关联规则的挖掘算法进行了分析讨论,最后,以学校智能型学生测评系统为应用基础,研究了如何在数据库中挖掘关联规则的问题,给出了挖掘定量型关联规则的算法.     

Apriori算法分析与改进综述

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,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性.通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题.本文介绍了能优化该技术的各种算法,分析了这些算法各自的优缺点,并针对这些问题提出了未来的研究方向.     

一基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点.针对数据挖掘的现状及关联规则算法的瓶颈问题,提出一种基于串与运算的关联规则挖掘算法,对该算法进行了阐述.最后对该算法的特点进行了总结并对关联规则挖掘的未来研究方向进行了展望.     

一种针对大型事务数据库的关联规则挖掘算法

为进一步解决对大型数据库进行关联规则挖掘时产生的CPU时间开销大和I/O操作频繁问题,给出一种改进的关联规则挖掘算法(ARMAC).该算法引入有向无环图和tidlist结构用以提高频繁项目集的计算效率,并将数据库划分为内存可以满足要求的若干部分,解决了对大型数据库挖掘时磁盘操作频繁的问题,从而有效地适用于大型数据库的关联规则挖掘.该算法吸取连续关联规则挖掘(CARMA)算法的优势,只需扫描两次数据库便可完成挖掘过程.实验结果表明:该算法在大型事务数据库中具有更高的执行效率.     

关联规则挖掘中改进的增量式更新算法

增量式更新算法能充分利用已挖掘出的知识来提高挖掘效率,是数据挖掘高效算法中的一个主要方向.分析了典型的关联规则增量式更新算法波折法FUP算法的不足,提出了一种改进的关联规则增量式更新算法,新算法极大地降低了存储空间和挖掘时间需求,从而提高了整个关联规则挖掘的效率.     

一种多重最小支持度关联规则挖掘算法

针对单一最小支持度挖掘关联规则不能反应不同数据项出现频度与性质的问题,提出了一个基于频繁模式树的多重支持度关联规则挖掘算法MSDMFIA(Multiple minimum Supports for Discover Maximum Fre-quent Item sets Algorithm),根据不同数据项的特点定义多重支持度,通过挖掘数据库中的最大频繁项目集,计算最大频繁候选项目集在数据库中的支持度来发现关联规则.该算法可以解决关联规则挖掘中经常出现的稀少数据项问题,并解决了传统的关联规则挖掘算法中的生成频繁候选集和多次扫描数据库的性能瓶颈.实验结果表明,本文提出的算法在功能和性能方面均优于已有算法.     

一种基于相关度统计的告警关联规则挖掘算法

挖掘告警序列间关联规则的算法都受到最小支持度的限制，仅能够得到频繁告警序列间的关联规则. 对此，提出了一种以高相关度、高置信度为条件，通过聚类找到特征相同的网元告警群，然后基于相关度统计的挖掘算法. 实验结果表明，该算法可以高效、准确地挖掘出电信网络告警数据库中频繁和非频繁告警序列间的关联规则.     

改进的关联规则并行算法

针对并行关联规则挖掘算法不能有效的解决负载平衡的问题,在CD算法的基础上,介绍了一种基于动态数据集划分的并行关联规则挖掘算法.它根据各个节点的反馈来决定向每个节点分配的数据集大小.与静态的数据集划分相比,它能更好地实现负载平衡,提高并行数据挖掘的效率.     

基于后缀树的知识点间关联规则挖掘算法

在个性化的网络学习中,对知识点间的关联规则进行挖掘是一个关键的问题.该文提出了一种基于后缀树的知识点间关联规则挖掘算法,该算法通过对web日志数据构造后缀树进行序列挖掘,动态地挖掘最大频繁序列,进而发现有意义的知识点间的关联规则.     

一个改进的分类关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,目前多数监督学习算法对满足最小支持度和最小置信度的关联规则进行深入分析的较少。剖析了分类关联规则挖掘算法CAR-Apriori算法,并提出了一种基于多最小支持度和支持度差别限制的分类关联规则挖掘算法MSCAR-Apriori算法。实验结果表明,改进算法不仅可以挖掘出满足给定条件的分类关联规则,同时还可以保留稀有但用户感兴趣且可能蕴涵巨大利润的规则项。     

商务智能系统中两种改进的关联规则挖掘算法

根据日常商务数据的特点,提出了商业应用系统中进行数据挖掘的改进的Apriori算法和对点击流数据进行挖掘的改进的多支持度关联规则算法,并结合具体实例进行了分析.分析结果表明,2种改进的算法可以有效地提高系统数据挖掘的效率.     

用模糊遗传算法挖掘空间关联规则

空间关联规则是空间数据挖掘的重要知识内容，利用模糊遗传算法能很好地解决随机和非线性等问题的特征，解决空间关联规则的数据挖掘问题将离散化交叉概率pc和变异概率pm的模糊遗传算法应用到空间数据库空间关联规则的数据挖掘中，讨论模糊遗传算法的编码方法和适应度函数的构造，并给出了空间关联规则挖掘流程。研究结果表明，用模糊遗传算法挖掘空间关联规则的方法是可行的，并具有更高的挖掘效率。     

基于数字键盘的语句级汉字输入键音转换问题

针对基于数字键盘的语句级拼音汉字输入技术,提出了键音转换问题,并给出了解决方案.首先,形式化地定义了键音转换问题,并根据Bayes原理推导出两种键音转换处理模型.然后将键音转换问题转化为有向无环图的路径搜索问题,根据两种处理模型,分别描述了搜索空间并定义了搜索算法.实验结果表明提出的算法能够有效地解决该问题.     

Weak and Strong Convergence of Self Adaptive Inertial Subgradient Extragradient Algorithms for Solving Variational Inequality Problems

自适应惯性次梯度外梯度技术求解变分不等式问题的强弱收敛算法

李瑶,刘红卫, 吕佳敏

(西安电子科技大学 数学与统计学院,西安710126,中国)

摘要：次梯度外梯度算法在众多解决变分不等式的算法中具有显著的优势。本文给出两种不同的算法来解决变分不等式问题,并将变分不等式问题定义在实希尔伯特空间中,且具有利普希茨连续和伪单调条件。本文的两种新方法采用惯性技术和非单调的步长准则,当利普希茨常数没有提前给出时,仍然可以证明它们的收敛性。最后通过设计数值结果验证了两个新算法的有效性。

关键词: 变分不等式问题; 惯性算法; 非单调步长规则; 利普希茨连续; 伪单调映射

     

决策支持系统的集成化模型分析与研究

随着计算机和自动数据收集工具的应用,大量数据已被持续地收集和存储在数据库中,由此产生了从大量数据库中挖掘令人关注的巨大的信息需求.在现有的数据挖掘技术上,提出一种集成化的关联规则挖掘方法,这种集成化算法,把当前普遍应用的联机分析处理技术和关联规则挖掘cube_DM算法综合起来,通过决策分析工具软件DBMiner系统得到数据挖掘结果的分析.     

基于形式概念分析的用户查询词与网页匹配方法

当前,搜索引擎是人们从Web上获取信息的主要工具,当用户给搜索引擎一些查询词后,搜索引擎会返回大量的用户不感兴趣的网页。为了解决这一问题,本文从自动推理的角度,提出了一个用户查询词与网页匹配模型。该摸型利用形式概念分析基本理论,提出了OR_RULE和AND_RULE,分别讨论了这些关联规则和用户查询的最小形式概念,并建立了OR_MATCH和ANF_MATCH的推理方法和算法。最后实验证明了该方法是有效的。     

基于效益度的高效关联规则挖掘算法

关联规则挖掘算法中常用的支持度和可信度是对关联规则在统计意义上的有效性度量，在挖掘结果的有用度上缺乏指导作用，它们不能作为有用性的指标．从数据挖掘的最终目的出发定义了基于最终用户实际目标的效益度指标，并对最小效益度筛选性质进行了论证，提出了一种快速有效的关联规则挖掘算法.讨论了从关联规则的兴趣模板和限制模板转换到效益度的方法.实验结果表明，效益度指标具有支持度与可信度不可替代的作用；该算法的最小效益度剪切技术是有效的，不仅可以较大幅度地提高算法速度，而且可以作为规则模板的统一实现算法以及提供更精确的控制.     

XML数据集中挖掘关联规划算法的比较

文章用Java语言实现了关联规则挖掘的两个算法FP-growth和Apriori算法,将这两个算法应用于用XML表示的实验数据中,实现了从XML数据库中直接挖掘关联规则,并与基于XQuery实现的Apriori算法进行了性能比较。