一种Apriori算法的改进

Apriori算法在处理关联规则分析时,当数据立方体数据稠密时,实现迭代性质将需要非常复杂的数据结构。针对上述问题,本文提出了一种改进的Apriori-ni算法,该算法没有用迭代性质来剪枝,即不基于迭代属性的算法。对Apriori算法和Apriori-ni算法进行了分析和比较,实验结果表明,当项目集很多时,Apriori-ni算法能节约计算开销,从而提高算法的效率。     

车辆监控系统中时空数据模型设计与实现

针对车辆监控GIS系统中车辆对象轨迹数据变化频率较高、数据量大的特点，首先分析了当前常用的几种数据存储方法，然后在时空立方体模型基础上，提出通过切分时空立方体，形成单元时空立方体，并建立轨迹版本的建模思想。对模型的实现和基于此模型的时空查询算法进行了详细阐述。验证表明该模型能满足实际应用的需要，在减少存储和时空查询性能上有较大提高。     

基于并行Apriori的物流路径频繁模式研究

传统的频繁路径挖掘分析主要通过关联规则算法实现，但其在处理大型数据集时，会产生占用内存过多，数据处理速度慢等问题，对此提出一种基于Fuzzy [c]-means聚类算法的并行Apriori算法模型。该模型通过Fuzzy [c]-means算法完成对原始数据集的聚类分析，将同一区域的物流路径数据划分到内部相似度较高的数据类，并利用Apriori算法对各数据类中的频繁模式进行挖掘分析，进而获得各区域的物流频繁路径。同时通过Hadoop平台实现算法的并行化，有效提高算法运行效率和质量。通过对物流频繁路径的挖掘分析，使管理者更清楚货物流向，可为配送路径优化等决策提供支持。     

基于多维关联规则的教学管理系统的开发

Apriori算法是一种找频繁项集的基本算法,它常常被用于单维关联规则的数据挖掘,本文结合数据立方体技术对Apriori算法做了一些变形,给出了一种适用于维间关联规则挖掘的算法,并将此算法结合Apriori算法,在教学管理系统中挖掘出混合维间的关联规则。     

基于SQL的频繁项目集的研究

Apriori算法是关联规则中挖掘频繁项目集的典型算法。在Apriori算法的基础上，利用关系数据库管理系统的强大功能和SQL语言操作简单，效率高的特点，提出了基于SQL的Apriori算法。该算法实现简单快速，可有效缩小扫描数据库的大小。将该算法应用于经过数据预处理的Web日志文件数据库，实验结果显示谊算法是有效的。     

基于多维关联规则的教学管理系统的开发

Apriori算法是一种找频繁项集的基本算法,它常常被用于单维关联规则的数据挖掘,本文结合数据立方体技术对Apriori算法做了一些变形,给出了一种适用于维间关联规则挖掘的算法,并将此算法结合Apriori算法,在教学管理系统中挖掘出混合维间的关联规则.     

基于网络大数据捕获的心理测评系统设计

针对现阶段心理测评系统对大数据统计、分类能力的匮乏与不足,提出了一种基于网络大数据捕获的心理测评系统。利用Apriori算法和决策树模型为核心,通过挖掘数据、建立关联性等方法设计在线心理测评系统,通过分析系统模型在应用中的不足之处,对Apriori算法提出了引入兴趣度改进方案,将系统关联性挖掘准置信度提升了20%;针对决策树模型在应用时出现的问题,对Apriori算法进行改进,显著提升了模型的分类预测效果;最后通过对系统性能和功能测试,结果表明设计系统可以满足基于大数据的心理问题预测。     

基于云计算的Apriori挖掘算法

MapReduce是云计算技术主流的分布式计算模型,它充分利用计算机集群的处理能力;能对大规模数据进行高效的挖掘分析;在研究MapReduce模型架构的基础上,将云计算技术与数据挖掘技术结合在一起,提出了基于MapReduce模型的Apriori算法;该算法对事务集和项集进行双重二进制编码,只需"与"运算和"或"运算,提高了模式匹配和连接的效率;试验结果表明,该算法执行效率比传统集中式Apriori算法有很大幅度的提高。     

基于数据立方体的数据挖掘系统

介绍了一个通用的数据挖掘系统-基于数据立方体的数据挖掘系统的设计与实现过程。该系统基于C/S构架，引入了挖掘模型的概念，集成了两种算法，图形化显示挖掘结果。文中详细介绍了系统的这些特点。     

ROLAP环境下数据立方体的计算框架

数据立方体计算是联机分析中一项重要的技术。研完工作者提出了多种具有不同存储空间和查询相应时间的数据立方体,每种数据立方体有独自的生成算法。本文分析了使用关系系统作为存储结构的一般数据立方体、部分数据立方体和浓缩数据立方体的原理,提出用合作伙伴的概念统一这三类数据立方体的思想,并设计了一个算法TCUBE用于生成这些数据立方体。我们使用了一个实际数据集测试了TCUBE的性能,结果表明它生成浓缩数据立方体的速度要快于原有的算法。     

改进后的Apriori算法在超市中应用

超市很容易收集和存储大量的销售数据,通过对这些数据的关联分析,可以用来指导商家科学地安排进货、库存以及货架设计等。但Apriori算法在产生候选集需要进行大量的运算,时间较长。本文根据超市对数据库的利用的特点对Apriori算法进行改进,使用时间分割数据集,介绍了分割的方法,并详细阐述了改进算法的核心一合并子算法。新算法在实际中有一定的应用价值。     

基于云计算环境的考试数据挖掘算法研究

本文分析了当前网络考试系统数据挖掘现状,介绍了云计算和数据挖掘的相关概念,指出传统数据挖掘技术在当今考试系统海量数据情况下挖掘时系统响应速度慢,负载不均衡和节点效率低的不足,设计了基于Map/Reduce并行编程模型的Apriori算法,利用云计算环境下计算资源来支持该算法的并行执行,通过实例说明云计算化后的Apriori算法在对海量考试数据进行挖掘时能获得更高的挖掘效率。     

基于混合存储结构的数据立方体生成算法

通过把数据立方体中的维分为划分维和非划分维,视图中的数据被分成两部分,分别存储在关系和多维数组中。针对这种混合存储结构,我们设计了一个数据立方体生成算法,它结合了流水线聚集方法和多维数组聚集方法的优点,大大减少了流水线的条数和所需要的存储空间,加快了计算速度。并用一个实际数据集进行了实验,结果表明该算法适用于计算高维的数据立方体。     

基于二阶分段式的Apriori算法优化

针对数据的复杂多样性以及Apriori算法的低效问题,提出依托Spark计算框架的二阶分段式算法优化模型.基于K-Means方法设计并行聚类分析算法,采用该算法对多维多属性值数据类型进行聚类分析,提高数据差异性,降低数据规模.通过"字典表"化存储模式压缩数据量,采用"与"操作降低I/O和去候选频繁项集优化Apriori...     

关联规则和分类规则挖掘算法的改进与实现

对Apriori关联规则挖掘算法提出了一种改进方法，使其可以有效地压缩数据规模，提高了原Apriori算法的执行效率。此外，还对OCI分类规则挖掘算法提出了改进，扩展了该算法的适用范围。同时，该采用这两个改进算法实现了一个数据挖掘原型系统。     

一种高效的多维关联规则挖掘算法研究

对经典关联规则挖掘算法进行深入研究的基础上，结合数据立方体的结构特点和OLAP技术，给出了一种高效的多维关联规则挖掘算法，并对不同数据立方体下的算法的性能进行了分析比较。     

Apriori算法在SQL中的改进与应用

Apriori算法是挖掘关联规则的经典算法.在分析该算法的基础上,在实际项目应用当中,结合SQL的特点,提出Apriori算法在SQL中的改进算法-Apriori_Sql.应用Apriori_Sql算法只需扫描一遍数据库,在数据库临时表中建立原始数据库的压缩数据映射,实验表明该算法是一种高效的关联规则的挖掘算法.     

面向分类信息网站数据挖掘算法的研究与应用

文章在分析数据特点的基础上进行了关联规则的数据挖掘.阐述了关联规则挖掘的基本理论,给出了关联规则挖掘的一般模型,并在介绍了著名的Apriori算法的前提下,将哈希技术应用到Apriori算法中,提出了HTBA算法,并通过www.city0518.cn的数据实例加以分析.     

基于计算机技术在医院信息化管理系统设计

针对医院信息管理工作难度大,数据种类复杂并且对于医院管理数据利用率低等问题,设计一种医院信息管理系统,该系统软件设计采用C/S架构记性设计;针对医院数据挖掘技术,通过改进Apriori算法和增量决策树算法对数据进行处理,提高医院信息利用率;并通过设计模拟实验方案对设计的算法进行验证,其中对于改进Apriori算法与原始的Apriori算法相比起处理速度提升了 10倍;对于增量决策树算法分类的准确率比C4.5算法和ID3算法高5％以上,并且在增量学习中耗时是C4.5算法和ID3算法的40％以下.     

基于关联规则的Apriori算法的可视化实现方法

关联规则的提取是数据挖掘中的重要研究内容,对关联规则提取中的Apriori算法进行了分析与研究,针对该算法的运算效率不高,对该算法进行了优化.该算法以经典的Apriori算法为基础,改进后的算法在运算速度明显好于Apriori算法.同时,还介绍了一种基于Apriori算法的可视化挖掘模型[1],并讨论了该可视化模型的实现方法.