日志信息加权关联分析方法

针对气象业务系统级、基础应用、数据库日志等重要程度不同的特点,提出了符合Apriori基本原理的增加正整数权重的日志信息关联规则分析处理方法,并通过前期zabbix采集的已知关联关系的现场数据验证该方法,结果表明此方法符合日志故障规律,适合用于故障日志信息的关联规则挖掘。     

两次挖掘的关联规则增量更新的改进算法

本文提出一种基于两次挖掘的关联规则挖掘算法（TMIUA)的改进算法,用于处理事务数据库增加新的数据集后相应关联规则更新问题,并对其性能进行了分析。     

改进的关联规则算法在数据挖掘中的探讨

数据挖掘技术在客户关系管理(CRM)中的有效运用可以从与客户有关的大量数据中挖掘出对企业经营决策有价值的知识和规则。本文根据数据挖掘中关联规则的性质以及钢铁企业的自身特点,在经典关联规则算法APriori算法的基础上提出了一种改进的算法,并利用该算法对数据库进行了关联规则挖掘,得到了隐含在数据库中的有用信息。     

元数据驱动在试验数据管理系统中的应用

针对试验数据多变性和专业性的特点,论文将元数据驱动技术引入到试验数据的管理中。在管理试验数据时,将与业务相关的元素从系统中剥离出来,利用元数据来对其进行描述并在元数据库中进行定义,系统运行时,读取元数据库中定义的相应内容并自动对数据库进行操作,从而确定当前的业务规则。当业务发生变化时,由于业务规则是在元数据库中定义的,所以,只需要修改元数据库中相应的元数据描述信息就可以改变业务规则,为系统提供了强大的灵活性和适应性。     

基于支持度变化的关联规则重挖掘技术

当使用关联规则进行数据挖掘时,使用者为了达到一定的挖掘效果,经常需要不断地改变关联规则的支持度阈值(support)。在这篇文章中我们提出了一种从大型数据库中挖掘关联规则的快速算法,该算法以经典的Apriori算法为基础,可以在提出新的支持度后直接在首次挖掘的基础上进行再一次挖掘。结果表明,它较Apriori算法的实现速度有明显的提高。     

基于遗传算法的状态监测信息关联规则挖掘

提出了基于遗传算法的量化并联规则方法,挖掘起重机状态监测信息数据库中的关联规则。利用该算法对部分数据进行关联规则挖掘,并对发现的规则进行了比较分析,认为关联则反映起重机的机械状态,为评估和预测其机械状态提供信息。     

基于数据挖掘的产品质量控制建模方法

在产品质量控制过程中,按统计学观点产品已发生的故障与元器件检测筛选之间存在某种内在的关系。为了有效地发现这些关联规则,建立了质量信息挖掘模型,它包括质量灰色预测挖掘算法和质量灰色关联—关联规则挖掘算法,目标是在质量信息数据库中发现所有置信度大于预定阈值的规则及预测产品质量将来发展趋势。按此模型,建立了面向产品质量信息生成的数据仓库和数据集市,设计了质量灰色预测挖掘模型和质量灰色关联—关联规则数据挖掘流程,并用电子元器件老炼筛选和故障模式归类规律两个算例,验证了算法的合理性。     

基于分类规则挖掘算法的火电厂智慧化耗差分析系统设计

为了智慧化分析火电厂耗差变化,优化火电厂机组运行态势,设计基于分类规则挖掘算法的火电厂智慧化耗差分析系统。从数据单元的MIS与DAS数据库中,获取的火电厂能耗实时数据,利用OPC（过程控制对象链接与嵌入）技术,将数据传送到采集容错模块中进行容错处理,经数据提取与处理模块完成数据提取与处理后,传输到业务单元的机组性能计算模块中,利用增量式遗传算法的分类规则挖掘火电厂能耗数据,经SMOTE算法缺失数据填补后,将数据输入到耗差分析数据库服务器中进行耗差分析,通过TCP/IP协议将耗差分析结果传输至应用单元浏览器,呈现火电厂智慧化耗差分析结果显示。实验表明,该系统可快速挖掘火电厂能耗数据,分析不同工况下的火电厂各月份能耗与耗差,并可通过界面实时监测火电厂耗差变化情况,优化火电厂机组运行。     

一种基于混合型结构优化算法——Apriori—Mend算法

关联规则挖掘是数据挖掘领域中最重要的研究问题之一。Apriori是关联规则挖掘的一种经典算法,它使用候选项集产生测试机制来找出所有满足用户最小支持度的项集,但它需要多次扫描数据库,会产生大量的候选项集。针对Apriori算法的不足,提出了一种基于混合型新的优化算法：Apriori—Mend算法。该算法从优化产生2项集、事务压缩等几个方面对Apriori算法进行优化,将散列技术应用于产生1项集和2项集,采用库优化策略和混合型存储结构,以节省空间和运算时间。实验结果表明,Apriori—Mend算法运行速度比Apriori算法有明显的提高。     

一种基于混合型结构优化算法——Apriori-Mend算法

关联规则挖掘是数据挖掘领域中最重要的研究问题之一。Apriori是关联规则挖掘的一种经典算法,它使用候选项集产生测试机制来找出所有满足用户最小支持度的项集,但它需要多次扫描数据库,会产生大量的候选项集。针对Apriori算法的不足,提出了一种基于混合型新的优化算法:Apriori-Mend算法。该算法从优化产生2项集、事务压缩等几个方面对Apriori算法进行优化,将散列技术应用于产生1项集和2项集,采用库优化策略和混合型存储结构,以节省空间和运算时间。实验结果表明,Apriori-Mend算法运行速度比Apriori算法有明显的提高。