关联规则在课程相关性分析中的应用

该文论证了采用关联规则算法进行数据挖掘,以发现课程之间相关性的可行性。提出了基于支持--置信--兴趣度的关联规则挖掘算法,通过引入感兴趣度,对挖掘结果进行进一步的相关分析。     

关联规则在课程相关性中研究与应用

关联规则挖掘是数据挖掘领域的一个重要课题，本文介绍了在数据挖掘中关联规则的基本概念和与理论，进一步讨论了关联规则在课程相关性挖掘中的应用。学生成绩库在经过一定的预处理后，用Apriori算法挖掘出隐藏在数据背后的有用规则，以指导学生的选课。     

关联规则挖掘在课程相关性分析中的应用

关联规则挖掘是常用的数据挖掘方法,将其应用于课程相关性分析可发现课程间深层次内在关联,便于更科学合理的进行课程设置、改善课程体系结构。文章介绍了关联规则的基本概念,分析了关联规则的经典算法Apriori,并将Apriori算法应用于金融学专业课程相关性分析。     

关联规则在课程相关性模式中的研究与应用

学分制已成为高等学校教学管理制度发展趋势.在学分制体系下,如何进行教学管理和学生培养成为高校建设的主要问题.本文将Apriori算法应用于高校教务管理信息系统,对学生成绩数据进行分析,探讨了高等学校专业课程间相关性问题,得到了一些合理、可靠的课程关联规则.解释和验证了关联规则结果,针对产生的大量规则引入兴趣度分析,别除了用户不感兴趣的关联规则,从而为学分制体系下的学生选课提供指导.     

粗糙集在物流联盟稳定性决策中的应用研究

在对有关战略联盟稳定性的文献综述的基础上,提出具有层次结构的物流联盟稳定性评价指标体系。然后,利用粗糙集的基本理论和方法,建立基于粗糙集的物流联盟稳定性决策模型,并给出其中的基于分辨矩阵的指标属性约简算法,优化评价指标。最后通过实例说明该模型的有效性及实用性。     

基于关联规则的通信网络告警相关性分析模型

在通信网络运行过程中．每天都会产生大量告警，将数据挖掘中的关联规则发现技术用于分析历史告警数据，可发现告警相关性规则。这些规则可辅助故障定位和告警过滤，以减轻网络管理员的工作强度，提高工作效率。本文分析了通信网络原始告警信息的特点，提出了一个基于关联规则的通信网络告警相关性分析模型，该模型通遏对原始告警数据进行预处理，不仅有效地解决了网络告警时间不同步问题，使得处理后的告警数据可直接用一般的关联规则挖掘工具发现告警相关规则，还大大地压缩了挖掘结果，提高了规则的准确率。初步的实验表明这种分析模型具有实用价值。     

基于粗糙集的变电站故障诊断规则提取方法研究

运用粗糙集理论研究了变电站故障诊断规则提取,提出了基于属性重要度和分辨矩阵的诊断规则提取算法.通过改进基于属性重要度的粗糙集属性约简算法,得到决策表的一个最小约简,然后将分辨矩阵引入值约筒中得到决策规则.采用该算法对变电站故障决策表进行属性约简和值约简,抽取出变电站故障诊断的精确规则库进行故障诊断.实验结果表明了该方法的有效性.     

粗糙集理论中的求核与约简

约简与核是粗糙集理论的两个重要概念，而直接由定义来计算约倚与核是一个典型的NP难题。发现了分辨矩阵的若干有用性质，利用这些性质使粗糙集理论中的求核与约简问题得以解决。进而分别讨论了无决策信息系统的约简和有决策信患系统的约简问题。最后举例说明了所得结果的有效性。     

基于粗糙集理论的关联规则挖掘研究及应用

提出了一种基于粗糙集理论的关联规则算法,使用粗糙集理论对数据进行预处理,同时使用属性限制避免挖掘无用的关联规则,挖掘出来的关联规则是分类规则,可以对未知数据进行分类;使用规则过滤去除冗余规则,只保留本质的、一般的规则。通过对网络安全审计数据的分析的试验表明,该方法是行之有效的。     

基于FP_growth算法的课程相关性的关联规则研究

文章探讨了高校专业课程间的相关性问题,通过对数据挖掘中的关联规则挖掘进行研究,将关联规则挖掘应用于高校教务管理数据库,针对学生的成绩数据进行预处理,并利用FP_growth算法较快地挖掘出隐藏在成绩数据之后课程关联性规则,从而得到了一些合理、可靠的课程相关性规则,为高校的专业课程设置和学生选课提供决策依据。     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

变精度粗集模型的属性约简研究

针对大量存在的不一致决策表,研究了分配量函数和[β]分配量函数定义。依据Ziarko变精度粗糙集模型,提出利用计算条件属性组合的[β]重要度来选择属性的[β]重要度属性约简和利用[β]二进制可辨矩阵实现的[β]分配量属性约简,可有效解决不一致决策表属性约简问题。     

知识包含度及其在粗糙集理论中的应用

提出一种新的集合包含度,并用新的集合包含度定义粗糙集理论中的知识包含度。研究了知识包含度的几个基本性质,给出了粗糙集理论中基于知识包含度的属性约简算法,通过一个汽车性能决策表的实例来表明算法的有效性。     

Rough集理论及其在地质图形系统中的应用

20世纪80年代初,波兰数学家Z.Pawlak提出Rough Set(RS)的数学理论,直到10年之后,由于这个理论在机器学习、从数据库中发现知识、决策支持与分析等方面的应用,才引起人工智能(AI)研究者的关注.介绍了Rough理论基本概念和方法,并将Rough集理论引入地质图形系统领域,给出了Rough集理论用于地质图形系统中属性分析和知识发现的方法.为地质图形系统的属性信息处理开辟了一条新途径.     

双论域上量化粗糙集模型及应用

双量化方法能够比较全面地刻画近似空间中决策对象的不确定性本质。在双论域框架下讨论了双量化粗糙集的基本模型。通过现实中理疗诊断决策问题给出了双论域量化粗糙集研究的背景和意义,进而通过结合经典变精度粗糙集和程度粗糙集给出了双论域量化粗糙集的基本定义。系统地讨论了其上下近似的基本性质以及与已有粗糙集模型的关系,并给出了其上下近似的矩阵计算方法。基于所建立的理论模型与方法,给出了双论域量化粗糙集在疾病诊断决策中的应用,通过应用算例说明了理论模型的应用过程。     

不完备信息系统中的集对粗糙集模型分析

考虑一种不完备信息系统,其中同时具有缺席和遗漏型未知属性值,在这种不完备信息系统中,采用集对分析的方法构建了一种新的基于联系度的加权相似度量。在此基础上,分析了加权相似度量在两种特殊情形的不完备信息系统中的表现形式,并通过实例说明了它的有效性。     

分辨矩阵与它在一致性决策规则中的应用

属性约简是决策系统规则获取的基础,而Skowron分辨矩阵是粗集求核与约简的重要方法之一.本文以Skowron分辨矩阵讨论一致性决策系统的属性约简的结果为基础,提出基于分辨矩阵的一致性决策系统的规则获取算法和它的应用. 应用例子表明本文提出的方法的有效性     

基于属性值编码的粗糙集快速求核算法

本文在分析经典差别矩阵求核算法的基础上,运用其原理,结合基于属性值的数据编码及候选集枝减技术,提出了一种快速求核算法。通过理论分析和实验表明,本文所提出算法是正确的和高效的。与经典差别矩阵求核的O(n2)计算复杂度相比,其求核计算复杂度为O(n×log(n)),有效地降低了计算核属性的时间复杂度。     

新型灰狼算法的粗糙集属性约简及应用

粗糙集理论是模式识别和机器学习的重要内容,属性约简是粗糙集理论中核心步骤。然而传统的粗糙集理论对数据集进行属性约简,计算复杂度高,容易陷入局部最优解。提出了一种新型灰狼优化算法的粗糙集属性约简技术,可以很好地解决传统粗糙集理论出现的弊端。同时为了验证算法的可行性,采用国际通用UCI数据库进行验证,与两种传统的属性约简方法进行对比分析。实验结果表明,该方法属性约简个数少,识别精度高,证明该方法切实可行,操作简单。