基于抽样的概念层次挖掘算法

本文通过对数据挖掘的几种传统属性归纳算法的分析,发现它们存在以下不足：（1）不能处理不平衡的概念层次;（2）没有考虑实际数据分布对最后的泛化规则的影响。因此,本文提出了基于抽样的概念层次挖掘算法,它先采用抽样方法,对概念层次进行初步调整,然后扫描整个数据文件,利用扫描信息再次调整概念层次,最后通过统计调整后的概念层次的叶子信息就可以得到泛化规则。本算法不仅克服了传统算法的不足,而且具有最优的时间复杂度O（n)和空间复杂度O(c)。     

关系数据库中概念层次自动提取算法研究

作为一种重要的背景知识，概念层次在ＫＤＤ中发挥了重要作用。概念层次能够以层次的形式和偏序的关系组织数据和概念，能够以高层概念表示数据库中数据的关系。本文就概念层次的应用和提取进行了讨论，提出一种自动提取数值型概念层次的算法．     

基于概念相容性的概念树自动生成算法

在面向属性归纳(AOG)的数据挖掘中,属性归约及概念归纳都离不开概念层次.而概念层次一般都是先验的,当出现概念层次中没有的新的概念时,无法进行归纳.以属性论为基础的概念相容测度,将概念层次单纯的文字表示转换为其定性基准的表示,给出了名称型属性的概念层次树的动态生成算法.当有新的属性值出现时,可以不用重新生成概念树,只需调用该算法,将新的属性值插入已有概念层次树即可.从而可以让概念归纳与修改概念层次同时进行,使AOG具有了动态归纳的特性.     

点对象的多尺度空间关联规则挖掘算法研究

由于空间数据的多尺度性，在多尺度的空间数据中也存在概念层次关系。文中根据从小尺度的空间关联规则推导大尺度空间关联规则的思想，提出了一种点对象在多尺度的空间数据中生成概念层次关系的算法。实验表明，算法是有效的。     

归纳定义与递归算法

归纳定义是定义某些概念时常用到的一种定义方法，但是，什么叫做“归纳定义”并没有严格的说法，本文从代数系统的观点出发，对归纳定义进行了严格的数学定义。递归算法是编程时经常使用的一种算法设计方法，其思想就是算法本身调用自己。本文对归纳定义与递归算法之间的联系进行了深入的讨论和研究，结论是：利用归纳定义所定义的概念一定可以利用递归算法进行判定；反之，由递归算法可以判定的概念一定能够进行归纳定义。     

调度问题的HPN模型研究

本文介绍了层次Ｐｅｔｒｉ网模型（ＨＰＮ）的概念。层次Ｐｅｔｒｉ网的特点在于它不仅可以在某一层次上模拟系统的局部行为，而且还可以通过一定的关联机制来表现系统的整体特性。本文还通过研究调度问题的ＨＰＮ模型，探讨了如何应用ＨＰＮ来分析调度问题，为进一步研究调试方法提供了基础。     

基于概念层次树的数据挖掘算法及应用研究*

概念层次树在大规模数据挖掘中已得到广泛应用。在介绍基于概念层次树的数据挖掘算法的基础上,针对已有数值型数据概念提升算法的不足,提出了改进后的算法,并通过数据测试给出两种算法的比较效果和应用实例。     

一种新的多层关联规则算法

通过数据库和Web日志构建概念层次树,在继承FP算法思想的基础上,提出了由概念层次树挖掘多层包括交叉层次的关联规则算法。实验结果表明,该算法在性能上比传统算法有了较大的改善,能为客户提供多层次的关联推荐和电子商务的个性化服务。     

一种构造概念格的改进算法

Chein算法是一种批处理概念格构造算法,它构造过程中层次清楚,易于生成Hasse图,但是造格的过程中生成大量冗余的概念,降低了构造概念格的效率.提出一种对Chein算法的改进算法,保留了原算法层次清晰的优点,同时避免了冗余概念的产生,从而降低了构造概念格的时间复杂度.     

基于不同概念层次知识发现的入侵检测系统

本文针对现有误用检测系统缺少对新攻击样式的适应性问题，从不同概念层次的知识发现角度出发，提出了一种新的误用检测方法。该方法首先利用相关特征选取算法提取每种攻击的最优特征子集，然后通过相似性聚类对攻击样式作概念分层，最后用规则学习算法学习概念级误用检测模型。实验结果表明，该入侵检测方法不但能够提高检测概率
率，实现对新的攻击方式的检测，同时还简化了分类模型。     

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。     

数据流中概念漂移检测的集成分类器设计

提出了一种称为ICEA(incremental classification ensemble algorithm)的数据流挖掘算法.它利用集成分类器综合技术,实现了数据流中概念漂移的增量式检测和挖掘.实验结果表明,ICEA在处理数据流的快速概念漂移上表现出很高的精确度和较好的时间效率.     

基于层次梯度分析的协同数据挖掘算法

传统的关联规则挖掘算法易形成大量频繁项目集,不适用于异构环境下海量交通数据的挖掘。为此,提出基于层次梯度且无候选项分析的协同数据挖掘算法。采用挖掘主题数据库和层次梯度构建层次业务数据库,逐层深度挖掘局部频繁项。利用弱化熵模型对频繁项主题数据库进行数据分析,并产生关联规则。实验结果表明,该算法适用于无候选项支持的协同挖掘。     

基于Iceberg概念格叠置半集成的全局闭频繁项集挖掘算法

研究专有的分布式数据挖掘算法是提高分布式数据库下数据分析和挖掘的有效方法.结合Iceberg概念格对于频繁项集精简表达的特性和其集成构造过程可并行化的特点,进而实现分布式全局闭频繁项集的挖掘.面对目前仍然缺乏有关Iceberg概念格分布式集成构造研究的文献,本文从理论上分析Iceberg概念格叠置集成构造全局Iceberg概念格的局限性,然后论证了基于Iceberg概念格叠置半集成构造全局Iceberg概念格的可行性,进而提出一个基于Iceberg概念格叠置半集成的频繁概念生长分布算法(Frecogd),并且把它应用于同构分布式环境下的全局闭频繁项集挖掘过程中.实验验证了该算法理论的可行性,同时也揭示了该算法的挖掘效能有待进一步的改进与提高.     

数据立方体上多维多层关联规则挖掘算法

重点结合联机分析挖掘的思想,讨论了数据立方体上的多维多层关联规则挖掘。基于数据立方体和FP算法提出并构建了体现概念层次的Hib＆Dim FP树和其挖掘算法Hib＆Dim FP算法,并把此算法应用于数据立方体上的多维多层关联规则挖掘。最后的实验证明了该算法的有效性。     

多维概念格与多维序列模式的增量挖掘

多维序列模式挖掘旨在将一个或多个背景维度信息中发现的关联模式与有序事务序列中发现的序列模式有机结合,从而为用户提供信息内容更加丰富、更具有直接应用价值的多维序列模式.目前虽有一些挖掘多维序列模式的工作,但其关联模式与序列模式的发现过程是基于不同的数据结构分开进行的.提出一种新的概念格结构——多维概念格,它是对概念格的延伸与泛化,其内涵更加丰富,不仅具有多个有序的任务内涵,而且具有多个无序的背景内涵.设计实现了基于该结构的增量式多维序列模式挖掘算法,该算法使用统一的数据模型实现关联模式与序列模式的高效同步挖掘.在合成数据集上的实验结果验证了算法的有效性.同时,算法在实际的银行数据集上的应用效果也说明了算法的实用性.     

基于时间间隔和点击量的Prefixspan改进算法

数据挖掘算法过程中对客户行为的实时性是分析客户网络消费行为的重要要素之一,但是Prefixspan数据挖掘算法挖掘过程中并未对此问题予以考虑,因此,在时间间隔序列模式概念的基础上,提出了一种基于时间间隔和点击量的Prefixspan改进算法。在该算法中,引人了频繁度和时间属性的概念,并加入了时间间隔和点击量等要素,从而使挖掘到的信息具有实时性的特点,并且提高了对挖掘对象的侧重性。通过实验验证,与原来的Prefixspan算法相比较后表明,改进算法用于具有时间特性的数据集时获得的挖掘结果更精确,挖掘效率得到了有效的提高。     

基于遗传算法的数据挖掘维度选择

文章首先介绍了遗传算法和数据挖掘的概念和相关理论,提出了使用遗传算法指导数据挖掘中的维度选择的方法。然后,以实际数据挖掘过程为例,对提出的方法进行了实际验证,取得了较好效果,最后对文章进行了总结并展望了下步工作。     

基于Iceberg概念格的最大频繁项集挖掘

最大频繁项集挖掘算法存在扫描数据集次数多和候选集规模过大等局限。基于Iceberg概念格模型,提出一种在Iceberg概念格上挖掘最大频繁项集的算法ICMFIA。该算法通过一次扫描数据集构建Iceberg概念格,利用Iceberg概念格中频繁概念之间良好的覆盖关系能快速计算出最大频繁项集所对应的最大频繁概念,所有最大频繁概念的内涵就是所求的最大频繁项集的集合。实验结果表明,该算法具有扫描数据集次数少和挖掘效率高的优点。     

支撑向量机及其在数据挖掘中的应用

首先介绍了数据挖掘的基本概念,然后系统地研究了支撑向量机学习算法,着重分析了支撑向量机的算法的特点。并阐述了支撑向量机的关键技术一核函数。最后讨论了支撑向量中学习算法在数据挖掘中的应用。