基于模糊集的数据挖掘研究与应用

关联规则的挖掘是数据挖掘的重要研究内容之一,该文探讨了模糊集在这方面的使用,提出了模糊关联规则的概念,研究了模糊关联规则的性质及其挖掘算法,并将其应用于炼油工业的一个实例中。     

关系数据库中模糊规则的快速挖掘算法

关联规则和时序规则是数据挖掘的任务之一.在以往的算法中,规则通常用确定的数值或概念来表示,往往不具有实际意义,而且不容易被用户理解.研究了从大型关系数据库中挖掘模糊关联规则和模糊时序规则的问题.基于模糊集合的理论,提出了两个模糊关联规则的挖掘算法,然后把它们分别扩展为模糊时序规则的挖掘算法.用模糊概念表示的规则更符合人的思维和表达习惯,增强了规则的可理解性.     

一种模糊多层关联规则挖掘算法

针对传统数据挖掘中的“尖锐边界”问题,采用将模糊理论和关联规则挖掘技术相结合的思想,在改进传统Apriori算法的基础上,结合多层关联规则挖掘的方法,提出了一种模糊多层关联规则挖掘算法。对模糊多层关联规则挖掘的基本概念进行了定义,详细描述了模糊多层关联规则挖掘算法。最后用Visual FoxPro6．0语言实现了该算法程序,通过交易数据库挖掘实验表明算法是有效的。     

基于时间的模糊关联规则挖掘

关联规则是数据挖掘研究中的一个重要的主题。一些算法都是假设数据中根本的关联基于时间是稳定的。然而，在现实世界领域，数据具有自己的特征，因此关联随着时间发生巨大的改变。现有的数据挖掘算法没有考虑关联的改变，这导致了严重的性能下降，特别是挖掘出的关联规则被用来分类和预测。尽管关联改变的挖掘是一个重要的问题，因为需要基于过去的历史数据来预测未来，现有的数据挖掘算法不符合这样的工作。文中引入模糊数据挖掘算法来发现基于时间的关联规则的改变。基于挖掘出的模糊规则，能预测关联规则在未来如何改变。实验表明了算法的有效性。     

基于高层建筑结构实例库的模糊关联规则的研究与应用

关联规则的挖掘是数据挖掘的重要研究内容之一,文章基于高层建筑结构实例库展开对模糊关联规则的研究:针对某些数值类型的属性值,提出了区间模糊划分法,将它们转化为模糊数据;对Apriori算法和支持度计数方式作一定的改进;并举例说明模糊型关联规则在高层建筑结构实例库中的发现。     

应用模糊本体的广义关联规则挖掘算法

模糊集与本体结合的数据挖掘方法得到了广泛的关注。为了丰富数据挖掘效果以及数据挖掘得出的规则的完整性,本文在模糊本体的挖掘算法基础上,提出了模糊本体中叶子结点的相似度定义以及不同语义层次所含项目集的数目定义多重最小支持度,提出了基于模糊本体的广义关联规则算法。对比实验证明,基于模糊本体的广义关联规则算法的挖掘具有更强的可读性,获得的语义关联规则更加丰富,促进了在广义关联规则挖掘过程中使概念泛化更加合理,提高了算法效率。     

基于时间的模糊关联规则挖掘

关联规则是数据挖掘研究中的一个重要的主题。一些算法都是假设数据中根本的关联基于时间是稳定的。然而,在现实世界领域,数据具有自己的特征,因此关联随着时间发生巨大的改变。现有的数据挖掘算法没有考虑关联的改变,这导致了严重的性能下降,特别是挖掘出的关联规则被用来分类和预测。尽管关联改变的挖掘是一个重要的问题,因为需要基于过去的历史数据来预测未来,现有的数据挖掘算法不符合这样的工作。文中引入模糊数据挖掘算法来发现基于时间的关联规则的改变。基于挖掘出的模糊规则,能预测关联规则在未来如何改变。实验表明了算法的有效性。     

一种新的关联规则挖掘方法

关联规则挖掘是数据挖掘的主要任务之一。为了进一步提高关联规则挖掘算法的认知特性和运算效果,提出了一种新的关联规则挖掘思想并由此构造了一种基于规则模糊认知图的关联规则挖掘算法。该算法使用规则模糊认知图进行知识表示,对每个挖掘到的关联规则进行可达模糊推理,从而减少了与数据库交互的次数。实验证明该方法与Apriori的关联规则算法相比,提高了关联规则挖掘的效率,增强了智能化程度。     

关系数据库中的模糊关联规则挖掘算法研究

关联是数据挖掘领域的一个重要研究课题。对模糊关联规则挖掘进行了研究,针对普通关联规则不能精确表达数据库中模糊信息关联性的问题,提出了一种新的模糊关联规则挖掘算法FARM_New,结果表明算法是有效的,提高了模糊挖掘的速度。     

一种自适应的模糊关联规则挖掘算法

关联规则是数据挖掘的重要研究内容之一。传统的关联规则挖掘算法仅适于处理二元属性与分类属性。为更好地处理数量属性,提出了一种自适应的基于模糊概念的量化关联规则挖掘算法。该算法克服了传统的离散分区法的不足,改进了已有模糊关联规则支持度的计算方法。引入了一种基于聚类的隶属函数自动生成方法,使得模糊关联规则的发现不依赖于人类专家给出的隶属函数,使得关联规则的表示自然、简明,有利于专家理解。实验表明该算法是有效的。     

从Fuzzy Taxonomic数值型数据库中挖掘一般化关联规则

挖掘关联规则是数据挖掘研究的一个重要方面．基于属性内通常还存在更高层次的抽象，即呈现出Taxonomic结构这一事实，Srikant和Agrawal等人提出了在确定的Taxonomic结构下挖掘泛化布尔型关联规则的挖掘算法．但在实际应用中，往往这种Taxonomic结构还呈现出模糊性；着重研究了在这种模糊Taxonomic结构下如何从数值型数据库中挖掘一般化关联规则的问题，提出了，一种新的Fuzzy Taxonomic数值型数据库模型，并提出了相应的规则发现方法，两个实例数据库表明了新模型的有效性和灵活性．     

模糊关联规则及挖掘算法

本文提出了模糊关联规则的概念,研究了模糊关联规则的性质和挖掘算法,同时还提出了一种新的规则有越性的度量函数。     

事务间数值型关联规则的挖掘

关联规则的发现是整个数据挖掘课题中的重要组成部分。在归纳现有关联规则研究的基础上提出了事务间数值型关联规则的数据挖掘问题,并对该问题进行了定义。应用模糊理论和相关的数据挖掘技术,提出了解决该问题的E—QA算法,并以实例对算法可行性进行验证,指出了算法存在的一些问题以及今后解决这些问题的思路。     

数据库中模糊关联规则挖掘研究进展

数据库中关联规则挖掘一直是人们研究的热点,而模糊集理论的应用又为这一领域注入了新的活力。文章以此为基点,结合国内外该领域研究的进展情况,对模糊关联规则挖掘研究的技术要点、兴趣度衡量标准等方面进行分析总结,并对其发展前景进行了一定程度的展望。     

区间值关系数据库上模糊关联规则的预测方法

讨论了区间值关系数据库上模糊关联规则的挖掘算法与预测方法。采用一种比RFCM算法省时的FCMdd算法将记录在属性的取值划分成若干个模糊集,并提出区间值关系数据库上模糊关联规则的挖掘算法。仿真实例说明挖掘算法能够通过挖掘有意义的模糊关联规则来发现区间值关系数据库中蕴涵的关联性。区间值关系数据库上模糊关联规则的预测方法改进了标准可加性模型,并通过遗传算法调整模糊关联规则中三角模糊数的参数来提高预测的精度。     

模糊Horn子句规则挖掘算法研究

模糊关联规则可以用自然语言来表达人类知识,受到数据挖掘与知识发现研究人员的广泛关注。但是,目前大多数模糊关联规则挖掘方法仍然基于经典关联规则的支持度和可信度测度。从模糊蕴涵的观点出发,定义了模糊Horn子句规则、支持度、蕴涵强度以及相关概念,提出了模糊Horn子句规则挖掘算法。该算法可以分解为3个步骤。首先,将定量数据库转换为模糊数据库。其次,挖掘模糊数据库中所有支持度不小于指定最小支持度阂值的频繁项目集。一旦得到了所有频繁项目集,就可以用一种直接的方法生成所有蕴涵强度不小于指定最小蕴涵强度阂值的模糊Horn子句规则。