机器学习在广播电视发射故障诊断中的应用

本文首次探讨了机器学习在广播电视发射故障诊断中的应用.首先介绍了机器学习的提出背景和建模过程,接着分析了广播电视发射系统故障诊断的内涵,然后介绍了机器学习算法在广播电视发射系统故障诊断中的应用和发展,并具体给出了几种经典的机器学习算法在广播电视发射系统故障诊断中的应用方法.     

关联规则之Apriori算法的改进

关联规则是数据挖掘的重要研究内容。Apriori算法是关联规则之经典算法。本文在分析经典Apriori算法的基础上．提出了改进型的Apriori算法。新算法采用事务压缩技术,提高了数据挖掘的效率,具有一定的实用性。     

数据库中关联规则挖掘研究与应用

简要地介绍了关联规则,通过对关联分析的经典算法-Apriori算法的分析,发现了经典算法Apriori算法的缺陷,给出了改进的关联规则算法FARM_New算法和基于筛选压缩的Apriori挖掘算。并将其应用到教学质量评估系统中进行对比分析。     

分段支持度Apriori算法及应用

首先指出单支持度的Apriori算法的局限性,分析了目前为克服单支持度Apriori算法的局限性而提出的多支持度的Apriori算法的不完备性,针对事务中的一些潜在规则,提出了一种分段支持度Apriori算法。算法不是简单地对经典Apriori算法进行扩展或改进,而是从理论上破坏了Apriori算法全局、高频两个性质,采用分段支持度的方法对数据库进行数据挖掘,可以发现经典和多支持度Apriori算法不能发现或很难发现的强关联规则,并以较快的速度得以实现。     

关联规则算法在汽车故障分析系统中的应用

根据关联规则数据挖掘算法的有关理论,对经典的关联规则挖掘算法Apriori算法进行优缺点分析,并采用新的PS(Power Set)算法对该算法的不足之处进行改进,最后将PS算法应用到汽车零部件故障分析系统中,对缩短故障反馈周期和故障解决时间具有重要的意义。     

基于矩阵的Apriori算法的优化

在数据挖掘中关联规则挖掘是很重要的一个方面,而Apriori算法是进行关联规则挖掘的经典算法。本文首先分析了经典Apriori算法,然后利用矩阵的思想对其改进,并利用事务压缩的思想对矩阵进行压缩。改进后的算法明显提高了Apriori算法的效率。     

关联规则和事务集分组技术在图书馆个性化推荐系统中的应用研究

通过对经典Apriori算法挖掘过程的分析,提出了基于事务集分组技术的关联算法;该算法先按专业、年级和借阅数量等特性对读者聚类．然后分别对每个类进行关联分析,图书推荐质量较经典Apriori算法有所提高。     

关联规则和事务集分组技术在图书馆个性化推荐系统中的应用研究

通过对经典Apriori算法挖掘过程的分析,提出了基于事务集分组技术的关联算法;该算法先按专业、年级和借阅数量等特性对读者聚类,然后分别对每个类进行关联分析,图书推荐质量较经典Apriori算法有所提高。     

Apriori算法低频规则的有效性及实现

针对经典Apriori算法基于全局、高频两个条件的缺陷,指出事务数据库低频规则的有效性,并通过对C4.5决策树的规则构造,进一步证明事务数据库存在低频规则,在此基础上,给出了一种Apriori低频规则挖掘算法。该算法与经典的Apriori算法兼容,但不是对Apriori算法简单的扩展,而是从理论上打破了Apriori算法基于全局和高频两个条件。最后通过实例用Apriori低频规则挖掘算法和C4.5算法对实例数据库进行挖掘,证明两者的一致性和Apriori低频规则的有效性,同时也证明了Apriori低频规则挖掘算法的有效性。     

关联规则挖掘Apriori算法研究综述

关联规则挖掘是数据挖掘中的一项重要技术,Apriori算法是关联规则挖掘中的一种经典算法。在信息技术的发展过程中,随着海量数据的收集和存储,从数据库中挖掘出相关联规则的数据集变得极为重要。为此,对国内外有关Apriori算法的研究现状、算法的原理、优化算法的思想进行了探讨,同时分析了几种经典的优化算法,最后对Apriori算法未来的发展趋势进行了预测和展望。     

基于前缀项集的Apriori算法改进

关联规则的挖掘是数据挖掘中一个重要内容,主要目的是找到事务数据库中的有趣的模式。Apriori算法是关联规则挖掘的最经典算法之一,但是它本身存在着效率上的瓶颈。在深入了解Apriori算法前提下,提出基于前缀项集的候选集存储结构,并利用哈希表在快速查找上的优势,大大提高了经典Apriori算法在连接步骤和剪枝步骤中的效率。实验证明改进后的Apriori算法在一定支持度下比经典Apriori算法有着更大的效率优势,并且支持度越小时提升效率越大。     

Web日志处理中Apriori算法及其改进

关联规则是挖掘并且发现大量数据集中有趣的关联或者相关联系。其中最经典的是Apriori算法,但是Apriori算法存在一定的缺陷。文章分析了Apriori算法并且对其进行改进,用一具体实例说明改进后的Apriori算法压缩了事务矩阵,缩小了搜索空间,提高Apriori算法运行效率,从而使整个日志挖掘处理过程更加快捷。     

关联规则挖掘算法研究

Apriori算法是发现频繁项目集的经典算法,但是该算法需反复扫描数据库,因此效率较低。本文介绍了Apriori算法的思想,并分析了该算法的性能瓶颈。在此基础上,针对Apriori算法提出了一种改进方法,该方法采用转置矩阵的策略,只扫描一次数据库即可完成所有频繁项目集的发现。与其他经典的算法相比,本文提出的算法在项目集长度较大时,性能明显提高。     

基于散列技术的自适应关联规则挖掘算法

针对关联规则挖掘经典的Apriori算法多次扫描数据库,侯选项集数目多而引起的效率低下问题,本文提出了将Apriori算法与散列技术和自适应步长相结合的改进算法,算法压缩了侯选项集的数目以及减少了扫描数据库的次数.通过理论分析与实验结果表明,该算法与经典的Apriori算法相比较,效率上有明显的提高,特别是对大事务集,长事务集数据挖掘效果更为明显.     

基于Apriori改进算法的入侵检测系统的研究

通过对经典Apriori算法的思想和性能的分析,针对算法中存在的项集生成瓶颈问题:连接步骤的存在,使空间的复杂度较大,提出了一种去掉连接步骤的非连接Apriori算法.该算法通过去掉频繁项集的自连接方式来降低生成的候选项集个数,从而减少扫描数据库的次数,以优化空间复杂度.实验结果表明,改进算法比经典Apriori算法执行效率明显提高.     

基于业务路径和频度矩阵的关联规则挖掘算法

关联规则挖掘为分析机载网络关联故障及提高排故效率提供了重要方法。分析了经典Apriori算法的局限性,结合机载网络领域知识、矩阵运算和频繁项集性质,提出一种高效的关联规则挖掘算法。应用机载网络故障具有的基于业务路径的关联特征,提出分块挖掘策略,从而实现挖掘过程的噪声隔离。提出频度矩阵和特征向量,结合矩阵特点和频繁项集性质,设计5个扫描策略,从而减少了循环次数和对比运算。与Apriori算法 相比,新算法能有效提高频繁项集的搜索速率。     

软件应用程序中的故障检测研究

为提高软件的安全性和可靠性,从软件应用故障定位、测试的角度出发,利用大数据挖掘术发现软件应用运行时可执行语句的可疑度,提取隐含的故障信息。文章首先分析了基于Tarantula排序的软件故障定位方法,其次分析了软件应用故障测试的Apriori关联规则挖掘算法,再次分析了基于Apriori关联规则算法的软件故障定位方案,最后进行了实验分析。     

一种自适应快速关联规则挖掘算法

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,在分析研究已有各种优化算法的基础上,提出了自适应步长和扫描树的概念,并采用修剪的方法对Apriori算法进行了改进。理论证明,它比Apriori算法的应用效率高,实验结果也证实了它的有效性。     

数据挖掘中关联规则算法的研究

Apriori算法是关联规则挖掘中的经典算法。通过对Apriori算法的基本思想和性能的研究分析,提出了一种基于垂直事务列表的树形结构的挖掘算法,减少了候选频繁项集的数量,提高了挖掘算法的效率。实验结果表明新算法具有良好的性能。     

关联规则挖掘Apriori算法的研究与改进

关联规则挖掘是数据挖掘研究领域中的一个重要任务,旨在挖掘事务数据库中有趣的关联.Apriori算法是关联规则挖掘中的经典算法.然而Apriori算法存在着产生候选项目集效率低和频繁扫描数据等缺点.对Apriori算法的原理及效率进行分析,指出了一些不足,并且提出了改进的Apriori_LB算法.该算法基于新的数据结构,改进了产生候选项集的连接方法.在详细阐述了Apriori_LB算法后,对Apriori算法和Apriori_LB算法进行了分析和比较,实验结果表明改进的Apriori_LB算法优于Apriori算法,特别是对最小支持度较小或者项数较少的事务数据库进行挖掘时,效果更加显著.