网络管理告警数据库中时序规则挖掘的一种新方法

提出一种基于“最小发生的双时间窗口约束”时序规则挖掘新方法。该方法依据“双时间窗口”约束和“最小发生”判据,可判别在一个时间窗内的哪些告警事件导致了另一个时间窗内告警集合事件的产生,快速寻找出不同网络设备告警与其它网络设备告警之间的关联知识。通过对采集某省级IP网的告警数据库进行规则挖掘实验,表明该方法可以准确、快速地挖掘出海量网络告警数据库中大量有意义的时序规则,这些规则可作为选验知识来指导网络智能化故障定位、诊断及预测。     

一种基于栈变换的高效关联规则挖掘算法

在一个模式信息保全引理的基础上，提出了一个基于频繁模式栈变换的关联规则挖掘算法FPST，给出了相应的栈构造和栈变换的算法描述，并进行了算法的性能分析和比较试验，结果表明算法性能优良。     

一种新的广义关联规则挖掘算法

通过对广义关联规则挖掘中的数据源的分析研究．采用分层抽样的数学方法筛选数据源．提出了一种效率更高的挖掘广义关联规则的新算法即分层抽样算法(Stratify Sample)SS，并进行了理论证明和分析．     

一种基于线性链表的关联规则挖掘算法

关联规则挖掘是数据挖掘的一个重要研究方向,其算法主要有Apriori算法和FP—growth算法,它们需要多次扫描事务数据库,严重影响算法的效率。为了减少扫描事务数据库的次数,本文提出一种基于线性链表（LinearLinker）的LL算法,它只需扫描事务数据库一次,把事务数据库转换为线性链表LL,进而对LL进行关联规则挖掘。实验表明,LL算法的时间开销明显优于Apriori算法和FP—growth算法,且LL算法通过定义备用候选频繁项目集,有效地支持了关联规则的更新挖掘。     

一种基于约束的关联规则挖掘算法

基于约束的关联规则挖掘是一种重要的关联挖掘,能按照用户给出的条件来实行有针对性的挖掘。大多数此类算法仅处理具有一种约束的挖掘,因而其应用受到一定程度的限制。提出一种新的基于约束的关联规则挖掘算法MCAL,它同时处理两种类型的约束:非单调性约束和单调性约束。算法包括3个步骤:第一步,挖掘当前数据集的频繁1项集;第二,应用约束的性质和有效剪枝策略来寻找约束点,同时生成频繁项的条件数据库;最后,递归地应用前面两步寻找条件数据库中频繁项的约束点,以生成满足约束的全部频繁项集。通过实验对比,无论从运行时间还是可扩展性来说,本算法均达到较好的效果。     

一种基于关联矩阵的时态关联规则挖掘算法

提出一种新的有别于将时间直接代入关联规则挖掘过程的方法。该方法分别针对确定的有效时间与不确定的有效时间两种情况,通过计算时态数据库中同一对象的元组中指定属性的有效时间之间的同时关系,将所有两两之间具有同时关系的归为一组,从而可以略去元组中的时间因素,并将时态数据库转化为事务数据库,然后即可利用传统挖掘算法进行挖掘。     

快速关联规则挖掘与更新算法

一、引言众所周知,关联规则的挖掘就是发现支持度和信任度分别大于用户指定的最小支持度(minsup)和最小信任度的规则。支持度不小于minsup的项目集叫频繁项目集;反之,称为非频繁项目集。项目集中项目的数量叫做项目集的维数或长度,项目集X的支持度记作sup(X)。有关项目集具有如下性质:(1)如果X是频繁项目集,那么X的任何子集都是频繁项目集;(2)如果X是非频繁项目集,那么X的任何超集都是非频繁项目集。     

基于小超集的关联规则快速挖掘算法

关联规则是数据挖掘最重要的课题之一。该文简单回顾了挖掘关联规则问题,提出了一种基于较小超集的高效的关联规则挖掘算法,该算法仅须对数据库作三次遍历,实现方便,提高了效率。     

一种基于压缩矩阵的关联规则挖掘算法

针对在关联规则中的Apriori算法进行了深入研究的基础上,提出了一种基于压缩矩阵的关联规则挖掘算法(CMApriori算法)。该算法只需扫描一次数据库,在矩阵上采用事务压缩和项目压缩技术,节省了数据占用的内存空间。在对建立好的压缩矩阵上只需进行简单的计数运算即可得到频繁项集。仿真实验证明:该算法与Apriori算法相比,运算效率大大提高。     

一种高效的多维关联规则挖掘算法研究

对经典关联规则挖掘算法进行深入研究的基础上，结合数据立方体的结构特点和OLAP技术，给出了一种高效的多维关联规则挖掘算法，并对不同数据立方体下的算法的性能进行了分析比较。     

基于关联图的加权关联规则挖掘算法

针对交易数据库中数据项重要性不同的现象,引入加权支持度和最小支持期望的概念,提出一种基于关联图的加权关联规则模型,并在该模型基础上,设计了改进的加权关联规则挖掘算法。该算法扫描数据库仅一次,采用关联图存储频繁2项集信息,通过构建基于图的剪枝策略,减少验证频繁项集的计算量,有效提高加权频繁项集的生成效率。     

一种基于矩阵的多值关联规则的挖掘算法

关联规则是数据挖掘研究的主要模式之一,其中布尔型关联规则的挖掘已经有比较成熟的系统和方法,而多值关联规则的挖掘则不然。本文提出的QARMM算法利用矩阵存储数据,将频繁项目集的产生过程转化为项目集的关系矩阵中向量的运算过程,同时克服了SLIG算法和矩阵算法不能挖掘多值关联规则的弱点,只需运行一次便可挖掘出所有关联规则。实验证明,在等价的数据集上挖掘关联规则,QARMM算法比Apriori算法具有更高的效率。     

基于约束网络的因果关联规则挖掘研究

因果关联规则是知识库中一类特殊且重要的知识类型,相对一般关联规则,其优势在于能够揭示深层知识。首先对因果关系的特征和因果关联规则的挖掘方法进行了简介。针对在挖掘初始阶段如何限定可能导致结果的原因变量集合这一问题,运用了约束网络原理来构建一个实际系统变量间的因果关系结构。通过该因果关系结构可以比较容易地导出原因变量集合及各变量的类型,从而降低挖掘的复杂性,为提高挖掘结果的准确性提供有利条件。约束网络的引入优化了因果关联规则的挖掘过程,使之趋于更完备。     

一种基于MFP树的快速关联规则挖掘算法

在关联规则挖掘FP-Growth算法的基础上,提出一种基于MFP树的快速关联规则挖掘算法。文中给出了MFP算法的工作原理。MFP算法能在一次扫描事务数据库的过程中,把该数据库转换成MFP树,然后对MFP树进行关联规则挖掘。MFP算法比FP-Growth算法减少一次对事务数据的扫描,因此具有较高的时间效率。     

一种基于MFP树的快速关联规则挖掘算法

在关联规则挖掘FP-Growth算法的基础上,提出一种基于MFP树的快速关联规则挖掘算法。文中给出了MFP算法的工作原理。MFP算法能在一次扫描事务数据库的过程中,把该数据库转换成MFP树,然后对MFP树进行关联规则挖掘。MFP算法比FP-Growth算法减少一次对事务数据的扫描,因此具有较高的时间效率。     

关系数据库中多层次关联规则的采掘及其实现

讨论了在关系数据库中进行多层次的关联规则采掘的概念和在关系数据库中的实现方法。提出并实现了利用关系数据库的特点,高效地得到满足要求的多层次关系规则,并进行了必要的讨论和总结。     

一种改进的基于关联规则挖掘的遗传算法

针对传统的遗传算法容易导致算法的过早收敛而陷于局部最优困境,或收敛时间过长而消耗大量的搜索时间的缺陷,该文提出了一种改进的遗传算法,该算法采用一种自适应变异率和改进的个体选择方法,并且将这种改进遗传算法应用于关联规则的挖掘,实验结果证明这种算法是有效的。     

基于图的关联规则改进算法

关联规则挖掘是数据挖掘研究的最重要课题之一。基于图的关联规则挖掘DLG算法通过一次扫描数据库构建关联图,然后遍历该关联图产生频繁项集,有效地提高了关联规则挖掘的性能。在分析该算法基本原理基础上,提出了一种改进的算法—DLG#。改进算法在关联图构造同时构造项集关联矩阵,在候选项集生成时结合关联图和Apriori性质对冗余项集进行剪枝,减少了候选项集数,简化了候选项集的验证。比较实验结果表明,在不同数据集和不同支持度阈值下,改进算法都能更快速的发现频繁项集,当频繁项集平均长度较大时性能提高明显。     

一种基于遗传算法的关联规则挖掘方法

根据关联规则挖掘的要求与特点,结合遗传算法的思想,提出了一个基于遗传算法的关联规则挖掘方法,并通过实例分析,说明是一种具有实用价值的方法。     

最简关联规则及其挖掘算法

传统关联规则挖掘算法往往产生过多规则而难以被决策者所采用。针对该问题,文章从应用的角度提出了最简关联规则,其特点是后项只包括一种产品,同时追求规则前项产品项数的最小化,在此基础上给出了一种最简关联规则挖掘算法。利用该算法得到的最简关联规则集包括的规则数量大为减少且能得出与全部关联规则集相同的决策,避免了大量的冗余挖掘,提高了挖掘效率和应用效果。