一种挖掘关联规则的高效增量式更新算法

对事务数据库增加记录时的关联规则维护问题进行了研究,在分析现有算法的基础上,提出了一个高效的增量式更新算法EUAR。与同类算法相比,算法EUAR通过减少对已有数据库的扫描次数和采用有效的候选集剪枝算法,提高其执行效率。测试结果表明,算法EUAR是可行且有效的。     

一种基于临时表的关联规则增量更新算法

对挖掘关联规则中的FUP算法的关键思想以及性能进行了研究,针对挖掘关联规则中FUP算法的不足,提出了一种基于临时表的改进算法MFUP.该算法通过建立临时表,充分利用原数据库挖掘的结果,从而大大减少了对数据的重复扫描,提高了数据挖掘算法的效率.通过实例分析,说明了MFUP算法的优越性.     

一种新的关联规则的增量式更新算法

讨论了关联规则的增量更新问题.以往或现有的对关联规则的增量式更新算法,大部分以IUA算法为基础,本文则是以FUP算法为基础,首先分析FUP算法,并给出其基本思想,然后指出其存在的优点与缺点,并提出了一种改进的关联规则增量更新算法NFUP.     

关系数据库中关联规则挖掘的算法研究

随着关系数据库的广泛应用,研究在关系数据库中发现关联规则的的算法成为当前的重要问题之一.本文在Apriori算法的理论基础上,提出了一种在关系数据库中发现关联规则的算法.该算法只需扫描一次数据库即可得到频繁项集,并利用非频繁项集来减少候选项集的生成,从而提高了算法的执行效率,同时也降低了算法对内存容量的要求.     

一种改进的关联规则挖掘算法

本文在Aprioi算法的基础上，引入了临时数据库及多支持度，使交易数据库的规模不断缩小，同时又灵活控制了各频繁项集产生的数量，结果表明该算法对关联规则挖掘较为有效。     

关联规则挖掘算法研究及改进

关联规则挖掘是数据挖掘及知识发现领域的重要研究内容之一,其核心任务是挖掘数据库中的频繁项集.Apriori算法是频繁项集挖掘的有效算法.在Apriori的算法中,采用哈希树存储平凡项集的候补项集以便快速计算其支持度.本文在分析算法所存在的效率瓶颈的基础上,提出了一个有效的改进算法,通过利用一维数组替代算法中复杂的哈希树...     

粗集中规则提取的一种增量式算法

本文对数据成时间序列的动态决策表,用增量式算法提取决策表的规则模型。增量式算法的关键点是在分类正确率和相容度下对属性集进行优级排序,算法的特点是随着数据的增加逐次推导规则。随着计算软次的增加,比较运算的次数按多项式增加,由于大型静态数据库可转化为动态数据库。所以,增量式算法是大型决策表规则提取的有效算法。     

关联规则挖掘在电子病历分析中的应用研究

针对甲状腺电子病历数据量大、更新速度快的特点,提出了一种挖掘有效关联规则的技术.该技术运用区间归并法与特征区间法相结合的离散化方法对病历中的数据进行预处理;在规则生成的核心算法中,提出了优化的增量更新FUP算法,算法通过对新旧数据库设定不同的支持度得到病历各属性间的关联规则.实验验证了改进算法的有效性,挖掘结果对了解疾病的诊断、治疗、发展规律有重要价值,对医学研究有重要意义.     

一种基于超级哈希树的关联规则挖掘算法

对关联规则的Apriori算法的思想和性能进行了分析,提出了一种基于超级哈希树的关联规则挖掘算法,该算法只需扫描三次数据库,即可找出所有的频繁项目集,在每项事务的项目数不是太多的情况下,算法效率较Apriori有较大的改进.     

Apriori算法优化策略的研究

数据挖掘中的关联规则用来发现大量数据中项集之间有趣的关联或相关联系,随着数据库的广泛应用,如何从数据库中挖掘关联规则就越来越有其必要性.本文通过对关联规则挖掘技术及其相关算法Apfiofi进行分析,发现该技术存在的缺陷,介绍了能优化该技术的几种经典算法,分析了这些算法各自的优缺点,并以此为出发点提出了未来的研究方向.