基于子块划分的关联规则的挖掘

关联规则是数据挖掘的重要研究内容。提出了基于分块的关联规划挖掘算法ＰＡＲＭ通过把数据集合划为适当的子块,挖掘子块上的频繁模式,进行合术,求解出数据集合上的关联规则,提高了挖掘的速度。算法ＰＡＲＭ可用于分布环境中关联规则的挖掘。实验结果表明算法ＰＡＲＭ是有效的。     

快速多层次关联规则的挖掘

知识发现是指对原始数据进行分析，提取出隐含的，有用的规则，是当前快速发展的研究领域，是知识获取的重要方法，关联规则是知识发现的重要研究内容之一，本文提出了一种新的多层次关联规则挖掘算法ＭＬ＿ＡＲ，算法ＭＬ＿ＡＲ在挖掘过程中，只对最低概括层次上的候选系模式进行模式的匹配计算，求解出简化的频繁式集合，最后再求解各个概括层次上的繁频模式集合，算法ＭＬ＿ＡＲ有效地利用了概括的层次关系，减少了模式的匹配计算     

线性规划的无约束凸规划算法的计算实现

线性规划的无约束凸规划算法的计算实现汪定伟（东北大学自动控制系）ＩＭＰＬＥＭＥＮＴＡＴＩＯＮＯＦＴＨＥＵＮＣＯＮＳＴＲＡＩＮＥＤＣＯＮＶＥＸＰＲＯＱＲＡＭＭＩＮＧＡＰＰＲＯＡＣＨＦＯＲＬＩＮＥＡＲＰＲＯＧＲＡＭＭＩＮＧ￥ＷａｎｇＤｉｎｇｗｅｉ（Ｎｏｒ...     

内点方法下线性规划分解算法及其并行计算

内点方法下线性规划分解算法及其并行计算魏紫銮，吴力（中国科学院计算中心）ＡＤＥＣＯＭＰＯＳＩＴＩＯＮＡＬＧＯＲＩＴＨＭＡＮＤＩＴＳＰＡＲＡＬＬＥＬＣＯＭＰＵＴＡＴＩＯＮＦＯＲＬＩＮＥＡＲＰＲＯＧＲＡＭＭＩＮＧＵＮＤＥＲＴＨＥＩＮＴＥＲＩＯＲＰＯＩＮＴ...     

混合型符号几何规划的递归二次规划算法

混合型符号几何规划的递归二次规划算法张希，张可村（西安交通大学科学计算与应用软件系）ＡＳＵＣＣＥＳＳＩＶＥＱＵＡＤＲＡＴＩＣＰＲＯＧＲＡＭＭＩＮＧＡＬＧＯＲＩＴＨＭＦＯＲＭＩＸＥＤＳＩＧＮＯＭＩＡＬＧＥＯＭＥＴＲＩＣＰＲＯＧＲＡＭＭＩＮＧ￥Ｚｈａｎｇ...     

块角型约束线性规划问题的内点分解算法

块角型约束线性规划问题的内点分解算法吴力（中国科学院计算数学与科学工程计算研究所）ＡＤＥＣＯＭＰＯＳＩＴＩＯＮＡＬＧＯＲＩＴＨＭＦＯＲＬＩＮＥＡＲＰＲＯＧＲＡＭＭＩＮＧＰＲＯＢＬＥＭＳＷＩＴＨＢＬＯＣＫＡＮＧＵＬＡＲＣＯＮＳＴＲＡＩＮＴＳ￥ＷｕＬｉ（...     

滑动奇DCT和DST的快速算法

滑动奇ＤＣＴ和ＤＳＴ的快速算法殷福亮（大连理工大学）ＦＡＳＴＡＬＧＯＲＩＴＨＭＳＦＯＲＡＦＡＭＩＬＹＯＦＲＵＮＮＩＮＧＯＤＤＤＩＳＣＲＥＴＥＣＯＳＩＮＥＡＮＤＳＩＮＥＴＲＡＮＳＦＯＲＭＳ￥Ｙｉｎｆｕｌｉａｎｇ（ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅ...     

求解非线性矩阵特征值问题的一个三阶收敛的算法

求解非线性矩阵特征值问题的一个三阶收敛的算法陈广义，薛彦才（中国科学院沈阳计算所）ＡＣＵＢＩＣＡＬＬＹＣＯＮＶＥＲＧＥＮＴＡＬＧＯＲＩＴＨＭＦＯＲＳＯＬＶＩＮＧＮＯＮＬＩＮＥＡＲＥＩＧＥＮＶＡＬＵＥＰＲＯＢＬＥＭＳ￥ＣｈｅｎＧｕａｎｇ－ｙｉ；ＸｕｅＹ...     

无约束优化的对角拟牛顿算法

无约束优化的对角拟牛顿算法林梦雄（中国科学院计算中心）首南祺（江西抚州师范专科学校）ＡＤＩＡＧＯＮＡＬＱＵＡＳＩ－ＮＥＷＴＯＮＡＬＧＯＲＩＴＨＭＦＯＲＵＮＣＯＮＳＴＲＡＩＮＥＤＯＰＴＩＭＩＺＡＴＩＯＮ￥ＬｉｎＭｅｎｇ－ｘｉｏｎｇ（ＣｏｍｐｕｔｉｎｇＣ...     

技嘉GA-6CX主板性能测试

最近,我们得到了一块必须使用 ＲＤＲＡＭ的８２０主板技嘉ＧＡ－６ＣＸ,技嘉ＧＡ－６ＣＸ赢得英国ＰＣ Ｐｌｕｓ四月号杂志“最佳效能”的奖项。这块主板在我们的测试中,几乎是以一面倒的优势,超越其使用ＳＯＲＡＭ的双胞胎兄弟ＧＡ－６ＣＸＣ,及使用４４０ＢＸ芯片组的华硕Ｐ３Ｂ－Ｆ。ＣＡ－６ＣＸ的超频能力也相当惊人,与华硕的Ｐ３Ｃ－ＬＳ不相上下。 技嘉ＧＡ－６ＣＸ主机板和另一款ＧＡ－６ＣＸＣ主机板都是使用英特尔８２０芯片组。两者唯一的不同是,ＧＡ－６ＣＸ必须搭配ＲＤＲＡＭ使用,而ＧＡ－６ＣＸＣ多了一颗８２８０…     

元规则指导的知识发现方法研究

传统的知识发现方法缺乏挖掘的针对性,效率较低,挖掘出的规则数量巨大,需要进行复杂的知识筛选工作;挖掘出的规则用低层次的原始数据表示,难以理解。无规则是对挖掘结果模式的一种表示方法,是将背景知识融入知识发现过程、提高挖掘结果的有趣性和挖掘速度的重要方法。该文研究利用概念表示数据之间的关系,提高规则的可理解性;将概念和无规则相集合,提出了基于概念的无规则指导的知识发现方法,并给出了概念的生成方法和无规则的构造方法。     

挖掘所关注规则的多策略方法研究

通过数据挖掘,从大型数据库中发现了大量规则,如何选取所关注的规则,是知识发现的重要研究内容。该文研究了利用领域知识对规则的主观关注程度进行度量的方法,给出了一个能够度量规则的简洁性和新奇性的客观关注程度的计算函数,提出了选取用户关注的规则的多策略方法。     

基于灰色关联分析的高感兴趣度数据挖掘算法研究

数据挖掘与知识评价相结合是数据挖掘工作研究的重要方面,也是发挥数据挖掘潜力的重要手段.讨论了数据挖掘和知识评价的结合方式以及灰色关联分析,提出并实现了用灰色关联分析方法构建"感兴趣产生器"并结合关联规则的数据挖掘框架及算法.最后,通过实例证明了该算法挖掘效率高、挖掘效果好,挖掘结果有较高的用户感兴趣度.     

Mining fuzzy association rules from low-quality data

Data mining is most commonly used in attempts to induce association rules from databases which can help decision-makers easily analyze the data and make good decisions regarding the domains concerned. Different studies have proposed methods for mining association rules from databases with crisp values. However, the data in many real-world applications have a certain degree of imprecision. In this paper we address this problem, and propose a new data-mining algorithm for extracting interesting knowledge from databases with imprecise data. The proposed algorithm integrates imprecise data concepts and the fuzzy apriori mining algorithm to find interesting fuzzy association rules in given databases. Experiments for diagnosing dyslexia in early childhood were made to verify the performance of the proposed algorithm.     

基于改进FP树的项项正相关关联规则挖掘

兴趣度量在关联规则挖掘中常用来发现那些潜在的令人感兴趣的模式,基于FP树结构的FP-growth算法是目前较高效的关联规则挖掘算法之一,如果挖掘潜在的有价值的低支持度模式,这种算法效率较低。为此,本文提出一种新的兴趣度量—项项正相关兴趣度量,该量度具有良好的反单调性,所得到的模式中任意一项在事务中的出现均可提升模式中其余项出现的可能性。同时,提出一种改进的FP挖掘算法,该算法采用一种压缩的FP树结构,并利用非递归调用方法来减少挖掘中建立额外条件模式树的开销。更为重要的是,在频繁项集挖掘中引入项项正相关兴趣度量剪枝策略,有效过滤掉非正相关长模式和无效项集,扩大了可挖掘支持度阈值范围。实验结果表明,该算法是有效和可行的。     

Ranking discovered rules from data mining with multiple criteria by data envelopment analysis

In data mining applications, it is important to develop evaluation methods for selecting quality and profitable rules. This paper utilizes a non-parametric approach, Data Envelopment Analysis (DEA), to estimate and rank the efficiency of association rules with multiple criteria. The interestingness of association rules is conventionally measured based on support and confidence. For specific applications, domain knowledge can be further designed as measures to evaluate the discovered rules. For example, in market basket analysis, the product value and cross-selling profit associated with the association rule can serve as essential measures to rule interestingness. In this paper, these domain measures are also included in the rule ranking procedure for selecting valuable rules for implementation. An example of market basket analysis is applied to illustrate the DEA based methodology for measuring the efficiency of association rules with multiple criteria.     

Ranking discovered rules from data mining with multiple criteria by data envelopment analysis

In data mining applications, it is important to develop evaluation methods for selecting quality and profitable rules. This paper utilizes a non-parametric approach, Data Envelopment Analysis (DEA), to estimate and rank the efficiency of association rules with multiple criteria. The interestingness of association rules is conventionally measured based on support and confidence. For specific applications, domain knowledge can be further designed as measures to evaluate the discovered rules. For example, in market basket analysis, the product value and cross-selling profit associated with the association rule can serve as essential measures to rule interestingness. In this paper, these domain measures are also included in the rule ranking procedure for selecting valuable rules for implementation. An example of market basket analysis is applied to illustrate the DEA based methodology for measuring the efficiency of association rules with multiple criteria.