基于遗传算法的有趣模糊规则挖掘算法

针对数据挖掘中多强调分类规则的准确性和可理解性而很少研究规则的有趣性问题。对CHENS和LIUB提出的兴趣规则挖掘方法进行扩展,提出一种基于遗传算法的有趣模糊规则挖掘方法．实验表明该方法是可行的．     

一种基于遗传算法的关联规则挖掘算法

基于对数据挖掘,特别是关联规则挖掘的研究,本文提出了基于遗传算法的关联规则挖掘方法,根据关联规则挖掘的特点,提出了对遗传算法中数据的编码模块的改进方案,特别是通过对早熟问题的分析,将改进的自适应Pc,Pm算法应用到遗传算法中来,从而提高了算法的效率。最后给出了完整的基于遗传算法的关联规则挖掘算法。     

一种基于关联规则挖掘的分类规则挖掘算法

本文根据关联规则和分类规则的概念与表示形式,指出在关联规则挖掘过程中如果指定挖掘与一个确定的项相关联,那么就是分类规则挖掘了,论述了分类规则是特殊情况下的关联规则,并指出在这种特殊情况下,关联规则所具有的特征;然后根据这一论述,提出了一种在关联规则挖掘算法中利用限制条件概率分布来发现分类规则的算法。     

基于增量式遗传算法的分类规则挖掘

分类知识发现是数据挖掘的一项重要任务,目前研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。将遗传算法与分类规则挖掘问题相结合,提出了一种基于遗传算法的增量式的分类规则挖掘方法,并通过实例证明了该方法的有效性。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

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。     

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。     

一种基于GEP的分类规则挖掘算法

基于一种新的自动程序设计方法基因表达式程序设计（GEP）,通过设计适应函数、初始化群体的优化、增加新的遗传算子以及采用演化策略中的（λ+μ）淘汰策略等对原始GEP算法进行有效的改进,设计出一种新的数据挖掘算法。采用UCI机器学习知识库中的数据集对该算法进行了实验,并通过与C4.5及文献[3]的比较,检验了该算法的准确性。     

基于遗传算法的关联规则挖掘分析

本文基于遗传算法的思想,并结合关联规则挖掘的要求与特点,提出了一个基于遗传算法的关联规则挖掘方法,通过实例,分析给出了详细的利用遗传算法挖掘关联规则的实现方法,并提出双层循环结构,利用基因重组、一致变异以及自适应参数的手段调整遗传算法进行数据挖掘,以此证明利用这个模型来发现关联规则是可行的、有效的.最后指出遗传算法的特点和基于遗传算法的关联规则挖掘技术的前景.     

基于遗传算法的关联规则挖掘方法

基于对数据挖掘,特别是关联规则挖掘的研究,提出了一种改进型遗传算法的关联规则提取算法,并从编码方法、适应度函数的构造和遗传算子的设计方面进行讨论分析。通过对早熟问题的分析并改进自适应算子,提高了算法的效率,使算法在相对稳定的动态种群规模中寻找优质解。     

一种基于兴趣度的大型数据库关联规则挖掘方法

数据库关联规则挖掘是数据挖掘研究中一个重要研究课题,但该方法本身存在不足,对于大型数据库,可能产生数以千计的规则,使用户感到无所适从.本文提出对关联规则进行分类的思想,并给出了基于数据统计特性的带兴趣度的关联规则挖掘算法GRMiner和IRMiner,算法实现简单,分析表明该算法是有效的.     

遗传算法在数据挖掘中的应用

论文以图书发行网络管理系统为例提出了一种基于遗传算法的分类规则数据挖掘算法。通过定义适应值函数、双种群结构、遗传算子(自适应地改变交叉和变异概率)等手段的应用,进行群体间个体的评优直至最后输出最优规则集。     

一种基于双层可伸缩结构遗传算法的分类

数据挖掘是数据库研究的一个热点问题。提出了一种基于遗传算法的数据挖掘算法,适用于分类型数据的挖掘。该算法采用了一种全新的双层结构、可伸缩的多种群进化机制,强调种群个体的多样性,具有良好的全局和局部搜索能力。     

利用基因遗传算法从数据库自动生成知识库

此文提出一种从数据库自动生成知识库的新方法。该方法从数据库到知识库的优化目标函数，利用基因遗传算法的优化手段，直接从数据库中生成性能较优的知识库。文中论述了该方法的原理与具体实现过程。     

KDD中知识评价的研究综述

在知识发现过程中,通过挖掘算法产生大量的模式,但是大多数用户对此不感兴趣。如何对它们进行评价,选取出用户感兴趣的和有用的知识成为至关重要的一环,故对知识评价的研究具有重要的意义。首先分析了评价过程与知识发现的结合方式;针对评价的综合度量标准（感兴趣度）,从客观性和主观性两个方面分别进行了介绍;并针对因果关联规则概述了我们提出的一种新的评价方法。     

通过先验知识挖掘更有意义的关联规则

原有的基于后选集的挖掘数据库关联规则的算法视备个项目是“平等”的,筛选出的项目仅仅是在数据库中出现次数较多的。不能体现出实际项目的重要性的差异,而且挖掘出的关联规则即使有较高的支持度和可信度,但用户未必对此很感兴趣。在该文中,通过引入使用者的先验知识,对数据引入了权值,形成了带权的支持度和带权的可信度,并且引入了信息获取度和兴趣度的概念。由于此模型的改进算法充分考虑到项目集的“重要性”的差异,使得尽可能挖掘出用户感兴趣的关联规则。     

遗传算法在关联规则挖掘中的应用

该文尝试和遗传算法挖掘关联规则,并结合图书馆智能型读者测评系统,给出了一个基于遗传算法进行了关联规则挖掘的实例。     

基于神经网络与遗传算法的数据挖掘体系结构

从神经网络中提取规则可以有效地应用于数据挖掘中的分类问题。作为一种有效的优化方法,遗传算法可以应用于规则剪枝。提出了一个基于神经网络与遗传算法的数据挖掘体系结构,可以应用于数据挖掘中的分类问题。     

一种改进的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,对求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以增强算法的鲁棒性。该文提出了一种改进的自适应遗传算法,对交叉率和变异率进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

一种基于图像的关联规则发现算法的研究

论文介绍的是在图像数据库中的知识发现,介绍了一种在二维彩色图像中发现关联规则的挖掘算法。算法主要由四步组成:属性抽取,对象鉴别,辅助图像创建和对象挖掘。重点是关于图像内容的数据挖掘,并不涉及到其它的知识领域。文章最后对所提出的算法进行了分析。