一种基于矩阵的Apriori改进算法

Apriori算法是经典的关联规则挖掘算法之一。该算法可以很好地挖掘关联规则,通过连接步和剪枝步从频繁项集中获取候选项集,但产生大量的候选项集,这就需要重复扫描数据库,大大增加算法运行时间。文中提出一种基于矩阵的改进算法,通过事务矩阵和候选项集项目矩阵相乘的矩阵操作来改进频繁扫描数据库的问题。事务数组的建立可以删除不能生成下一频繁项集的事务,删除不必要的项,针对频繁项集的产生过程优化Apriori算法的连接步和修剪步。在不同的数据集下通过实验验证改进算法不仅能准确地挖掘出频繁项集而且大大地缩短挖掘时间。     

一种改进Apriori算法

本文对关联规则挖掘中的经典算法--Apriori算法的关键思想以及性能进行了研究分析,并提出了该算法的一种改进算法。经过实验结果的对比分析可知,此改进算法的确提高了原算法的性能和执行效率。     

一种基于云计算的关联规则Apriori算法

关联规则是数据挖掘的重要方法之一,它基于支持度和置信度等对规则进行选择,以生成有用的规则。传统的关联规则算法需要读取数据库计算频繁集,开销巨大。随着云计算的发展,MapReduce编程架构已经成为云计算中的重要技术,针对Apriori算法的不足,设计了一种算法将云计算MapReduce框架进行了适当改进,并在此基础上编写了Apriori算法,以解决Apriori算法扩展性差的弱点。实验表明：该算法能有效提高Apriori算法的性能。     

基于云平台的矩阵式Apriori改进算法

在当前处理大数据集的需求下,针对关联规则数据挖掘传统Apriori算法的不足,提出基于云计算平台并引入矩阵概念的一种改进算法,通过改进以减少传统Apriori算法的I/O负担严重、候选集数量巨大等问题,使其更好地适应大数据的频繁项集数据挖掘。     

一种新型的改进Apriori算法研究

Apriori算法是数据挖掘关联规则研究中的经典算法,由于它需要多次扫描数据库,造成系统运行效率比较低。所以在对Apriori算法进行了分析之后提出了改进的Apriori算法。改进的主要思想是基于将事务数据库转化成相应的0-1矩阵,通过对矩阵中每个向量与其后的向量做内积运算来计算支持度,并将计算得到的支持度与给定的最小支持度作比较,删除小于最小支持度的行与列,缩小矩阵的规模,提高了运行速度效率。改进的算法只需要对数据库扫描一次,运行效率比较高。实验结果表明,该优化方案是有效可行的。     

基于判别分类器的目标跟踪方法综述

目标跟踪是在连续图像帧中估计出运动目标的运动轨迹,是计算机视觉中的重要问题之一.传统的目标跟踪方法印生成模型法,是通过建立描述目标的外观模型来实现目标跟踪.近年来,判别分类法在目标跟踪应用中取得了较好的效果,判别分类法将目标跟踪问题看作目标与背景的分类问题.本论文首先对生成模型法做了简单介绍,然后讨论了判别分类法的发展过程,并对判别分类法的各种算法进行了分类,阐述了各种算法提出的动机和基本原理,最后对两类方法做了对比和展望,并概括了目标跟踪方法的发展方向.     

基于数据挖掘Apriori算法实现与应用

本文主要对数据挖掘的有关算法进行学习与应用。首先介绍了这些算法的基本思想和算法步骤,然后运用这些算法进行实际问题的求解。本文着重介绍的是关联规则的Apriori算法。对Apriori算法,用其对当下高等学校排课的问题进行求解。     

基于Hadoop的并行Apriori算法

针对经典Apriori算法及其改进算法不能有效处理大规模数据集,提出基于Hadoop-MapReduce编程模型的两种改进算法:HAprioriK,HApriori2。其中HAprioriK需要k个MapReduce Jobs,而HApriori2仅需要2个就能在整个数据集上找到频繁k项集,两种改进算法均充分利用了Hadoop平台的计算优势,可以轻松地处理大量数据。采用IBM的数据集进行改进算法有效性的研究,实验结果表明,HApriori2算法在不同规模的数据集和支持度下,能够有效地挖掘频繁项集,具有比HAprioriK更好的性能。     

云计算环境下基于MapReduce的Apriori算法研究

Apriori算法是一种经典的数据关联规则挖掘算法,本文借力云计算环境,根据MapReduce模型并行运行实现的特点,对Apriori算法进行优化,并行化改进后的MR-Apriori算法大大降低了时间消耗,其较强的扩展能力能更好地运用于大规模数据分析、处理和挖掘的需要.     

基于Hadoop平台的图书推荐服务Apriori优化算法

为了提高图书推荐服务的准确度,提出一种基于Hadoop平台的Apriori优化算法。首先在分布式Hadoop框架的基础上,采用DAG图对Hadoop平台下的并行Map Reduce实施步骤进行分析;然后对传统关联规则Apriori算法进行Map Reduce优化,减少数据库连接的次数,同时尽量生成更少的无用候选项目集,从而缩短任务处理时间。实验结果显示,相比传统LDA推荐算法,所提出的算法具有较高的准确度,能够为借阅者推荐最适合的书籍。     

基于关联规则Apriori算法改进

互联网作为一个国家教育事业的基础设施,是人们获取知识的一个重要途径。传统网络服务系统功能简单,服务单一,网络利用率不足。文章改进关联规则Apriori算法并应用于网络数据处理中,提高数据利用率。     

基于FP-tree的Apriori算法的改进

在经典的Apriori策略中,各次遍历操作均访问全部数据库。将FP-tree策略移植到Apriori中以重构数据库,提出了FP-A算法。通过对原数据库划分为一系列子数据库,并设置相应的频繁度计数,避免每次访问全部数据库记录,提高算法效率。实验结果表明,FP-A策略具有高效性。     

基于Apriori算法的校园教学质量评价系统设计

本文提出基于Apriori算法的校园教学质量评价系统设计,从系统客户端、服务端、以及总体架构方面对该系统进行了阐述,设计了教学质量评价系统数据库,说明了Apriori算法在该教学质量评价系统中的应用过程。     

基于航迹速度修正频谱分析的防空雷达虚假目标判别方法

该文研究了防空雷达虚假目标判别问题,针对航迹欺骗干扰、杂波剩余假航迹干扰等能够形成航迹的虚假目标,从回波频谱分析角度着手,结合航迹速度修正处理,提出了一种全新的判别方法。该方法将虚假目标判别归结为二元假设检验问题,推导了以多普勒频率差为统计量的似然比判别表达式,给出了判别门限的计算公式,并基于实际防空雷达数据验证了方法的有效性,为解决防空雷达目标真伪判别提供了有效的技术途径。      

一种雷达目标形状识别算法研究

针对超宽带雷达信号的高空间分辨力和宽频谱特性,提出了一种基于雷达目标形状识别的算法,并结合该算法给出了硬件电路实现的原理框图。     

一种改进的Apriori算法的研究

本文对关联规则数据挖掘经典算法Apriori算法需要重复扫描数据库的不足提出了一种新算法。该算法在连接两个频繁（k-1）-项集时,对其事务标识符进行交计算,得到新的候选k-项集。避免了对数据库的频繁扫描,大大提高了算法效率。     

一种引入索引结构的Apriori并行化改进算法

针对传统的Apriori算法在执行过程中存在着需要扫描多次数据库,执行效率低和需要大量的内存来存储候选项集的缺点,有人已经提出了引入索引结构的Apriori改进算法,但是该算法还是传统的Apriori算法都不适合应用到云计算平台。因此,在本文中我们提出了将引入索引结构的Apriori算法的设计思想应用到Apriori算法MapReduce并行化改进的过程中。该算法的核心思想:将数据进行MapReduce并行化分块,并在每个分块中采用索引的执行模式。该算法结合了索引结构的优点和算法并行化的优点,不仅大大提高了算法的执行速度,而且实现了在云环境下的应用。     

基于关联规则挖掘的Apriori改进算法

关联规则挖掘是数据挖掘技术的一个重要分支,其中Apriori算法是最经典和最有影响力的算法。本文在讨论和分析了关联规则挖掘的基本概念后,提出了一种减少扫描数据库次数的改进算法。改进后的算法分析证明,它可以有效地提高数据挖掘的性能。     

基于Apriori的改进的频繁模式挖掘算法

在分析Apriori算法时间开销的基础上提出了一种优化的Apriori算法,它通过垂直数据布局并结合有效的链表结构减少了对数据库的扫描次数,通过按支持度大小升序排序减少了候选项集的数量,利用排序后项集的有序性减少了连接次数,有效减少了时间开销,从而提高了算法效率.实验结果验证了优化算法的可行性和有效性.     

基于隐式数据和Apriori的协同过滤推荐算法

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用...