大数据环境下基于Hadoop平台的医学数据挖掘算法研究（英文）

为了有效利用云平台Hadoop框架的并行处理能力。通过对大数据挖掘技术中的传统关联规则算法-Apriori算法进行了分析和改进,提出了一种基于Map Reduce并行模式的改进数据挖掘算法,适用于医学大数据的分析和应用。首先通过布尔排列优化数据库中事务数据的存储方式,从而有效减少数据库被扫描的次数。然后采用关联规则优化减少Apriori算法中冗余的子集。为了验证改进算法的有效性,采用医学历史数据进行实验验证。最后仿真实验结果显示,相比传统的Apriori算法,提出算法的运行效率更高,具有较好的可靠性和有效性。     

大数据环境下基于Hadoop框架的改进Apriori挖掘算法

针对Hadoop框架下的用户行为大数据挖掘效率问题，提出了一种改进的关联规则Apriori挖掘算法。该算法首先实现了Hadoop框架下的项集分类建模。然后通过传统关联规则Apriori算法的挖掘步骤分析，对候选项目集的生成方式进行了改进，并结合标志位信息实现无用事务去除，有效压缩了事务和项目的数量，从而缩短了任务处理时间。在具体实现过程中对改进Apriori算法流程进行了Map Reduce处理。仿真实验表明:相比于传统Apriori算法，改进后的Apriori挖掘算法具有更高的执行效率。     

大数据环境下基于Hadoop框架的改进Apriori挖掘算法（英文）

针对Hadoop框架下的用户行为大数据挖掘效率问题,提出了一种改进的关联规则Apriori挖掘算法。该算法首先实现了Hadoop框架下的项集分类建模。然后通过传统关联规则Apriori算法的挖掘步骤分析,对候选项目集的生成方式进行了改进,并结合标志位信息实现无用事务去除,有效压缩了事务和项目的数量,从而缩短了任务处理时间。在具体实现过程中对改进Apriori算法流程进行了Map Reduce处理。仿真实验表明:相比于传统Apriori算法,改进后的Apriori挖掘算法具有更高的执行效率。     

基于时序关联规则的设备故障预测方法研究

设备故障预测对于保证设备安全运行、提高设备管理效率具有重要的现实意义。考虑设备故障数据的特点,利用Apriori传统关联规则算法的思想,建立了时序故障数据模型。将故障数据转换为时序项集矩阵,针对该矩阵,提出了Apriori改进算法和频繁时序关联规则查找算法。利用这两个算法对设备故障数据进行频繁时序关联规则挖掘,预测设备故障趋势,为设备管理提供有力支持。并通过实例验证该方法的可行性。     

基于大数据分析的电子商务平台客户精准服务管理方法设计

随着现代商业的不断发展,以网络购物为主的各种新兴电子商务平台得到了广泛普及。为了提高不同类型用户需求分析的效率,以实现电子商务平台的精准化客户服务,提出了一种基于数据挖掘和Hadoop平台技术的客户服务管理方法。该方法首先采用权重估计对部署到Hadoop平台的客户进行分类,接着对平台中的商品进行标签化分类并实现用户兴趣商品的参数估计。然后采用Map Reduce并行框架对传统数据关联规则Apriori算法进行了优化,减少数据中冗余的子集。仿真实验结果验证了提出电子商务平台客户精准服务管理方法的可行性,具有较好的准确度和运行效率。     

弱关联冗余环境下的挖掘算法研究

传统网络异构的数据挖掘算法以数据间的关联性为基础进行聚类,当数据集中出现大量冗余数据时,数据间的关联性减弱,使得数据挖掘精确度降低。为解决这个问题,提出一种新的弱关联冗余环境下挖掘算法。该算法先通过数据聚类方法,确定大数据集的原始聚类中心,不断更新聚类中心确保其逼近真实中心,实现大数据集的数据聚类。再对大数据集的弱关联规则进行挖掘,计算弱关联规则下数据间的关联性,采用弱化关联规则方法,挖掘出弱关联冗余环境下的数据。实验结果表明:所提挖掘算法具有较高的挖掘效率和精度,以及较低的复杂度。     

基于Apriori算法的点线关联模式在地震空间数据挖掘中的应用

该文根据对地震空间数据中的两种数据类型,点要素类型、线要素类型进行分析,基于Apirori算法,提出一种分析地震空间数据的线-点关联规则的数据挖掘算法,对算法进行了描述,并以中国云南省地区发生的地震空间数据作为主要数据来源进行了算法的实验,由于Apriori算法是一种基于概率的挖掘算法,通过算法可以得出云南省地区地震空间数据库线-点数据所蕴含的概率关系,并为进一步进行空间概率分析及推理有一定的意义。     

弱关联冗余环境下的挖掘算法研究（英文）

传统网络异构的数据挖掘算法以数据间的关联性为基础进行聚类,当数据集中出现大量冗余数据时,数据间的关联性减弱,使得数据挖掘精确度降低。为解决这个问题,提出一种新的弱关联冗余环境下挖掘算法。该算法先通过数据聚类方法,确定大数据集的原始聚类中心,不断更新聚类中心确保其逼近真实中心,实现大数据集的数据聚类。再对大数据集的弱关联规则进行挖掘,计算弱关联规则下数据间的关联性,采用弱化关联规则方法,挖掘出弱关联冗余环境下的数据。实验结果表明:所提挖掘算法具有较高的挖掘效率和精度,以及较低的复杂度。     

基于关联规则的汽轮机叶片振动研究

研究了汽轮机叶片振动测试的数据采集方法,采用光栅光纤及电阻应变片分别测量手段进行叶片振动实验。模拟汽轮机运行状态进行了转子运行实验,提出了实验方案,通过实验测试采集了振动信号数据集。应用Apriori算法对数据集进行分析,使用WEKA平台进行数据处理,定位了转子在这一状态下的易损部位,并发现了与叶片振动相关的关联规则。研究表明,应用Apriori算法可有效发现汽轮机叶片振动问题,将其应用于更多工况下汽轮机运行振动优化具有一定指导作用。     

改进模糊关联规则及其在故障诊断中的应用

关联规则挖掘能发现事务之间的潜在规则,在故障诊断中的应用有重要的研究价值.传统关联规则挖掘算法在数据离散化和支持度选取上都存在许多不足.文章在模糊关联规则挖掘算法的基础上重点研究了隶属度函数选取和最小支持度选取问题,提出一种改进模糊关联规则挖掘算法IFAR(an Improved Fuzzy Association Rules).算法采用基于k-means聚类的自动确定隶属度函数参数方法,克服了传统硬划分方法带来的"边界过硬"问题,避免了人为划定边界的盲目性.算法在支持度选取上采用一种多重最小支持度的思想,在避免产生无意义短规则的同时有效发现有意义的长规则,提高挖掘结果的质量.最后通过旋转机械故障实验仿真证明了IFAR算法在故障诊断中的有效性和正确性.     

基于多值属性Apriori算法的飞机IDG故障分析

为了更为高效地挖掘海量航空维修数据中隐含的信息,提升飞机故障分析能力及深度维修能力,通过轮廓系数K-means聚类和多值属性Apriori关联规则算法挖掘飞机IDG部件各故障因素之间的关联规则.首先,采集B737飞机故障维修数据,进行预处理并筛选出与IDG部件相关的故障数据信息;其次,利用K-means聚类和多值属性A...     

云计算平台中分布式Hadoop数据挖掘关键技术研究

云计算环境下的大数据特征挖掘是大数据统计及分析的基础。为了提高聚类的准确度和速度,设计了一种基于分布式Hadoop平台和熵加权特征选择的数据挖掘方案。该方案首先采用无回路有向图对Hadoop平台下的Map Reduce 作业流调度问题进行了分析。然后采用并行 Map Reduce执行过程完成分布式计算。最后,采用熵加权聚类算法实现海量数据挖掘。仿真结果显示,提出的数据挖掘方案具有较好聚类效果和运行效率。     

改进果蝇算法求解零空闲流水车间调度问题北大核心

针对传统果蝇算法在求解零空闲流水车间调度问题时,存在精度及稳定性较差的问题,提出了一种改进果蝇优化算法用以求解该类问题。该方法以最大完工时间最小化为优化目标,在传统果蝇算法的基础上,建立了多种群中心搜索模式,改进嗅觉搜索方式,引入破坏重建、插入领域局部搜索;并将免疫算法激励度引入果蝇视觉觅食阶段;最后通过测试案例,验证了该改进算法的有效性。结果显示该算法不仅能有效提高全局寻优效果,而且具有较好的稳定性,为求解零空闲流水车间问题提出了一种新方法。     

基于RFID在整车智能库位可视化中的应用研究

针对传统整车库位管理业务进行深入分析,通过引用RFID技术进行优化创新,提出一种基于数据挖掘的多层次整车仓库管理模型.模型重点考虑多层次组合编码模式和多目标函数中库存占用率、敏捷出入库业务.并通过MATLAB软件对动态决策关键节点进行计算可视化应用,将上述理论转换成生产力.最后通过多层次的可视化技术,采用改进诱导算法对目标函数进行求解,从而实现整车库位可视化智能管理.同时,仿真结果表明,改进诱导算法能够很好的求解整车出入库问题.     

基于扩展观测器的永磁同步电机快速积分终端滑模控制

为了优化永磁同步电机(PMSM)调速系统的动态性能，使用滑模控制的PMSM控制系统的非线性速度控制算法。提出一种新的快速积分终端滑模面(FITSMC),以提高传统积分终端滑模控制在速度误差远离平衡点时的跟踪误差收敛速度。针对高切换增益引起的大抖动现象，提出一种改进的抗干扰滑模速度控制器，该方法引入扩展状态观测器观测集中扰动，并在FITSMC中添加前馈补偿项。最后，通过仿真验证所提控制方法的有效性。结果表明：采用FITSMC替代传统的PI控制器，可以有效地降低动态速度跟踪误差。通过与传统方法进行比较，验证了所提方法(FITSMC+ESO)的优越性。     

应用于运动目标检测的改进参数估计背景建模研究

为了提高目标检测的识别率,提出了一种基于改进Student-t分布参数估计的背景建模算法,适用于各种运动视频的目标检测,如体育视频应用领域。首先对传统基于有限混合模型的背景建模方法进行了分析,然后利用Student-t分布构建了背景模型参数估计方法,该方法通过改进期望值最大算法完成参数估计,并对参数空间进行了分割。仿真试验结果显示:相比高斯多态背景建模,K-均值和模糊C-均值聚类背景建模分割效果较好,因此运动目标检测精确度更高,且训练速度更快。验证了提出算法的有效性和先进性。