用于关联规则挖掘的一种基于小生境技术的GEP算法

为了提高关联规则挖掘算法处理大数据集的能力,在基因表达式编程进化算法(Gene Expression Program-ming)的基础上,提出了一个新的挖掘强关联规则的算法框架.主要贡献在于提出并实现了基于小生境技术的基因表达式编程进化算法NGEP,以用于挖掘关联规则.NEGP算法首先进行小生境演化,融合小生境并剔除同构的优秀个体,然后对小生境解进行笛卡儿交叉,以产生更好的结果.实验结果表明,与同类优秀的算法对比,NGEP算法的种群多样性与精确度都有很好的结果,并且在提取有效规则的效率上也有较大的提高.     

基于GEP与小生境的关联规则挖掘的研究*

如何高效而正确地挖掘关联规则是数据挖掘领域的一个重要研究方向。在现有工作的基础上结合基因表达式编程进化算法提出了一种新的挖掘强关联规则的算法框架;提出并实现了基于小生境技术的基因表达式编程算法(niche-gene expression programming,NGEP)以用于挖掘关联规则。与同类算法的对比实验结果表明,NGEP不但能更快地收敛,还进一步提高了挖掘的正确率。     

高效挖掘高血压医案关联规则的模型构建

研究中医高血压医案大数据集高效挖掘关联规则问题。中医医案数据量大、关联性强,针对传统的关联规则挖掘算法处理中医医案数据时存在效率低、收敛速度慢及漏报规则等问题,提出一种小生境技术和人工蜂群算法相结合的挖掘关联规则的方法。该方法通过惩罚函数设置支持度阈值,利用小生境技术执行小生境演化、融合算法,结合人工蜂群算法操作简单、鲁棒性强的优势搜索强关联规则,有效避免了算法早熟,解决了规则冗余。针对治疗高血压的中医医案进行了验证性实验,实验结果表明,相对于传统的关联规则挖掘算法,该方法在个体多样性及提取有效规则的效率上都有较大的提高,挖掘结果对高血压中医临床诊治具有一定的参考价值。     

一种高效关联规则挖掘EARM算法的研究

针对类Apriori关联规则挖掘算法的不足，将以往关联规则算法予改进，提出一个更有效率的关联规则挖掘算法EARM算法。通过试验评估，该文所提算法的挖掘效率比Apriori及其改良算法要快2到5倍。     

一种高效的挖掘量化关联规则的MQAR算法

提出了一种挖掘量化关联规则的MQAR算法。此算法在挖掘关联规则时,只需扫描事务数据库一遍,提高了数据挖掘的效率;并且存放辅助信息所占的内存空间大大少于现有的挖掘算法;同时此算法不仅能挖掘出有关联的数据项集,还能找出这些项集之间数量上的相互关系。     

一种高效的多维关联规则挖掘算法研究

对经典关联规则挖掘算法进行深入研究的基础上,结合数据立方体的结构特点和OLAP技术,给出了一种高效的多维关联规则挖掘算法,并对不同数据立方体下的算法的性能进行了分析比较.     

一种新的关联规则的高效挖掘算法

在Apriori算法的基础上，提出了一种新的算法，该算法在运行过程中根据支持度来不断缩小原有事务数据库，同时采用了一种新的方法产生候选集，促进了关联规则挖掘中效率的提高。     

一种高效的多维关联规则挖掘算法研究

对经典关联规则挖掘算法进行深入研究的基础上，结合数据立方体的结构特点和OLAP技术，给出了一种高效的多维关联规则挖掘算法，并对不同数据立方体下的算法的性能进行了分析比较。     

一种高效的维内关联规则挖掘算法研究

通过对数据立方体的结构特征进行深入分析，结合传统的关联规则挖掘算法．提出了一种在数据立方体中进行维内关联规则挖掘的新颖算法，该算法通过有效组织挖掘过程中的数据结构，降低对立方体的扫描次数，并充分利用联机分析处理技术．从而大大降低了执行时间，提高了执行效率．     

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。     

一种基于约束的关联规则挖掘算法

基于约束的关联规则挖掘是一种重要的关联挖掘,能按照用户给出的条件来实行有针对性的挖掘。大多数此类算法仅处理具有一种约束的挖掘,因而其应用受到一定程度的限制。提出一种新的基于约束的关联规则挖掘算法MCAL,它同时处理两种类型的约束:非单调性约束和单调性约束。算法包括3个步骤:第一步,挖掘当前数据集的频繁1项集;第二,应用约束的性质和有效剪枝策略来寻找约束点,同时生成频繁项的条件数据库;最后,递归地应用前面两步寻找条件数据库中频繁项的约束点,以生成满足约束的全部频繁项集。通过实验对比,无论从运行时间还是可扩展性来说,本算法均达到较好的效果。     

关联规则在空间数据挖掘中的研究

在智能化、集成化的空间数据应用领域中,空间数据挖掘是一门很重要的技术,而关联规则分析是空间数据挖掘的主要方法之一。文章基于数据挖掘中的关联规则分析方法,提出不同于一般数据挖掘的算法,设定兴趣度量,并通过将项的概念泛化为空间谓词,事务的概念泛化为邻域,关联规则的概念泛化为同位规则,发现多种形式的有效规则,并用逻辑语言或类SQL语言方式描述规则,以使空间数据挖掘趋于规范化和工程化。最后进行了实评。     

关于关联规则算法中规则遗失问题的研究

针对Apriori算法及ML-T2算法在应用时会造成规则遗失的问题，文章对关联规则进行了研究，并提供了可行的解决方案。其一为不改变原算法从顶到底的思想，充分利用预先设置的minSup值，通过在高层上预存可能会在底层上构成候选大项集的项集来保证有用规则的完全提取；其二则采用从底到顶的思想，运用不产生候选大项集方法，并把它扩展到由底层到顶层的各层建立各自的FP树，这样也不会造成有用规则的丢失。     

一种基于加权的高效关联规则挖掘算法的设计与实现

文章研究了在大型事务数据库中挖掘加权关联规则的问题,给出了加权频繁模式树的定义,在挖掘算法MIN-WAL(O)和MINWAL(W)的基础上,提出了一种基于加权频繁模式树的加权关联规则挖掘算法-WFPTA,并做了相应的算法比较,试验结果表明算法WFPTA是有效的。     

数据挖掘中关联规则Apriori算法

深入研究关联规则算法, 针对Apriori算法瓶颈问题提出了一种改进算法, 该算法在构建向量矩阵的基础上, 只需要扫描一次事务数据库, 通过优化连接和剪枝, 提高了算法的运行效率. 研究和实验表明, 改进后的算法在大规模的事务数据库中, 较Apriori算法有明显的优势.     

基于规模压缩的关联规则数据挖掘算法研究

基于关联规则的数据挖掘算法是人工智能和数据库研究的热点之一。本文提出的关联规则算法通过压缩规模,及时删除数据库中无用的事务记录,减少了事务数据的数量,提高了算法的执行效率。本算法能够生成较小规模的频繁候选集,有效减少了生成的候选集的规模,实现方便,在很大程度上也提高了效率。     

基于动态规划方法优化关联规则发现

为了得到准确可信任的关联规则,将关联规则的发现归纳为多阶段决策问题,利用动态规划方法对关联规则发现进行优化分析.通过条件概率分析,计算出了动态规划状态转移方程和最优期望代价方程,并得到了关联规则发现的决策策略.该策略不需要每一步计算条件概率,其实现平稳方便.最后给出了一个应用例子,并通过模拟实验将该方法与增量关联规则挖掘进行了比较分析,实验结果证明了该方法的有效性.     

基于相对约简格的关联规则研究

研究了相对约简格中的概念与关联规则中的频繁项目集的内在联系，给出了利用相对约简格提取关联规则的方法和相应算法。     

基于数据挖掘的冠心病病因规律分析研究

冠心病已经逐渐成为当今威胁人类身体健康的三大疾病之一。如何科学、准确地提供冠心病及时预防、治疗方案,降低发病率,在冠心病诊断领域变得尤为迫切。利用当今流行的数据挖掘技术,对在诊治冠心病的临床中积累的大量临床信息资料进行科学提炼有用信息,分析挖掘冠心病的诊疗临床规律,从而达到辨证施治的目的。