FVSk-匿名:一种基于k-匿名的隐私保护方法

为了确保数据发布应用环节中个人敏感隐私数据信息的安全,深入研究了k-匿名技术的机制及性能,针对其不能完全有效地防止敏感属性数据信息泄漏的问题,通过引入真子树的概念和全新的敏感属性值选择手段,在实验探索的基础上,提出了一种基于k-匿名隐私保护模型的新的数据发布隐私保护方法——FVS k-匿名隐私保护方法。这种隐私保护方法继承了k-匿名技术实现简单、处理数据便捷的优点,而且弥补了其保护个人敏感隐私数据信息不完全、不充分的缺点。优化后的FVS k-匿名方法能有效地防止个人敏感隐私数据信息的泄漏,确保个人敏感隐私数据信息的安全。     

数据挖掘中关联规则的频繁项集研究及算法设计

关联规则挖掘其主要研究目的是从大型数据集中发现隐藏的、有趣的、属性间存在的规律与数据间的联系。关联规则挖掘算法主要目的是从事务数据集项间挖掘出有意义的关联关系。Apriori算法是关联规则挖掘算法中最经典的方法。由Apriori算法产生的候选项集仍是巨量的。通过对Apriori算法中的候选项集支持频度的深入研究总结五条规律,并将这五条规律应用到Apriori算法中。     

基于推理的电子商务隐私信息匿名保护方法

随着电子商务技术的发展,网络交易安全是电子商务的核心和关键问题,对网络隐私数据（网络隐私权）安全的有效保护是电子商务顺利发展的重要市场环境条件。本文介绍了匿名和推理的相关知识,提出了一种基于推理的电子商务隐私信息保护算法,该算法包含单信息集和多信息集两种情况,通过实验验证,算法能够较好的保护用户隐私信息。     

本体概念分类的遗传算法

提出了一种基于遗传算法的本体概念分类规则学习方法(GAOCL).该方法从已有的本体库或知识库中获取实例作为训练样本,通过遗传算法获取相关的概念分类规则,实现概念实例的有效分类,以达到扩充和丰富本体的目的.首先,在编码过程中采用了可变长度的规则集合作为个体,以满足不同概念对分类规则数目的不同要求.其次,定义了规则集相对覆盖率,并以此作为适应值函数,评估个体对概念实例的分类效果,实现优化迭代.最后,给出了基于遗传算法的本体分类规则学习算法.利用一组标准样本集对该算法与同类算法进行了比较,实验结果表明该算法具有很好的收敛性,并且能获得较好的分类效果.     

一种泛化约束的(K,L)-匿名算法

针对匿名算法在泛化过程中存在过度泛化从而导致数据可用性降低的问题,提出了一种基于泛化约束的(K,L)匿名算法.为了保证数据的可用性,该算法首先通过MAGVal(maximum alowed generalization value)形成MAM(maximum allowed microdata)来控制准标识属性值的边界范围,然后再进行(K,L)匿名的筛选,从而达到最终匿名保护的目的.实验表明,该算法在保证信息可用性的同时,减小了泛化的时间开销.     

基于HVS与实体调色板的二维工程图信息隐藏算法

基于HVS与实体调色板的特性,提出一种二维工程图的信息隐藏算法.该算法先获得工程图中的有序实体集,然后根据所产生的二值化混沌序列,选择其中部分实体,结合I-IVS和隐秘信息依次对选中实体的颜色进行微小修改,从而实现信息的隐藏.仿真结果表明,该信息隐藏算法对旋转、平移与均匀缩放等攻击具有较好的鲁棒性.     

基于压缩事务矩阵相乘的Apriori改进算法

Apriori算法是当前使用最广泛的关联规则挖掘方法中最为经典的算法之一;但是该算法需要反复的扫描数据库,在I/O上花消很大,并且在得到频繁-2项集的过程中会产生庞大的候选-2项集,其次在筛选得到频繁-k项集时,并没排除那些不应该参组合的元素,而导致该算法效率很低,针对上面影响计算效率的三个方面提出基于压缩事务矩阵相乘得到频繁项目集的算法,只需一次扫描数据库,经过压缩处理产生产生事务矩阵,通过矩阵间运算得到频繁项目集,有效提高了关联规则的挖掘效率。     

基于Apriori算法的课程成绩关联规则挖掘研究

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,采用关联规则的Apriori算法和改进后的Apriori算法对郑州职业技术学院学生各门课程成绩进行分析,从而发现课程之间的联系和基础课程对专业课程的影响,为教务昔理部门安排课程提供参考。     

一种基于多值属性的改进Apriori算法

随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.     

基于Rough集理论的模糊神经网络构造方法

提出了在模糊神经网络中使用Rough集理论进行网络结构设计的方法。由于Rough集理论有强大的数值分析能力,而模糊神经网络具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种网络构造方法的主要过程为：首先,利用Rough集理论对给定数据集进行规则获取;然后,根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值;最后,用BP算法迭代求出网络的各种参数,完成网络的设计。给出了一个二维非线性函数拟合的实例,进一步验证了方法的正确性。