基于改进FP-growth算法的售后服务数据挖掘

针对产品在保养、维修等售后服务过程中产生海量数据,但对这些数据分析匮乏的问题,首先从售后服务角度对数据进行整理,构建结构化的售后服务数据集;然后对利用FP-growth算法挖掘售后服务数据时FP树构建效率低和生成频繁项集相关性低的问题进行优化,提出一种改进FP-growth算法;最后通过实验分析,表明改进FP-growth算法能有效提高售后服务数据的关联规则挖掘效率与规则相关性,能够获取服务质量的关联规则知识。     

一种基于混合型结构优化算法——Apriori—Mend算法

关联规则挖掘是数据挖掘领域中最重要的研究问题之一。Apriori是关联规则挖掘的一种经典算法,它使用候选项集产生测试机制来找出所有满足用户最小支持度的项集,但它需要多次扫描数据库,会产生大量的候选项集。针对Apriori算法的不足,提出了一种基于混合型新的优化算法：Apriori—Mend算法。该算法从优化产生2项集、事务压缩等几个方面对Apriori算法进行优化,将散列技术应用于产生1项集和2项集,采用库优化策略和混合型存储结构,以节省空间和运算时间。实验结果表明,Apriori—Mend算法运行速度比Apriori算法有明显的提高。     

一种基于混合型结构优化算法——Apriori-Mend算法

关联规则挖掘是数据挖掘领域中最重要的研究问题之一。Apriori是关联规则挖掘的一种经典算法,它使用候选项集产生测试机制来找出所有满足用户最小支持度的项集,但它需要多次扫描数据库,会产生大量的候选项集。针对Apriori算法的不足,提出了一种基于混合型新的优化算法:Apriori-Mend算法。该算法从优化产生2项集、事务压缩等几个方面对Apriori算法进行优化,将散列技术应用于产生1项集和2项集,采用库优化策略和混合型存储结构,以节省空间和运算时间。实验结果表明,Apriori-Mend算法运行速度比Apriori算法有明显的提高。     

Apriori算法在布尔型关联规则领域的应用

在数据挖掘中,关联规则挖掘发现大量事务项之间有趣的关联关系的研究是一个重要的课题.Apriori算法则是数据挖掘中,搜索关联规则频繁项目集最有影响的算法.本文通过一个实例对Apriori算法在布尔型关联规则领域的应用进行了探讨.根据Apriori算法实现了计算机程序的实例验证.     

基于关联规则的多普勒天气雷达故障挖掘算法分析

基于辽宁丹东多普勒天气雷达等台站,针对当前多普勒天气雷达发射机、接收机、伺服等软硬件故障挖掘过程中,受冗余、缺失、错误数据的影响导致最终挖掘率和挖掘准确率不高,误挖率以及漏挖率始终较高的问题,提出了基于关联规则的多普勒天气雷达故障挖掘算法.该算法利用关联规则挖掘技术原理以及相关定义定理,将收集到的多普勒天气雷达故障数据集划分成不同区域,滤除弱关联故障数据,保留强关联故障数据,完成对多普勒天气雷达故障数据的预处理,并构建了故障原始判断表和故障挖掘模型,在此基础上,利用故障原始判断表和挖掘模型对多普勒天气雷达故障进行定位和类别判断,完成挖掘.性能测试结果显示,采用所提算法能够实现多种类型多普勒天气雷达故障的高精度挖掘,为多普勒天气雷达系统的安全、稳定运行提供了有效保障.     

基于可拓理论的数据挖掘在水轮机方案设计中的应用

针对大型水轮机方案设计复杂性的特点,建立了面向知识重用的有约束的基元可拓集,并基于基元的可拓性和可拓变换.探讨了基于可拓集合方法的数据挖掘技术实现;提出了一种改进的FP-growth关联规则算法对有约束的基元可拓集进行关联规则挖掘,并利用基元的相关性和蕴含性对已获得的关联规则进行拓展,获得更多有价值的知识.最后.通过大型水轮机选型方案设计实例进行了说明.     

基于数据挖掘的电子商务推荐系统

基于数据挖掘的电子商务推荐系统,通过使用关联规则算法来对客户的事务执行购物篮分析,知道那些产品比较热销,以及一个特定商品与另一个商品被一起购买的可能性有多大。从而通过商品的推荐和捆绑销售,为客户提供个性化服务,同时实现利益的最大化。在总结前人挖掘模型的基础上,设计了基于Apriori算法的电子商务推荐系统。Apriori算法作为最有影响的挖掘布尔关联规则频繁项集的算法,简单可靠,适合于机器学习。     

数控机床故障诊断关联规则挖掘方法研究

基于历史维修数据挖掘故障模式与故障原因之间的关联规则,是进行数控机床故障诊断和预防性维修的重要过程。采用改进的频繁项集挖掘算法,研究数控机床故障诊断关联规则挖掘方法。在阐述关联规则相关概念和挖掘原理的基础上,构建了数控机床故障诊断关联规则挖掘概念模型;针对传统挖掘算法执行效率低且产生大量候选项集的不足,提出改进的频繁项集挖掘算法,并给出了算法流程;根据数控机床故障特点,计算频繁项集及其非空子集的支持度和置信度,生成故障诊断的关联规则。最后,以挖掘数控机床刀架系统故障模式与故障原因之间的关联规则为例,验证了所提理论和方法的有效性。     

增量式FP_Growth算法及在信息抽取上的应用

对Web信息抽取中事物数据库和最小支持度发生变化时的频繁项目集更新问题进行研究,分析当大量增量数据到达时难以及时更新FP_tree的现象,通过对FP_Growth算法进行改进,提出一种基于频繁模式树的增量式FP_Growth挖掘算法,实现关联规则的提取。通过对二手IT产品交易网站的交易情况进行信息抽取并提取出关联规则,比较算法执行时间,分析置信度和支持度的变化,证明该算法能有效减少生成PT_Tree的时间,提高了挖掘效率。     

基于数据挖掘的产品质量控制建模方法

在产品质量控制过程中,按统计学观点产品已发生的故障与元器件检测筛选之间存在某种内在的关系。为了有效地发现这些关联规则,建立了质量信息挖掘模型,它包括质量灰色预测挖掘算法和质量灰色关联—关联规则挖掘算法,目标是在质量信息数据库中发现所有置信度大于预定阈值的规则及预测产品质量将来发展趋势。按此模型,建立了面向产品质量信息生成的数据仓库和数据集市,设计了质量灰色预测挖掘模型和质量灰色关联—关联规则数据挖掘流程,并用电子元器件老炼筛选和故障模式归类规律两个算例,验证了算法的合理性。     

一种新的增量式关联规则数据挖掘方法研究

本文介绍了一种实用的增量式关联规则数据挖掘方法,它映射数据挖掘空间到图像空间,并利用数字图像显示及存储的特点,结合增量事务的挖掘过程进行挖掘.该方法在一定程度上提高了关联规则数据挖掘的实时性,对于数据集及支持度的变化具有很好的适应性.通过铝电解现场采集数据挖掘实践证明,此增量式挖掘方法简单有效,具有很强的实用性;同时为提高铝电解生产的管理水平,提供了一种对工人操作可靠性、系统控制稳定性衡量的客观评价手段.     

基于双重模糊模拟的直觉模糊向量关联规则挖掘

针对传统模糊关联规则挖掘方法在原始决策表和挖掘算法方面的不足,提出基于双重模糊模拟的直觉模糊向量关联规则挖掘方法。原始决策表方面,传统模糊关联规则挖掘在表达决策者犹豫程度及自然语言多维度属性方面存在不足,故采用直觉模糊集组成的直觉模糊向量作为基本元素构建原始决策表。考虑决策者惯用自然语言的特点,引入双重模糊思想对传统直觉模糊集进行改进,并采用模糊集表达犹豫度。挖掘算法方面,直觉模糊向量关联规则挖掘存在两个难点,一是由于原始决策表的基本元素为向量,维度较大,导致挖掘效率低;二是现有挖掘算法中使用规则支持度和置信度,无法集成直觉模糊集中决策者的犹豫度。由此,提出了双层关联规则挖掘方法框架。底层关联规则挖掘方法为顶层关联规则挖掘提供内部关联规则,通过两次关联规则挖掘降低原始决策表的维度。引入双重模糊向量表达直觉模糊集的犹豫度,以双重模糊变量的期望值估算关联规则的支持度,在关联规则挖掘过程集成了犹豫度。以裸眼3D片源设计与制作中画面布局的决策过程为例,验证了所提方法的可行性和有效性。     

云制造资源文本信息的特征提取与关联分析方法

针对以文本形式存在的云制造资源描述信息,提出了一种特征提取和关联分析方法。以云制造资源文本信息为对象,采用TF-IDF算法获得其关键字和权重值,利用FP-Growth算法进行频繁项集挖掘与置信度分析,构建云制造资源文本信息的关联规则,为云制造资源的分类存储、按关键字快速匹配提供了有力支持。最后通过实例验证了所提理论和方法的可行性。     

云制造资源文本信息的特征提取与关联分析方法CSCD

针对以文本形式存在的云制造资源描述信息,提出了一种特征提取和关联分析方法。以云制造资源文本信息为对象,采用TF-IDF算法获得其关键字和权重值,利用FP-Growth算法进行频繁项集挖掘与置信度分析,构建云制造资源文本信息的关联规则,为云制造资源的分类存储、按关键字快速匹配提供了有力支持。最后通过实例验证了所提理论和方法的可行性。     

基于改进遗传算法与Apriori算法的岸桥机械关联规则挖掘

基于对传统遗传算法的关联规则挖掘,提出了改进型遗传算法。该算法提出了一种自适应变异率方法,并改进了个体选择方法。最后,将其应用到岸桥机械数据关联规则挖掘中进行实验,并用Apriori算法验证了该方法的高效性和可靠性。     

基于支持度变化的关联规则重挖掘技术

当使用关联规则进行数据挖掘时,使用者为了达到一定的挖掘效果,经常需要不断地改变关联规则的支持度阈值(support)。在这篇文章中我们提出了一种从大型数据库中挖掘关联规则的快速算法,该算法以经典的Apriori算法为基础,可以在提出新的支持度后直接在首次挖掘的基础上进行再一次挖掘。结果表明,它较Apriori算法的实现速度有明显的提高。     

一种基于关联规则的知识推送方法

针对复杂机械产品概念设计中数据量大造成的知识获取问题,为充分挖掘知识资源的潜在价值。在论述零件产品知识模型和关联规则原理的基础上,提出一种基于关联规则的知识粒度化推送方法。首先将零件知识依据知识粒度层次理论进行描述,并引入知识需求概念,构建关联知识主动推送框架;然后依据关联规则FP-tree算法完成关联知识相似度匹配,有效的加速了知识检索和推送的速度;最终以机械产品实际生产为例验证所提方法在知识推送应用中的可行性。     

汽车ERP中关联规则挖掘与动态更新的实现策略

针对传统ERP系统缺少直接面对客户的系统功能、数据利用程度低等局限性，提出把经典数据挖掘算法——基于Apriori的关联规则挖掘方法改良后导入汽车企业ERP系统以缓解其局限性的应用策略，程序实现了FPgrowth算法和动态关联规则挖掘算法，并通过挖掘模型测试，证明了这些策略的可行性和有效性。     

两次挖掘的关联规则增量更新的改进算法

本文提出一种基于两次挖掘的关联规则挖掘算法（TMIUA)的改进算法,用于处理事务数据库增加新的数据集后相应关联规则更新问题,并对其性能进行了分析。     

面向冷轧带钢表面缺陷的加权模糊层次关联规则挖掘方法

为了克服传统关联规则在解决钢铁工业泛在信息多样性、模糊性和层次性方面的不足,在传统的层次型关联规则挖掘算法基础上,建立层次间的模糊隶属度关系,并引入加权扩展,设计了一种加权模糊层次关联规则算法,并将该算法应用于冷轧带钢生产过程缺陷与缺陷形成原因的关联关系挖掘中。试验表明,该算法不但可以挖掘出缺陷之间的关联关系,同时还能挖掘出不同缺陷与其对应的不同缺陷形成原因之间的关联关系,弥补了传统挖掘算法只能挖掘同种类别数据之间关系的不足。