共查询到18条相似文献,搜索用时 109 毫秒
1.
关联变换是MDA中模型转换的难点,研究了如何定义一套高质量的映射规则用于关联变换.首先讨论了UML中关联关系及其两种实现模式,接着对每种模式分别定义了一套从UML模型(平台独立模型)到Java模型(平台相关模型)的变换规则,最后给出了两种实现模式按规则转换的实例. 相似文献
2.
关联规则挖掘的基本算法 总被引:6,自引:0,他引:6
介绍了加权模糊关联规则挖掘算法的基本思想及实现步骤,并给出挖掘算法的多种策略。在此基础上,分析了加权模糊关联规则与模糊关联规则、布尔型属性加权关联规则、布尔型属性关联规则之间的内在联系,并指出加权模糊关联规则挖掘算法是一种最基本的关联规则挖掘算法,蕴涵了其它3种关联规则挖掘算法。 相似文献
3.
针对现有关联分类技术的不足,提出了一种适用于关联分类的增量更新算法IUAC。该算法是基于频繁模式树挖掘和更新关联规则的,并使用一种树形结构来存储最终用于分类的关联规则。同时,增加了对分类规则的约束条件,进一步控制了用于分类的关联规则的数量。最后,对算法整体进行了分析和讨论。 相似文献
4.
5.
6.
7.
基于粗糙集理论的关联规则挖掘模型 总被引:1,自引:0,他引:1
提出了一个基于粗糙集理论的关联规则挖掘模型。介绍了该规则挖掘模型的主要步骤,模型中应用了属性约简和规则约简技术,并给出了该两个技术的算法。 相似文献
8.
正态云关联规则在预测中的应用 总被引:24,自引:1,他引:24
在信息处理领域,用数据挖掘方法发现关联规则和进行预测是两大热点,首先借助正态云模型来替代对数量属性论域的划分,并提出数量属性上的正态云关联规则的概念,接着给出挖掘正态云关联规则的方法,并利用已挖掘出的正态云关联规则进行预测,由于正态云模型较好地软化了数量属性论域的划分边界,从而使得挖掘出的正态云关联规则与预测的结果更容易被人理解。 相似文献
9.
10.
加权布尔型关联规则的研究 总被引:11,自引:2,他引:11
为了解决加权支持率可能大于1的不足,对属性的权重集归一化,并提出第1类加权关联规则挖掘算法。此算法能有效地考虑属性的权重,并且认为规则的重要性随着规则中所含属性数量的增加而增加;但在有些数据库中,挖掘关联规则只需考虑属性的权重,也就是说规则的重要性不随着规则中所含属性数量的增加而增加。该文通过对各个元素所作贡献的加权构造了一个加权数据库,提出了解决此类问题的第2类加权关联规则挖掘算法。 相似文献
11.
李艳 《数字社区&智能家居》2007,(21)
数据挖掘技术是在大量的数据中发现未知知识的数据分析技术,利用数据挖掘技术分析客户数据,发现其中的规律,从而为商务决策提供依据.本文研究了关联规则的相关分析并应用于网上书店系统,实现客户订单数据的关联规则挖掘. 相似文献
12.
基于Apriori算法的水平加权关联规则挖掘 总被引:19,自引:2,他引:19
关联规则挖掘可以发现大量数据中项集之间有趣的关联或相关联系,并已在许多领域得到了广泛的应用。目前业界已经提出了许多发现关联规则的算法,这些算法都认为每个数据对规则的重要性相同。但在实际应用中,用户会比较倾向于自己最感兴趣或认为最重要的那部分项目,因此有必要加强这些项目对规则的影响,同时减弱另一些用户兴趣不大或认为不重要的项目对规则的影响。为此,论文提出了水平加权关联规则的问题,并结合Apriori算法,加以改进,给出了关于该问题的解决方案及有效算法New_Apriori。 相似文献
13.
王木林 《数字社区&智能家居》2007,2(8):525-527
数据挖掘技术是一种新的信息处理技术。其目的是从海量数据中抽取潜在的,有价值的数据规律或数据模型。通过数据挖掘技术对高校教学数据的分析处理,能够形成真正有价值的知识,向决策者提供信息支持,有利于推动学校教学改革和建设的全面发展。本文主要针对现行高校实际运作的学分选课数据库系统,以关联规则挖掘为例,提出简单而可行的数据挖掘应用实施办法。 相似文献
14.
多层次模糊关联规则挖掘算法 总被引:1,自引:0,他引:1
该文将模糊技术和概念分层应用到关联规则的挖掘中,提出了多层次模糊关联规则挖掘算法。并且以Food-Mark2000数据库为实验对象,对该算法的性能进行分析,实验结果表明该算法具有较好的执行效率和较好的可扩展性,适合于对大型数据库进行挖掘。 相似文献
15.
16.
17.
信息时代的到来,产生了大量的数据。在大量的数据背后隐藏着许多重要的信息,如果能把这些信息从数据库中抽取出来,将会创造很多潜在的利润。关联规则的挖掘已被广泛应用在实际生活中。但过去的研究往往认为数据库各个项目的重要程度是相同的,而事实上,用户对项目的看重程度是不同的,因此已有算法挖掘出来的并不一定是我们感兴趣的规则。针对这种情况.提出了加权关联规则。 相似文献
18.
Mining fuzzy association rules for classification problems 总被引:3,自引:0,他引:3
The effective development of data mining techniques for the discovery of knowledge from training samples for classification problems in industrial engineering is necessary in applications, such as group technology. This paper proposes a learning algorithm, which can be viewed as a knowledge acquisition tool, to effectively discover fuzzy association rules for classification problems. The consequence part of each rule is one class label. The proposed learning algorithm consists of two phases: one to generate large fuzzy grids from training samples by fuzzy partitioning in each attribute, and the other to generate fuzzy association rules for classification problems by large fuzzy grids. The proposed learning algorithm is implemented by scanning training samples stored in a database only once and applying a sequence of Boolean operations to generate fuzzy grids and fuzzy rules; therefore, it can be easily extended to discover other types of fuzzy association rules. The simulation results from the iris data demonstrate that the proposed learning algorithm can effectively derive fuzzy association rules for classification problems. 相似文献