一种周期时态关联规则挖掘算法

应用时态关联规则模型和时态事件空间，提出了一种单事件周期时态关联规则挖掘算法，并对其进行了可行性分析和复杂性分析。该算法通过挖掘不同时间间隔下的时态关联规则，能较好地处理非拐点的邻接点的趋势分布特征的挖掘，完整地挖掘时态数据趋势分布特征。最后，将该算法应用到股票数据的趋势挖掘中，得到了满意的实验结果。     

一种基于时态因子约束的关联规则挖掘算法

时间是事物本身固有的性质,挖掘关联规则的时候把时间因素考虑进去会更符合现实的情况,时态关联规则挖掘是一种考虑带时间约束的关联规则挖掘方法.研究如何对关联规则进行时间上的约束是一个有待解决的问题,运用时态因子对关联规则进行时间上的约束是解决问题的一个办法,在给出时态因子的相关定义后,提出基于时态因子的关联规则相关概念,并给出了一种基于时态因子约束的关联规则的算法.最后结合实验结果,给出了一种关联规则实验结果分析方法,这种分析方法使得所挖掘的实际结果更为直观.     

一种改进的关联规则挖掘算法

本文在Aprioi算法的基础上，引入了临时数据库及多支持度，使交易数据库的规模不断缩小，同时又灵活控制了各频繁项集产生的数量，结果表明该算法对关联规则挖掘较为有效。     

挖掘关联规则Apriori算法的一种改进

本研究在对Apriori算法分析的基础上,提出了改进的Apriori算法。改进后的算法采用矩阵表示数据库,减少了扫描事物数据库的次数;利用向量运算来实现频繁项集的计数,同时及时地去掉不必要的数据,减少了数据运算,从而提高了算法的运行效率。     

基于WEKA的骨科病案数据的关联规则挖掘

文章介绍了利用WEKA软件对骨科病案数据进行关联规则的挖掘。     

一种模糊关联规则算法

针对普通关联规则不能表达挖掘对象中模糊信息的关联性，给出了一系列有关模糊关联规则的定义，并提出一种基于树形结构的模糊关联规则挖掘算法（FARMBT）。实验结果表明，FARMBT算法是有效的。     

一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，对该算法进行了阐述。最后对该算法的特点进行了总结并对关联规则挖掘的未来研究方向进行了展望。     

大规模数据库中关联规则的发掘

给出了一种高效的大数据库中挖掘关联规则的算法,该算法通过精心安排挖掘过程中的数据结构,以减少对数据库的扫描遍数,大大地提高了算法的执行效率。     

一种挖掘关联规则的高效增量式更新算法

对事务数据库增加记录时的关联规则维护问题进行了研究,在分析现有算法的基础上,提出了一个高效的增量式更新算法EUAR。与同类算法相比,算法EUAR通过减少对已有数据库的扫描次数和采用有效的候选集剪枝算法,提高其执行效率。测试结果表明,算法EUAR是可行且有效的。     

关联规则的并行优化挖掘算法

传统的关联规则并行挖掘算法中存在着产生大量的候选项集和通信量高的缺点,本文在分析已有并行挖掘关联规则算法的优缺点的基础上,提出了一个效率较高的并行优化关联规则挖掘算法EPMAR(Efficient Parallel Mining Association Rules),并与其它相应的算法进行了比较.实验结果证明:算法EPMAR是有效的,具有一定的扩展性.     

一种基于树形结构的模糊关联规则算法

针对普通关联规则不能表达挖掘对象中模糊信息的关联性问题,给出了一系列有关模糊关联规则的定义,并提出一种基于树形结构的模糊关联规则挖掘算法(FARMBT).实验结果表明,FARMBT算法是有效的.     

一个改进项目的加权关联规则挖掘算法

提出了一个改进的项目加权关联规则挖掘算法.该算法利用一个加权频繁项目集必须满足的加权支持度下界,对加权频繁候选项目集进行剪枝,该下界计算简便,可以减少挖掘的计算量.理论分析和实验表明本算法和MINWAL(W)相比,具有生成候选集数量少、挖掘效率高等特点,特别在项目权值相差不大时,本算法的优势更明显.     

二次挖掘相联规则算法

通过研究、分析FUP等算法 ,提出用于二次挖掘相联规则的算法SuperFUP。该算法更多关注的是新增数据 ,只对整个数据库扫描一次就能在变更的数据中发现相联规则 ,从而提高了算法效率。     

关联规则挖掘中改进的增量式更新算法

增量式更新算法能充分利用已挖掘出的知识来提高挖掘效率,是数据挖掘高效算法中的一个主要方向.分析了典型的关联规则增量式更新算法波折法FUP算法的不足,提出了一种改进的关联规则增量式更新算法,新算法极大地降低了存储空间和挖掘时间需求,从而提高了整个关联规则挖掘的效率.     

基于数量的关联规则挖掘

通过对现有问题的分析,提出了新的基于数量的关联规则挖掘的概念,分忻了有关的数量-支持度,并提出了一种改进算法,然后通过一个例子与传统的Apriori算法进行了对比分析。     

基于关联规则的Web日志挖掘算法

分析了经典的基于关联规则的Apriori挖掘算法,对该算法在Web日志挖掘中存在的不足进行了讨论。针对这些不足,对该算法进行了改进,并介绍了算法的具体实现。经实验测试,改进后的算法具有更好的效率。     

基于FP-Growth算法的多维关联规则挖掘方法

基于FP-Growth算法在不产生侯选项集的情况下产生所有的频繁项集的思想上提出一种多维关联规则挖掘方法。该方法以数据立方体下的多维数据为研究对象,通过挖掘频繁谓词集发现多维关联规则,并通过理论和实例验证的方法证明了该方法的可行性。     

用模糊遗传算法挖掘空间关联规则

空间关联规则是空间数据挖掘的重要知识内容，利用模糊遗传算法能很好地解决随机和非线性等问题的特征，解决空间关联规则的数据挖掘问题将离散化交叉概率pc和变异概率pm的模糊遗传算法应用到空间数据库空间关联规则的数据挖掘中，讨论模糊遗传算法的编码方法和适应度函数的构造，并给出了空间关联规则挖掘流程。研究结果表明，用模糊遗传算法挖掘空间关联规则的方法是可行的，并具有更高的挖掘效率。