基于高频模式树的项约束关联规则发现方法

项约束关联规则发现是在关联规则发现中加入先验知识、提高算法执行效率、精简所发现的规则数量的重要方法 .现有的项约束关联规则发现算法都基于 Apriori算法框架 ,在高密度数据库上的执行性能不佳 ,而且没有提出高效的约束条件检验方法 .在一种新型高效关联规则发现算法 FP- Growth的基础上 ,提出了一种全新的项约束关联规则发现算法 FPC.FPC算法利用 FP- Growth算法逐步生成高频项集的方式 ,构造了一种约束树数据结构 ,及时检查高频项集满足约束条件的情况 ,尽早删去不满足约束的条件 .实验证明 ,此算法执行效率比 Reorder等基于 Apriori的算法高一个数量级 .

基于小波理论的化学谱图数据自适应滤波方法研究

运用小波理论，利用噪声与真实信号小波变换极大模性态之间的显著差异，提出了一类新的化学谱图数据自适应滤波算法，从根本上突破了现有算法均依据信噪频率特性进行滤波的传统模式．经大量色谱谱图数据处理试验证明，这种算法具有无需设置初始参数，消除人为误差因素对分析计算结果的影响，信噪分离性能好及峰位和峰高保持不变等一系列优点，其鲁棒性。

基于分形理论的谱峰检测方法研究

在拓展分形维数概念的基础上 ,提出曲线的点盒维数定义 ,并以此构筑判峰算法 ,发展了一种新的谱峰检测理论及实现途径 .与现有谱峰检测技术相比 ,该算法具有判据阈值设定简单可靠、适应范围广、谱峰识别准确等显著特点 .实践表明 ,这种新的谱峰检测法能满意地用于色谱。

基于因果关系发现的关键化学组分辨识方法

由于传统的组分分离-测试方法效率低并难以发现组分间的协同关系,逐步回归等传统统计分析方法又不可靠.用因果关系发现算法发现了关键化学组分,针对组效关系数据多为高维小样本的特点,提出了一种新的关系发现算法,并用此算法成功辨识出一种中药材川芎的关键组分,证明了该方法的可行性.

基于逐步条件相关性分析的因果关系发现方法

从数据中发现与一个变量有直接因果关系的其它变量是一种非常有价值的技术.本文针对回归分析中的逐步回归算法和贝叶斯网络学习中的SGS算法、PC算法应用于变量选择的不足,提出了一种新的因果关系发现算法STEPCARD,并将其与STEPWISE算法和SGS算法进行了实验比较分析.实验表明,STEPCARD算法能够和SGS算法一样从初始自变量集合中找出与因变量有因果相邻关系的变量,而STEPWISE算法只能找出与因变量显著相关的变量,其次,当初始自变量集合较大,而最后输出的自变量集合较小时,STEPCARD算法的计算量比SGS算法的计算量小得多.而且,当初始自变量个数接近或大于事例个数时,SGS算法将无法应用,而STEPCARD算法依然可以得到可信的结果.