改进的FUP算法在五金产品质量分析系统中的应用

以阀门作为五金产品质量数据分析的实例,对阀门产品质量数据进行分析,主要是分析阀门产品的缺陷数据。针对传统的增量式关联规则算法FUP没有考虑到数据的时间属性,在FUP算法的基础上提出一种改进算法,并且将改进的FUP算法运用到产品质量分析系统中。通过实验结果对比发现,使用了改进算法以后,原来的许多规则已经不在生成的规则列表中出现,而一些新的规则被生成了。

一种改进的关联规则增量式更新算法

针对增量式更新关联规则算法FUP会产生大量候选项集和多次扫描数据库的问题,提出改进算法PFUP。该算法借鉴强频繁项集概念,利用强频繁项集连接生成小数量的候选项集,采用预剪枝策略减少对数据库的扫描次数。仿真实验表明,在数据库和支持度相同的情况下,PFUP算法的执行时间比FUP算法减少了50%左右。

一种新的关联规则的增量式更新算法

讨论了关联规则的增量更新问题。以往或现有的对关联规则的增量式更新算法,大部分以IUA算法为基础,本文则是以FUP算法为基础,首先分析FUP算法,并给出其基本思想,然后指出其存在的优点与缺点,并提出了一种改进的关联规则增量更新算法NFUP。

一种高效的关联规则增量更新算法

对挖掘关联规则中FUP算法的关键思想以及性能进行了研究,提出了改进的FUP算法 SFUP。该算法充分利用原有挖掘结果中候选频繁项集的支持数,能有效减少对数据库的重复扫描次 数,并通过实验对这两种算法进行比较,结果充分说明了SFUP算法的效率要明显优于FUP算法。

关联规则挖掘在电子病历分析中的应用研究

针对甲状腺电子病历数据量大、更新速度快的特点,提出了一种挖掘有效关联规则的技术.该技术运用区间归并法与特征区间法相结合的离散化方法对病历中的数据进行预处理;在规则生成的核心算法中,提出了优化的增量更新FUP算法,算法通过对新旧数据库设定不同的支持度得到病历各属性间的关联规则.实验验证了改进算法的有效性,挖掘结果对了解疾病的诊断、治疗、发展规律有重要价值,对医学研究有重要意义.

兴趣度在增量的关联规则挖掘中的研究

一般的关联规则发现算法使用的都是支持度、置信度框架。但是在增量的数据挖掘过程中,该类算法却需要不断改变支持度、置信度,使得算法本身效率下降,并缺乏可说服性,比如Apriori算法。为了解决该类问题,使用兴趣度框架对增量的数据进行了关联规则挖掘,比较了基于支持度、置信度框架的算法(如Apriori,FUP算法)和基于兴趣度的算法之间的优缺点。试验结果表明:兴趣度能够有效地筛选关联规则,在进行增量的数据挖掘的情况下得到的关联规则总是小于等于支持度、置信度(Apriori)算法挖掘出的规则。

一种优化的关联规则增量更新算法

针对PFUP算法存在扫描多次数据库这个瓶颈问题,提出一种优化的关联规则增量更新算法MIFUP(Mixed Improve Fast Updating)。该算法提出了两种优化策略:借鉴事务压缩原理和用数组存放一阶非频繁项集个数。实验仿真说明,MIFUP算法效率明显优于PFUP算法。

一种改进的增量关联规则算法

针对增量式更新关联规则算法FUP会产生大量候选项集和多次扫描数据库的问题,提出改进算法NFUP。该算法通过新旧数据库频繁项集间的关系得出所有频繁项集,尽可能利用已有的挖掘结果来生成较少的候选项目集并较少次数地扫描数据库。仿真实验表明,NFUP算法的执行时间比FUP算法减少了不少。