基于关联规则的互联网医疗服务平台在肿瘤患者诊疗管理中的应用

目的探讨基于FP-Growth算法的有效强关联规则分析在肿瘤患者诊疗管理中的应用。方法在现有互联网医疗服务平台和电子病历系统基础上增加FP-Growth算法功能,通过FP-Growth算法挖掘2017年12月-2021年12月样本医院肿瘤放射治疗中心2075例患者和其中高危群体患者基线资料间的有效强关联规则,并将之用于肿瘤放射治疗中心。结果FP-Growth算法共反馈有效强关联规则15条,其中全部患者10条、高危群体患者5条,根据反馈结果调整了肿瘤放射治疗中心患者的治疗方案。结论增加了FP-Growth算法功能的互联网医疗服务平台具有临床应用价值。

基于潜在数据挖掘的小样本数据库对抗攻击防御算法

为了降低小样本数据库欺骗率,提升小样本数据库的攻击防御效果,设计了一种基于潜在数据挖掘的小样本数据库对抗攻击的防御算法(潜在数据挖掘的防御算法).采用改进的Apriori算法,通过频繁属性值集的工作过程获取准确的强关联规则优势,并从小样本数据库中挖掘潜在数据对抗攻击,同时优化候选集寻找频繁集的过程,然后利用关联分析检测对抗攻击,并通过可信度调度控制访问速率来防止产生恶意会话,实现小样本数据库对抗攻击防御.实验结果表明,潜在数据挖掘的防御算法可有效防御小样本数据库遭受的多种类型攻击,降低攻击产生的数据库欺骗率,保障小样本数据库服务器利用率的稳定性.

基于Apriori的离心式压缩机故障影响因素分析

离心式压缩机随着在役数量和服役年数的增加,故障率也逐渐上升,利用数据挖掘等方法可以建立压缩机故障模型,有效降低压缩机的故障率。文章利用5M1E分析法对某管线离心式压缩机的故障记录进行分析处理,再通过Apriori算法筛选压缩机故障的影响因素,定量分析出各影响因素间的关联规则,发现了压缩机元件老化程度和压缩机元件性能下降程度这两条强关联规则,为后续压缩机管理提供科学参考。

基于关联规则和拓扑序列的分类器链方法

在分类器链方法中,如何确定标签学习次序至关重要,为此,提出一种基于关联规则和拓扑序列的分类器链方法 (TSECC).首先结合频繁模式设计了一种基于强关联规则的标签依赖度量策略;接下来通过标签间依赖关系构建有向无环图,对图中所有顶点进行拓扑排序;最后将得到的拓扑序列作为分类器链方法中标签的学习次序,对每个标签的分类器依次迭代更新.特别地,为减少无标签依赖或标签依赖度较低的“孤独”标签对其余标签预测性能的影响,将“孤独”标签排在拓扑序列之外,利用二元关联模型训练.在多种公共多标签数据集上的实验结果表明, TSECC能够有效提升分类性能.

基于广义离散Morse理论的强关联规则挖掘

针对强关联规则的挖掘问题,提出构造事务数据库的单元复形,利用广义离散Morse理论发现强关联规则的方法。在基本的离散Morse理论和关联规则的基础上延伸得到广义离散Morse理论和强关联规则的定义,通过在事务数据库的单元复形上定义离散Morse函数挖掘强关联规则,例证表明该方法的可行性和高效性。

基于Apriori算法的高血压电子病历研究

采用SQL技术对电子病历数据进行预处理,将高血压患者按照性别以65岁为界,分为<65岁男、<65岁女、≥65岁男、≥65岁女4组。运用Apriori算法研究检查检验结果与用药之间的关联规则,挖掘出29条强关联规则,对制定高血压临床诊疗方案提供参考依据。

用关联分析技术识别不良信息特征项的新方法

不良信息特征项的挖掘精度制约着不良信息鉴别与过滤的效果。文章从数据挖掘的角度对不良信息特征项的识别进行研究,提出了一种自动高效地挖掘文档潜在特征项的新方法:首先对文档进行必要的预处理,包括自动分词、无用项过滤、项标引以及项的分箱操作等,然后利用数据挖掘中的关联分析技术识别文档中的特征项。试验结果验证了该方法的可行性。

一种改进的数据挖掘算法

针对Apriori算法的存在产生大量的候选频繁集合的缺点,本文提出了基于加权代价敏感的非频过滤矩阵Apriori算法,通过在FP-tree算法的基础上构造的决策树对应的数据进行代价敏感学习;设定不同的数据的权值,设定加权置信度;非频集过滤矩阵寻找频集,生成强关联规则;构成非频集过滤Apriori算法对应的初始矩阵;构建代价敏感的非频集过滤矩阵等措施提高了算法的挖掘效果。

海洋多要素长时间序列的motif规则树构建方法研究

对海洋数据进行挖掘能够有效地预测海洋灾害事件。海洋监测数据具有时序长、间隔短、多要素间强关联的特点,对长时间序列进行直接分析挖掘速度慢、效率低,现有方法大多采用符号化时间序列方法,但可能导致部分信息丢失且破坏要素间的关联性。本文定义了时间序列motif,用于发现时间序列中重复出现的,先前未知的局部信息,解决了符号化导致的信息丢失的问题,实现了时间序列motif的精确快速提取。通过构建motif规则树,实现了海洋多要素时间序列间强关联规则的挖掘。最后,给出关联规则评价参数,同随机游走数据对比后,证明了本文方法的有效性。

数据挖掘中关联规则算法的研究

数据挖掘是一个新兴的领域,在短短几年内得到了迅速的发展。关联规则算法是数据挖掘技术中最活跃的算法之一。该文从关联规则算法的原理入手,对关联规则的各种算法进行了深入研究,并总结得出了强关联规则生成的步骤方法。

以互信息为度量的一种规则可视化

概念格是一种有效的知识表示和知识发现的工具,已被成功应用于许多领域,然而在建格上大多是利用最小支持度以及置信度来进行约简操作,同时利用置信度来进行规则提取。提出以信息论的互信息来构造具有强关联规则的Hasse图,并利用互信息进行规则提取。

近似频繁集合强亲密关联性的矩阵挖掘方法

根据经典关联规则数据挖掘理论,讨论在给定事务中挖掘出具有强亲密关联性的强频繁集合,该集合是整体关联性最强的集合。首先用FP-Growth Tree算法挖掘出频繁集合,然后对支持度近似频繁集通过矩阵方法计算出复合置信度并得出强频繁集合。通过实例挖掘,对强频繁集合产生的强关联规则进行比较并做出最优选择。

一种双向关联规则提取算法

针对互为"前件"和"后件"的单向关联规则中发现的有趣现象,提出双向关联规则的概念,对"置信度"进行了重新的定义和分类,并在分析的基础上,提出一种双向关联规则的挖掘算法。

基于子规则的关联规则生成算法

关联规则是数据挖掘中重要的课题之一。传统的由频繁项目集产生关联规则的 方法由于要考虑频繁项目集的每一个非空真子集，当频繁项目集的长度较长时代价较大。文 中提出用K项子频繁项目集导出关联规则以后得到的有用信息以指导K+1项父频繁项目集产生 强关联规则，由于利用了前面已有的有用信息，当频繁模式长度很长时，或者可信度较高时 ，效率尤其显著。

2010-2018年煤矿瓦斯事故时空耦合关联分析

为系统分析2010-2018年国内煤矿瓦斯事故的时空耦合规律,从时间、空间、瓦斯类型、事故类型等维度对近9年国内煤矿发生的瓦斯事故进行时空分析,发现在11:00-12:00时发生的瓦斯事故最多,在掘进工作面发生瓦斯事故的比率最高,煤与瓦斯突出煤矿最易发生瓦斯事故,瓦斯爆炸事故在所有事故数量中比重最大。对事故相关信息进行编码,采用Apriori算法从瓦斯事故的众多关联规则中发现强关联规则,即要重点预防低瓦斯煤矿在12月的掘进工作面因违章放炮引发的瓦斯爆炸事故。

基于事故报告挖掘的矿工不安全行为管控

人因是诱发煤矿事故的重要致因,为研究人因事故中的规律性,并提高人因治理的针对性;采用文本数据挖掘的方法,依照事故诱发机制,对事故报告文本数据进行WordCloud-LDA分析,构建了煤矿事故人因因素体系;在此基础上,生成煤矿事故人因矩阵集,并对人因矩阵集进行关联分析,得出人因因素与一般事故、顶板事故间的强关联规则。结果表明:事故报告挖掘下煤矿人因关联规则研究可以得出人因因素间趋势性的结论,为人因管控决策提供依据和基础。

基于关联规则的矿工不安全行为分析

为系统分析矿工的不安全行为背后的致因构成,基于行为致因的复杂性,研究不安全行为在时间、地点、行为分类、部门、岗位和违章程度多个维度的分布特征,采用Apriori算法原理从矿工不安全行为的众多关联规则中发现强关联规则。结果显示:在早、中、晚3个班次中,早班期间矿工产生的不安全行为最多;在车场产生不安全行为的比率最高;在26种不安全行为中,未正确佩戴安全作业装备最容易发生;在9个专业部门中,综掘队的不安全行为数量占比最大;普通矿工的不安全行为最多;大多数不安全行为的违章程度为一般;此外,要重点防治普通矿工在早班发生的一般违章程度的不安全行为,加强车场或上下顺槽的安检力度,严格控制未正确佩戴安全作业装备这一不安全行为。

基于C-D的关联规则兴趣度挖掘算法

传统的关联规则算法是针对关联关系计算它们的支持度和置信度来判断它们的关联程度,看它们之间是否具有很好的兴趣度。这里给出一种新的计算关联规则兴趣度的方法——基于坐标的距离关联规则兴趣度挖掘方法。此方法是一种基于坐标的关联规则度量方法,利用关联规则在坐标中的位置和坐标中关联规则的极限位置,根据距离的大小度量兴趣度大小。算法采用SQL SERVER作为存放数据库,以VC++作为开发环境,对新兴趣度进行测试,验证了算法的正确性。

基于Apriori算法的课程内容关联分析及教学策略改进

挖掘学习数据并对教学策略进行正向反馈已成为改进教学质量的重要手段。基于Apriori算法对计算机网络基础课程教学中学生学习数据进行挖掘和分析,生成课程教学内容之间的强关联规则。通过对这些生成规则的分析,找出影响学生成绩的难点教学内容,从而帮助教师利用这些反馈信息进行有针对性的教学策略改进。

基于数据挖掘地域性强关联规则数据提取

针对数据提取方法无法进行海量挖掘,且挖掘结果不准确,挖掘时间较长的问题,提出一种基于数据挖掘算法的地域性强关联规则数据提取方法。结合地域性强关联规则数据管理系统,采集用户需求信息,检索特征关联性,收集地域特征。利用数据关联度,分析地域检索中地域特征间的关联,计算相似标签信息参数,并对支持度和置信度实施计算,从地域性强关联规则数据库中挖掘关联规则。利用Kulczynski量度和不平衡率实施相关性分析和过滤,最终获取到具有实际意义的强关联规则。实验结果表明,该方法挖掘效率较高,且具有广泛的应用价值。