基于关联规则特征提取的心理大数据评估方法

针对传统的数据评估方法无法较好地提取数据关联规则特征,导致评估效果较差的问题,提出一种基于关联规则特征提取的心理大数据评估方法.采用相空间重构分析方法进行心理大数据信息采样,得到心理状态分布情况,提取心理大数据关联规则特征.根据关联规则提取结果,获取大数据的相空间分布,对心理大数据进行融合分析.结合约束参量分析方法,对融合后心理大数据的控制变量和解释变量进行分析,完成心理大数据评估.实验结果表明,所提方法的关联规则提取准确率较高,数据融合耗时较短,评估效率可高达90%,验证了所提方法的优势.

基于CNN的时序数据关联规则挖掘模型

传统的挖掘模型未能有效提取时序数据的特征,导致计算开销较大,挖掘准确率以及效率偏低。为此,研究结合卷积神经网络设计并组建一种新的时序数据关联规则挖掘模型。通过连续模板匹配技术分析时序数据的分布式数据结构,然后结合匹配相关检测技术对时序数据展开融合处理,通过频繁项检测提取其中的关联规则特征。对提取的关联规则通过CNN分类器进行属性划分,结合特征压缩方法对分类输出的时序数据进行降维处理,再利用模糊聚类算法构建时序数据关联规则挖掘模型。仿真结果表明:模型能够有效降低挖掘过程的计算开销,并提升了挖掘结果的准确率以及挖掘效率。

基于观点挖掘的产品特征提取

探索产品特征,以帮助生产商和服务商有针对性地改进产品性能和指导用户对产品的各个性能有比较全面的了解。通过分析产品信息和评论信息,搭建3层挖掘模型实现基于观点挖掘的产品特征提取,第3层挖掘模型创新性地使用关联规则和依存分析相结合的方法。采用网络爬虫技术从互联网获取实验数据,实验结果证明该模型和该方法的有效性。

基于改进Mask-R-CNN的电力施工安全智能监测算法

考虑到电力系统在施工过程中会受到外部环境因素的干扰,导致施工的安全性降低,为此提出基于改进Mask-R-CNN的电力施工安全智能监测算法。通过对电力施工的样本图像进行采集,建立一个图像数据库,计算当前施工模式下各种施工形式,判断电力施工安全模式,根据判断结果,采用改进Mask-R-CNN对施工状态特征分布检测,提取电力施工安全信息关联规则特征,在此基础上,构建电力施工安全监测采集模型,对采集的电力施工安全监测数据进行融合处理,并利用改进的Mask-R-CNN算法对融合后的数据进行估算,结合安全模式信息流的分布函数,对其进行区间划分,采用电力施工监测概率密度函数获取安全模式阈值,通过计算安全模式阈值来实现电力施工的安全智能监测。实验结果表明,该算法不仅可以提高电力施工安全的监测效果,还可以减少算法运行时的能耗,有效保证了电力施工的安全性。

对频集发现算法Apriori的研究

在分析已有关联规则和挖掘算法的基础上,对频集发现算法Apriori进行了研究,详细地论述了该算法的实现过程及所涉及的诸多问题,并对该算法的缺点及如何优化进行了较为深入的讨论.

基于改进Mask-R-CNN的电力施工安全智能监测算法

考虑到电力系统在施工过程中会受到外部环境因素的干扰,降低施工的安全性,为此提出基于改进Mask-RCNN的电力施工安全智能监测算法。通过采集电力施工的样本图像,建立图像数据库。计算当前施工模式下各种施工形式,判断电力施工安全模式,根据判断结果采用改进Mask-R-CNN对施工状态特征分布检测。提取电力施工安全信息关联规则特征,在此基础上构建电力施工安全监测采集模型,对采集的电力施工安全监测数据进行融合处理,并利用改进的Mask-R-CNN算法对融合后的数据进行估算,结合安全模式信息流的分布函数对其进行区间划分。采用电力施工监测概率密度函数获取安全模式阈值,通过计算安全模式阈值来实现电力施工的安全智能监测。实验结果表明,该算法不仅可以提高电力施工安全的监测效果,还可以减少算法运行时的能耗,有效保证了电力施工的安全性。