基于压缩矩阵方式的Apriori改进算法

针对关联规则中Apriori算法的不足之处,提出两种基于压缩矩阵方式的Apriori改进算法,改进算法充分利用矩阵并对其进行压缩,以大幅度减少扫描数据库的次数,并提高频繁项集的生成效率,从而有效提升算法的运算效率,同时,.,通过实例应用和算法性能兮析证明所提出的两种改进算法部是有效的关联规则挖掘方法。且比Apri算法具有最好的性能.

一种基于压缩矩阵的Apriori算法改进研究

针对已有基于矩阵的Apriori算法存在的问题,提出了一种改进的基于压缩矩阵的Apriori算法。算法进行了以下方面的改进:增加了两个数组,分别用于记录矩阵行与列中1的个数,使得算法在压缩矩阵时减少了扫描矩阵的次数;在压缩矩阵中,通过增加删除不能连接的项集和非频繁的项集的操作,使得矩阵压缩得更小,提高了空间效率;改变了删除事务列的条件和算法结束的条件,以减少挖掘结果的误差和算法循环的次数。算法性能分析和实验分析证明,改进后的算法能有效地挖掘频繁项集,并且比现有的算法具有更高的计算效率。

一种基于MapReduce的压缩矩阵关联规则挖掘算法

提出一种基于MapReduce的压缩矩阵关联规则挖掘算法FMA_Mining。该算法将数据库映射为布尔矩阵,在矩阵映射过程中引入Flag标识,对于连续出现的项用Flag标识标明,简化矩阵元素的读取和列向量运算。针对大数据应用中事务和项目规模较大的情况,算法引入了矩阵分割和并行化处理思想。在Hadoop平台采用Web Docs数据集对算法性能进行测试,从理论分析和实验结果两方面证明了FMA_Mining算法的有效性。

一种基于压缩矩阵的高效关联规则挖掘算法

论文针对改进后的关联规则挖掘算法--基于矩阵的Apriori算法所存在的不足,在此算法的基础上对其进行了进一步的改进,给出了一种基于压缩矩阵的高效关联规则挖掘方法CMEAR算法。该方法通过对矩阵的压缩,改进矩阵的存储方式及对项目集进行排序等多种方式实现关联规则的挖掘。最后通过实验将该方法与传统Apriori算法以及基于矩阵的Apriori算法进行了对比分析,实验结果表明基于压缩矩阵的高效关联规则挖掘方法使算法在时间性能上有很大的提高。

基于信息压缩矩阵交替变换的分数阶系统结构、阶次与参数的同时辨识方法

在愈来愈被关注的分数阶控制研究中,分数阶系统辨识的理论与方法是一个重要方向.目前相关研究极少涉及分数阶系统的结构和阶次辨识.首先讨论了分数阶线性SISO系统辨识的有色噪声模型,然后构造了具有"移位性质"的信息向量和信息压缩矩阵,并给出了信息压缩矩阵分解变换的理论分析及其证明;在此基础上,提出了一种利用信息压缩矩阵交替变换提取相关信息的算法,论述了最优估计模型结构与阶次的判定准则,从而同时辨识分数阶系统时域模型的结构、阶次与参数;仿真研究表明,本文方法能够获得满意的辨识结果,具有良好的抑制噪声干扰能力;不仅能够准确地辨识系统模型的结构与阶次,而且能够辨识噪声模型的结构与阶次.

基于信息压缩矩阵算法的增量式规则挖掘

在信息等价矩阵的基础上利用粗集理论扩展了矩阵算法,设计了相对核和相对约简以及规则获取算法,提出了增量式规则挖掘的信息压缩矩阵算法。实现了在原有规则集的基础上进行规则和规则参数的增量更新,避免了重复遍历信息向量,降低了算法的时、空复杂度。用实例证明该算法是可靠有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。

基于压缩矩阵Apriori算法的高校学生成绩相关性分析研究

针对高校学生成绩数据库的特点,采用基于压缩矩阵的Apriori算法来分析学生各学科成绩之间的相关性。该算法可以使矩阵更小,并减少扫描数据库和压缩矩阵的次数。通过分析学生各学科成绩的关联,找出有意义的关联规则,可以为教师进行教学活动及教学管理人员制定教学计划、进行教学管理等提供参考。

关于两类特殊压缩矩阵的性质

目的研究双随机矩阵的相关性质和部分等距矩阵的等价刻画。方法通过双随机矩阵的置换分解、压缩矩阵的Schur分解及矩阵Hartwig-Spindelbock分解进行研究。结果在特定条件下,获得双随机矩阵的若干性质和部分等距矩阵的进一步等价刻画。结论方便今后对于特殊矩阵、矩阵平行和、矩阵偏序及矩阵格的进一步研究。

基于MapReduce的分块压缩矩阵Apriori的并行化研究

针对经典的Apriori算法需要多次扫描数据库,不适合大规模数据这个问题,提出了一种改进的Apriori算法.该算法采用布尔向量关系运算思想,将事务数据库扫描后转化成压缩矩阵,在MapReduce框架下将压缩矩阵进行分块,每块分别被做并列式处理.利用分压缩矩阵快速计算所有的候选项集,从中产生频繁K-项集,降低了Apriori算法的时间复杂度.

Schur补和压缩矩阵

利用压缩矩阵和Schur补建立了若干矩阵等式、矩阵不等式和行列式不等式,推广了相应的结果.

利用压缩矩阵刻画矩阵性质

利用压缩矩阵的Schur标准分解,给出了压缩矩阵与正交投影、EP矩阵的关系;利用薄奇异值分解,通过压缩矩阵的特性给出若干特殊矩阵等价的刻画。

一种基于压缩矩阵的关联规则挖掘算法

针对在关联规则中的Apriori算法进行了深入研究的基础上,提出了一种基于压缩矩阵的关联规则挖掘算法(CMApriori算法)。该算法只需扫描一次数据库,在矩阵上采用事务压缩和项目压缩技术,节省了数据占用的内存空间。在对建立好的压缩矩阵上只需进行简单的计数运算即可得到频繁项集。仿真实验证明:该算法与Apriori算法相比,运算效率大大提高。

一种基于矩阵压缩的Apriori优化算法

挖掘关联规则是数据挖掘中一个重要的课题,产生频繁项集是其中的一个关键步骤。文章提出了一种基于矩阵压缩的Apriori优化算法,并将该算法与Apriori算法进行了比较。实验表明与Apriori算法相比,新算法的效率较好。

矩阵压缩Apriori算法分析

Apriori算法在处理较大的数据集时存在着不足:1)会产生数量庞大的候选项集,对算法运算时间和主存空间来说挑战巨大;2)多次扫描事务数据库会产生巨大的I/O负载。针对上述问题,提出了基于聚类和矩阵压缩的Apriori算法——KCCM算法。首先,通过K-means算法对大型数据集进行预处理,将其划分为若干个较小的数据集,并给出了合理性分析和证明;然后,将各个小数据集转化为布尔矩阵的形式,通过矩阵压缩的运算方式进行关联规则挖掘;最后,通过Matlab软件对算法进行了多组实验仿真,分别对Apriori算法和KCCM算法从运算时间、运行结果上进行了分析对比,实验结果表明,相比Apriori算法,KCCM算法的运行效率提高了近46.1%。

一种基于压缩矩阵的改进Apriori算法

针对Apriori算法需要频繁扫描事务数据库并且会产生大量候选项集的不足,提出一种改进的Apriori算法。采用矩阵压缩的思想,增加了3个向量,分别表示事务矩阵中各行各列1的个数,即事务项目数和项目支持数,以及重复的事务出现次数,从而减小矩阵规模,避免多次扫描数据库。在矩阵运算过程中,对矩阵中事务项目数和项目支持数进行排序并删除不满足条件的项集和非频繁项集,形成新的矩阵结构,提高空间效率。对改进后的算法进行性能分析和试验分析发现,该算法相对于Apriori算法具有更高的效率,同时可以更有效的挖掘出频繁项集。

基于矩阵压缩的Apriori改进算法

针对机坪地面空调工况监测网络采集的数据量冗余引起的数据处理效率低的问题,提出一种基于矩阵压缩的Apriori改进算法。修改后Apriori算法改进Apriori拥有大量候选集和频繁扫描事务库低效问题,对构造矩阵里行和列中1的个数进行累加求和,对其和进行排序并删掉非频繁的向量,形成新的矩阵,对新矩阵依次进行累加、排序和删除,直到求出所有频繁项集。对改进算法进行性能分析并验证其有效性。

基于0-1属性矩阵的矩阵压缩存贮方法研究

在矩阵压缩存贮中引入0-1属性矩阵的概念,并在0-1矩阵的基础上给出了利用一维动态数组以及二维动态数组和一维动态数组混合存贮稀疏矩阵的寻址公式,该存贮方法为快速有效的存贮方法,节约了内存空间。

马尔可夫预测模型中转移概率矩阵的压缩与应用

Markov预测模型是Web预取与个性化推荐技术的基础。大量Web对象的存在使得用户浏览转移状态激增,导致预测模型出现了巨大的空间复杂度问题。基于网站链接结构(WLS),针对Markov预测模型中的转移概率矩阵,提出一种基于行相似与列相似的相似度度量方法。首先计算出相似矩阵,然后利用行相似、列相似获得相似页面并压缩在一起,减小了Markov模型中的状态个数。实验表明,该模型具有较好的整体性能和压缩效果,在预取效率方面能够保持较高的预测准确率和查全率。

快速小波边界元的矩阵后压缩方法

介绍了一种基于传统边界元单元划分的小波Galerkin边界元法,该方法具有几乎线性(即O N,N为自由度)的求解复杂度。在准消失矩小波的框架下介绍了非标准型系数矩阵的压缩问题,提出了一种后压缩算法以降低小波边界元法的内存消耗。求解Stokes方程的算例表明,后压缩算法在保证结果收敛特性的情况下可以将系数矩阵的内存占用量降低5倍以上。

基于矩阵压缩的加权关联规则挖掘算法

关联规则挖掘作为近年来的研究热点之一,其经典算法Apriori算法因需要多次扫描数据库且会产生大量候选项集,严重影响了关联规则的挖掘效率。在此基础上提出了一种基于矩阵压缩的加权关联规则挖掘算法,只需扫描一次数据库,并将其转换为0-1矩阵,根据相关性质对矩阵进行压缩,从而降低了算法执行过程中的计算量;同时,考虑到项目的重要性,采取加权的方法,用求概率的方式设置项目属性的权值,同Apriori算法相比,本算法在挖掘过程中能直接查找高阶频繁项集。实验结果表明,本算法能有效提高关联规则的挖掘效率。