改进多重最小支持度关联规则算法在故障诊断中的应用

Apriori算法的前提是数据库中各项目的频率和重要性是相同或者相似的,但在故障诊断的实际应用中并非如此。在Apriori算法的基础上进行改进,利用多重最小支持度解决了设备故障诊断中非频繁项目的挖掘;同时针对在实际的应用中项目集的重要程度不一致的问题,提出一种基于"组件信誉值"的加权多重最小支持度算法,并通过实际的例子证明了该算法在故障诊断中的正确性和有效性。

多重最小支持度频繁项集挖掘算法研究

某些情况下提取关联规则挖掘时需要根据项目的特点设置不同的最小支持度,针对此问题进行了多重最小支持度的频繁项集挖掘算法研究。在FP-growth的基础上提出了多重最小支持度树(MS-tree)的新方法,并设计了MS-growth算法对MS-tree进行频繁模式集的挖掘。该算法只需扫描一次数据库,克服了MSapriori算法在生成关联规则时需要重新扫描数据库的缺点。实验表明,新算法的性能可以和FP-growth算法相比,而且可以处理多重最小支持度的问题。

基于树结构多重最小支持度的挖掘算法研究

传统的序列数据库中各数据项的最小支持度是单一的,且不能有效挖掘用户感兴趣的、稀有的数据项。为了有效提高数据挖掘的效率和准确率,文中基于PLWAP-tree提出了前序链接多重支持度树(Preorder Linked Multiple Supports tree,PLMS-tree)来存储序列数据库,并进一步提出了多重最小支持度条件模式增长(Multiple Support-Conditional Pattern growth,MSCP-growth)算法。算法采用对每个频繁数据项设置多重最小支持度的方法来减少空间和时间的开销。对于每个频繁数据项设置不同的支持度,来挖掘用户所需的数据序列,能有效提高数据挖掘的效率和准确率。实验结果验证了算法的有效性,对序列模式下的数据项目集挖掘的时间效率和空间效率有明显的提高。

应用模糊本体的广义关联规则挖掘算法

模糊集与本体结合的数据挖掘方法得到了广泛的关注。为了丰富数据挖掘效果以及数据挖掘得出的规则的完整性,本文在模糊本体的挖掘算法基础上,提出了模糊本体中叶子结点的相似度定义以及不同语义层次所含项目集的数目定义多重最小支持度,提出了基于模糊本体的广义关联规则算法。对比实验证明,基于模糊本体的广义关联规则算法的挖掘具有更强的可读性,获得的语义关联规则更加丰富,促进了在广义关联规则挖掘过程中使概念泛化更加合理,提高了算法效率。

改进模糊关联规则及其在故障诊断中的应用

关联规则挖掘能发现事务之间的潜在规则,在故障诊断中的应用有重要的研究价值。传统关联规则挖掘算法在数据离散化和支持度选取上都存在许多不足。文章在模糊关联规则挖掘算法的基础上重点研究了隶属度函数选取和最小支持度选取问题,提出一种改进模糊关联规则挖掘算法IFAR(an Improved Fuzzy Association Rules)。算法采用基于k-means聚类的自动确定隶属度函数参数方法,克服了传统硬划分方法带来的"边界过硬"问题,避免了人为划定边界的盲目性。算法在支持度选取上采用一种多重最小支持度的思想,在避免产生无意义短规则的同时有效发现有意义的长规则,提高挖掘结果的质量。最后通过旋转机械故障实验仿真证明了IFAR算法在故障诊断中的有效性和正确性。

基于gSpan改进算法的中医辨证论治模式挖掘研究

目的扩展经典的频繁子图挖掘算法以获得在中医学科中表现更好的数据挖掘效果,从而得出隐含在中医病案中的辨证论治模式。方法结合中医病案数据特征,扩展经典的图挖掘算法,对多个症状属性分别设置最小支持度阈值参数,再用扩展后的基于多重最小支持度的数据挖掘算法对数据集中蕴含的辨证论治模式进行挖掘。结果对3319条慢性阻塞性肺疾病(急性加重期)真实病案数据应用扩展的频繁子图挖掘算法,得到一系列该病相关的八纲辨证模式。与经典算法相比,扩展算法挖掘得到的辨证模式在模式维度和数量方面均明显提升。结论扩展后的频繁子图挖掘算法能够运用于中医辨证论治模式的挖掘,发现病案中隐含的辨证规律,且在模式完备性上具有比原始算法更好的效果。