关联规则挖掘中几个兴趣度量的值域研究

本文旨在研究关联规则挖掘中的各种兴趣度量的值域问题。首先,详细介绍了关联规则挖掘过程中涉及的定义和支持度、置信度、确信度、提升度和Laplace测度这五种兴趣度量的定义,并通过具体例子对这些度量进行了说明和解释。然后,深入探讨了这五种兴趣度量的值域,并给出了其在数据库大小有限和接近无穷两种情况下的值域情况。此外,本文还对这些兴趣度量值域的区间端点的取值进行了细致讨论,指出了与其他研究结果的区别及其原因,并给出了严谨的数学证明和对比分析,为关联规则挖掘提供了更全面和准确的度量工具。

基于序列的程序语义规则挖掘与违规检测方法

在软件开发中,违反语义规则的源码可以正常地编译或运行,但却存在性能或功能上的缺陷。因此,如何准确地检测此类缺陷成为了一项挑战。已有的研究通常采用基于项集的规则挖掘与检测方法,但由于未能良好地结合源码的顺序信息与控制流信息,此类方法在检测能力以及准确率上都存在较大的提升空间。针对该问题,提出了一种基于序列的程序语义规则提取与违规检测方法SPUME。该方法将程序源码转化为中间表示序列,使用序列规则挖掘算法从中提取语义规则,并基于语义规则对源码中的缺陷进行检测。为验证SPUME的有效性,文中将其与3种基线方法进行了对比,包括PR-Miner,Tikanga以及Bugram。实验结果表明,相较于基于无序项集进行规则挖掘的PR-Miner,以及结合了图模型的Tikanga,SPUME在检测效果、检测速度以及准确率上都有显著提升。相比基于Ngram语言模型的Bugram方法,SPUME在准确率与其相当的情况下,高效地检测出了更多程序缺陷。

动员需求关联规则挖掘模型

关联规则挖掘是一种成熟的基于规则的数据挖掘算法,已广泛用于发掘数据中感兴趣的关联关系。提出了一种动员需求关联规则模型,并描述了规则挖掘算法实现原理及评价方法。动员需求关联规则模型既可用于辅助快速提报动员需求,又可作为动员需求评估的辅助手段,从而为相关信息系统构建提供参考。

面向客户个性化产品配置的关联规则挖掘研究

针对个性化产品配置中难以获取隐性配置知识等问题,提出了基于关联规则挖掘方法来获取产品配置规则的方法,从而便于在配置过程中对客户进行个性化的推荐。基于产品配置的历史销售数据,应用基于双层遗传算法来实现了关联规则挖掘算法,并设计了遗传算法的编码表示和算子操作。最后,以平板电脑的客户配置案例为例,举例说明了所提出方法的有效性。实验表明,与经典的Apriori算法相比,所提出的方法能够自适应地获得规则支持度和置信度的阈值,避免了Apriori人为设置阈值所带来的不足之处,从而能够适用于大数据环境下产品的个性化推荐。

基于FP-Growth算法的MES系统生产关联规则挖掘技术研究

制造执行系统(MES)产生的海量生产数据蕴含着知识性规律,挖掘这些数据对企业优化生产管理、提升产品质量、降低运营成本具有重要意义。研究分析了MES系统的架构特点和关键功能模块,介绍了FP-Growth算法的基本原理,设计了将算法应用于MES系统的过程,包括频繁项集生成、关联规则生成等关键步骤,从FP-Tree构建、投影压缩、并行化等方面对FP-Growth算法进行了优化,设计并执行基于生产数据量级的加压测试方案。

改进粒计算算法下时序数据关联规则挖掘仿真

挖掘数据的关联规则有利于提高数据的利用率,时序数据通常包含大量的时间序列和多个特征,在挖掘过程中受噪声的干扰,导致挖掘精度下降。为了解决这一问题,提出基于改进粒计算的时序数据关联规则挖掘模型。采用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法对时序数据分解,对分解后获得的数据分量滤波,通过数据重构获得去噪后的时序数据;根据CerFac模型通过自底向上的方式对时序数据展开属性约简;采用改进粒计算的方式在属性约简后的时序数据中挖掘关联规则。实验结果表明,所提方法可有效消除时序数据中存在的噪声,高精度的实现时序数据的属性简约处理,且挖掘时间保持在1.5ms内,表明所提方法的挖掘效率高。

一种基于关联规则挖掘的配电终端单元故障分析方法

随着配电网的发展,大量配电终端单元(DTU)应用于电力系统。DTU故障会对电力系统的安全稳定运行构成威胁,因此降低DTU装置的故障发生率、提高故障排除效率具有重要意义。本文提出一种基于关联规则挖掘算法的DTU故障分析方法,首先分析DTU故障的关键因素,然后阐述Eclat算法的相关概念,并利用不同规模的DTU故障数据库对Eclat算法与FP-Growth和Apriori算法的性能进行比较,得到一种基于Eclat算法的DTU故障分析方法。利用真实的DTU故障数据库进行实验,验证了所提方法的有效性。最后,给出所提方法的应用实例,证明了其实用性。

基于聚类规则挖掘的思政教育教学素材整合系统设计

传统思政教育教学素材整合系统技术陈旧,整合效率低。为此,研究基于聚类规则挖掘的新系统。设计系统硬件,明确所需设备。软件部分包括建立素材库、数字化处理、聚类分类和动态扩展整合。测试表明,新系统在大量素材时能显著提高处理效率,有效整合教学资源。

基于关联规则挖掘的多学科知识融合研究——以新冠肺炎研究领域为例

[目的/意义]挖掘高强度关联学科,揭示多学科知识融合规律,有助于更好地把握和推动多学科知识融合。[方法/过程]从Web of Science核心集获取新冠肺炎主题论文,采用Apriori算法挖掘参考文献所属学科的频繁项集和强关联规则,揭示知识融合特征。以一项强关联规则为例,结合关键词聚类分析,识别该学科组合在知识融合后形成的热门主题。[结果/结论]新冠肺炎研究的知识来源非常广泛,跨学科知识融合十分普遍,关联规则挖掘提供了一种识别和预测强关联学科组合及其知识融合趋势的新方案。

基于Apriori算法的大学生体测项目关联规则挖掘

大学生身体素质是力量、速度、耐力、柔韧和灵敏的综合表现,为了测量大学生的身体素质情况并分析改善大学生的身体素质,本文分别测量了大学生中男生的各项指标(引体向上、50 m、1000 m、坐位体前屈和跳远)和女生的各项指标(一分钟仰卧起坐、50 m、800 m、坐位体前屈和跳远)。本文使用Apriori算法分别做了3组实验,即在最小支持度为50%和最小置信度为70%,最小支持度为60%和最小置信度为70%,最小支持度为70%和最小置信度为70%的前提下对某大学近5年的男生和女生的各项指标进行关联规则挖掘。实验结果表明:体重正常的学生每项体测分别及格的最小置信度都为70%以上,在所有关联项结果中最高的最小置信度为肺活量及格与体重正常的最小置信度为87.7%,而体重异常的学生体测分别及格的最小置信度都不大于70%。在所有关联项结果中身高与各项体测之间的最小置信度差异不明显。这验证了Apriori算法在大学生身体素质关联规则挖掘中发挥着重要的作用,利用挖掘出来的频繁项集,能够很好地辅助各大高校改善大学生的身体素质。

独立概率完全加权关联规则的并行挖掘算法

关联规则挖掘主要用于发现隐藏在数据中的知识。加权关联规则挖掘能更有效地挖掘出项目重要性不同的规则。针对人工赋权的方法存在一定的主观随意性,没有充分利用数据本身特征且串行算法无法处理大数据集的问题。提出了独立概率完全加权关联规则的并行挖掘算法,该算法以项在当前数据集中出现概率为依据进行完全加权模型构建,以挖掘出更多用户所期待的关联规则。采用前缀划分、位图存储等技术分别解决加权频繁项集筛选、候选加权频繁项集生成所造成时间代价高的问题。引入分布式并行计算思想,并在Spark框架下编程实现,使算法可以在大数据环境下对加权关联规则进行高效挖掘。利用数值实例对该模型和算法进行了验证,结果表明此算法可在保证算法时间效率优越的同时获得更多隐藏信息。

基于关联规则挖掘的电炉电能计量装置异常诊断系统

现有电炉电能计量装置异常诊断系统的数据处理方式比较有限,只能根据预设规则进行简单的故障判断,未利用机器学习等先进技术对大量数据进行分析和挖掘,难以发现潜在的异常模式和规律,导致诊断精度较低。为此,设计基于关联规则挖掘的电炉电能计量装置异常诊断系统。首先,设计系统功能模块,其中包括主控模块、远程通信模块和数据管理模块;然后,建立系统知识库,并在知识库内通过关联规则挖掘技术挖掘电炉电能计量装置异常数据;最后,将上述挖掘到的异常数据输入到卷积神经网络模型中,通过学习和训练完成电炉电能计量装置异常诊断,并输出异常诊断结果。实验结果表明,所设计系统的电炉电能计量装置异常诊断准确率较高,具有一定的技术水平与实用性。

不平衡数据集中少数类关联规则挖掘的研究与应用

本文提出了一种基于加权支持度的关联规则挖掘算法,并在不平衡的数据集上进行了实验验证。实验结果表明,本文提出的算法能够有效地挖掘出类别不平衡数据集中的少数类关联规则,并且相比于传统的关联规则挖掘算法,具有更好的性能。本文将该算法应用于某银行信用卡欺诈检测数据集中,结果表明该算法能够有效地挖掘出少数类的关联规则,与传统的关联规则挖掘算法相比,具有更好的性能。该算法可用于提高信用卡欺诈检测的准确率和效率,为金融领域的数据分析提供一定的参考价值。总之,本文的研究对于解决类别不平衡数据集中少数类关联规则挖掘的问题具有一定的理论和实践意义,为数据挖掘领域的相关研究提供了一定的参考价值。

面向知识图谱的规则挖掘研究综述

面向知识图谱的规则挖掘是从知识图谱中抽取出隐含的规则知识,应用于知识图谱补全、去噪、数据解释等问题,具有准确度高、可解释性强的优势。综述近年来知识图谱领域规则挖掘方法的最新研究进展,详细介绍了基于路径遍历、频繁项集和表示学习的规则挖掘方法,分析各类不同方法的特点、性能和存在问题,同时对规则的质量评估函数进行归纳总结,并探讨和展望了该领域未来的研究方向和前景。

宁夏基层医疗机构就诊选择人群特征研究——基于关联规则挖掘分析

目的:研究宁夏选择基层医疗机构就诊的人群特征,对提升基层就诊率提出思考建议。方法:以1171位城乡居民为研究对象,针对基层就诊人群特征进行单因素分析和关联规则挖掘分析。结果:单因素分析显示,基层就诊人群的显著性变量包括个体特征因素(7个)、健康需要因素(4个)、医疗机构因素(12个)和政策认知因素(6个);关联规则挖掘分析提示,有配偶、初中及以下学历、关注就医距离近、偏好候诊时间短的人群更倾向于选择基层医疗机构就诊,其支持度为20.15%,置信度为88.14%。结论:加大相关政策宣传力度,提高基层医疗机构的诊疗水平和服务能力,有效引导居民基层就诊,从而提高基层就诊率。

基于特征选择和模糊类支持度的模糊分类关联规则挖掘算法

模糊分类关联规则(Fuzzy Classification Association Rules,FCAR)是一种特殊的模糊关联规则,挖掘FCAR对于构建基于规则的分类模型至关重要。传统关联规则挖掘算法挖掘FCAR时可能会包含较多冗余规则,并且在数据集类别不平衡时,挖掘到的小类规则的数量会急剧减少甚至降为0。为解决上述问题,提出了一种基于特征选择和模糊类支持度-模糊提升度框架(Fuzzy Category Support-Fuzzy Lift Framework,FCS-FLF)的FCAR挖掘算法FSFCS Based FCARMiner(Feature Selection and Fuzzy Category Support-Fuzzy Lift Framework Based FCAR-Miner),基于模糊隶属度矩阵迭代挖掘FCAR。在多个类别不平衡的数据集上的实验结果表明,相比其他算法FSFCS Based FCAR-Miner算法能够避免大量冗余规则的生成,同时也能适应数据类别不平衡的情况,不会出现各类规则数量相差悬殊的情况。

异构物联网中关联数据一致性规则挖掘模型

数据一致性规则属于数据质量管理的核心规则。因此,以高效、准确挖掘为目的,研究了面向异构物联网,构建了一种关联数据一致性规则挖掘模型。先通过多维数据聚类去除异构物联网中的重复数据,以此来减少后续关联数据一致性规则挖掘过程的耗时;基于内容相关的条件函数依赖关系建立挖掘模型,并将清理后数据导入中,对其中的一致性规则展开挖掘。经仿真测试可知,针对3种不同数据量的异构物联网数据,上述模型对在挖掘其一致性规则时的效率与准确性均较高,挖掘耗时最大值仅为1.27s,规则挖掘结果与实际规则数量一致,充分证明了上述模型的高效性。

基于Hadoop分布式系统及Apriori关联规则挖掘算法的智能图书馆建设研究

随着大数据技术、人工智能技术的发展,依托大数据平台对图书馆内的海量书籍信息、其他信息资源进行整合存储,成为智能图书馆建设与管理的重要方向。为满足智能图书馆资源检索、借阅、推荐及下载的服务需求,基于Hadoop分布式软件框架技术建立多层资源调度与共享的智慧图书馆管理平台,利用Apriori关联规则挖掘技术、数据仓库技术进行馆内图书资源的采集、清洗与存储操作,根据用户个性阅读需求挖掘相关的图书资源信息。

关联规则挖掘中闭频繁项集的理解与探索

关联规则挖掘,通过数据挖掘事务之间的关联关系,被广泛应用到各个领域,主要是通过频繁项集产生关联规则,而频繁项集的挖掘又归结到闭频繁项集的挖掘,由此可见闭频繁项集在关联规则挖掘种的重要作用。本文以购物篮关联规则分析为场景,对闭频繁项集的理论进行了梳理,针对闭包算子定义中的函数i和t进行了单调性证明;对闭包算子定义满足的三条性质进行了证明;对频繁项集和其闭包的支持度进行了探讨;对封闭频繁项集和其超集之间的支持度进行了关系讨论。最后,按照频繁项集及其闭包所形成的等价类的性质进行了研究,给出了有关定理和证明,以及结论等。

基于序列挖掘的Dockerfile规则自动提取工具

Dockerfile定义了一组构建容器镜像的指令,这些指令指示了容器化的应用程序该如何构建.最近的研究表明Dockerfile存在相当多的质量问题.在本文中,我们提出了一种新的工具DMiner(Dockerfile Miner)来提取高质量Dockerfile中的隐含规则,这些规则将有助于提升Dockerfile的质量.DMiner主要分为3个模块,分别负责Dockerfile的采集、过滤,Dockerfile的解析处理以及Dockerfile规则的挖掘提取,DMiner将Dockerfile解析成统一的序列表示并使用序列模式挖掘算法来提取规则.本工具对现有的Dockerfile数据集进行了扩充,同时新提取出了9条在其他工作未曾出现的规则,在真实数据集上的大量实验证明了该工具的有效性和高效性.