电力系统多级负荷预测及其协调问题 (四)约束最小二乘可信度

多级负荷预测的基本协调模型和关联协调模型能够较好地解决各种具有直接加和特性的多级预测协调问题。文中在分析其模型特征的基础上,针对原有的加权最小二乘可信度容易出现对预测值调整幅度过大的不合理现象,提出了约束最小二乘可信度优化模型,使得由此形成的多级协调模型可以更加有效地提高电力需求预测的精度。文中还分析了基于约束最小二乘可信度的多级协调模型提高预测精度的机理,并通过实例验证了约束最小二乘可信度的有效性及其对多级预测效果的改善。

项集间关联规则的挖掘

本文介绍了如何从大量篮数据类型交易中挖掘具有确定的最小可信度的商品 (项 )集之间的关联规则 。

关联规则挖掘算法的改进与研究

在Apriori算法的基础上,提出由候选集快速产生强项集的算法:采用动态分配存储空间合理分配内存,将数据库中的数量相关问题转换成逻辑相关问题,给出计算长度k的强项集存储分配公式,由候选(k+1)-项集的集合Ck+1产生(k+1)-项强项集来表达关联规则.

一种多支持度的关联规则采集算法

关联规则采集是数据采集中的一类重要模型。规则采集算法用来发现数据中所有满足用户指定的最小支持度和最小可信度的子项关联（即规则）。国外某些学者提出了一个多支持度的模型，解决了单支持度模型中可能出现的稀有子项问题。基于该多支持度的模型提出了一种新的数据采集算法。

关联规则挖掘在教师课堂教学评估中的应用

本文介绍了关联规则挖掘的概念、实现过程及其在教师教学质量评估方面的应用.

关联规则的一种定量分析方法

通过引入“结构化规则涵盖集”的概念,运用定量方法来评价对实际工作有用的规则。这样用户不再面对大量繁杂的关联规则,就能直接获取有效指导实践的规则集合。

基于网络的数值关联规则挖掘方法

关联规则 ( Association Rules)发现的是属性间的关系 .属性可以是逻辑型的 ,也可以是数值型的 .在从逻辑型属性描述的数据中发现关联规则方面已经有许多比较成熟的算法 ,而在数值型属性方面则不然 .将数值关联规则挖掘问题映射成逻辑关联规则挖掘问题是一种方便有效的方法 .本文给出了一个新的数值属性关联规则挖掘算法 ,该算法利用数据本身的特征决定对数值属性值域的划分 ,进而将划分后的所有区间映射为逻辑属性 (项目 ) ,在此基础上可以挖掘出更容易理解、更具有概括性的有效关联规则 .本文给出了一个发现频繁项目集搜索算法 。