基于关联规则的局部离群数据挖掘算法设计

针对现有挖掘算法在对局部离散数据挖掘时,存在挖掘结果关联度低、挖掘效率低的问题,引入关联规则,开展对局部离群数据挖掘算法设计研究。对需要挖掘的局部离散数据预处理,包括数据清洗、数据集成等。针对局部离散数据中的高维数据,提出一种基于属性相关分析方法,实现聚类。确定挖掘算法中的离群因子与链距离。最后,结合关联规则,实现对局部离散数据的并行挖掘。通过对比实验证明,新的挖掘算法挖掘结果关联度更高,且挖掘效率高,具备极高应用价值。

直觉模糊关联规则挖掘及算法研究

针对关联规则挖掘中连续属性离散化时的"尖锐边界"问题,提出了一种用直觉模糊集合理论来改进关联规则挖掘的方法,定义了直觉模糊非支持度和非置信度的概念,阐述了"支持度-非支持度-置信度-非置信度"的关联规则挖掘度量机制。描述了直觉模糊关联规则挖掘的基本原理和算法,并给出了算法的基本步骤,最后用实例验证了此算法的有效性。

基于关联规则算法的电力企业财务信息异常数据智能挖掘方法

常规的电力企业财务信息异常数据挖掘方法以集群挖掘与分段挖掘为主,同一类别的异常数据挖掘效率较低,影响财务数据整合效果。因此,本文设计了基于关联规则算法的电力企业财务信息异常数据智能挖掘方法。此方法标注电力企业财务信息数据挖掘异常点,建立电力企业财务信息数据集,逐步探查数据集中的异常数据,并将异常数据汇总到一个数据单元中,形成财务信息数据异常点。本文基于关联规则算法挖掘电力财务异常频繁项集,在电力财务数据异常点中,挖掘出存在价值的信息,确保异常数据挖掘的准确性。采用对比实验,验证了该方法的数据挖掘准确性更高,能够应用于电力企业财务管理工作中。

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。

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。

基于轨迹数据的大规模路网交通拥挤时空关联规则挖掘

提出了K近邻RElim(K neighbor-RElim,KNR)算法和时序K近邻RElim(sequential KNbrRElim,SKNR)算法,利用大规模路网的车辆轨迹数据来挖掘路段拥挤关联规则和拥挤传播时空关联规则。其中KNR算法在RElim算法基础上拓展了空间拓扑约束,可高效从大规模车辆轨迹数据集中挖掘路网中关联性拥挤易发路段,并量化这些路段间拥挤的关联性强度。而SKNR算法进一步以滑动窗口的形式拓展时间维度,可以挖掘出大规模路网中难以直接观测的拥挤传播现象,并追溯拥挤传播路径。以成都路网和车辆轨迹数据的挖掘结果对所提出的算法进行了说明和验证,结果表明了算法的有效性和鲁棒性。

改进多维关联规则算法在多源异构数据挖掘中的应用

针对传统多源异构数据挖掘方法存在的数据处理速度慢、加速比和分类精度低的问题,研究了改进多维关联规则算法在多源异构数据挖掘中的应用。利用改进多维关联规则算法分析数据之间的关联性,建立多源异构数据特征单元集合,根据数据权重与属性之间的相似度计算多源异构数据可信度,完成多源异构数据的预处理。计算多源异构数据的优先权值,并对数据进行排序处理,采用全局极小理论计算多源异构数据的适应度,以此搭建多源异构数据对象模型。以多源异构数据对象模型为依据,搜索出具有最大先验概率的数据划分策略,根据多源异构数据优化的目标函数设计了多源异构数据挖掘算法,实现了多源异构数据挖掘。实验结果表明,本文方法可以提高多源异构数据的处理速度,在加速比和分类精度上也具有一定的优势。

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。

传统关联规则算法的改进及其验证研究

针对传统的Apriori算法在处理大规模数据集时面临的计算复杂度高和内存消耗大的问题,提出了在使用二进制编码的Apriori算法并采用Ray分布式框架以及与Sample动态采样算法结合--RBE-Apriori算法。将事务、候选集、频繁项集转化为二进制,并使用Sample动态采样算法对候选集进行处理,在生成关联规则的过程中使用Ray分布式框架,可以有效的减少生成关联规则的时间,从而提高算法效率。通过实验结果表明,改进的算法相比于经典Apriori算法,在生成相同频繁项集下,组合次数减少了65%,生成关联规则的时间上减少50%。

基于关联规则改进的网络异常数据挖掘方法

传统的网络异常数据挖掘方法在计算网络异常数据与相关核心的距离时存在准确度不高的问题,导致挖掘精度有限,因此研究提出一种基于关联规则算法的改进网络异常数据挖掘方法。首先,初始化网络异常数据关联核心,采用Kmeans算法对网络异常实体数据执行局部搜索和优化;其次,运用关联规则算法精确计算网络异常数据与关联核心之间的距离;最后,确定距离关联核心最远的网络异常数据,以完成挖掘过程。研究结果显示,在挖掘相同数量的网络异常数据时,相较于传统方法,该研究方法能显著增加正确挖掘出的网络异常数据比例,提升对网络异常数据的识别精准度,具有显著优势。

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。

改进的模糊关联规则及其挖掘算法

针对现有网络事件的关联规则未考虑到事件发生频度,导致不能完整准确反映事件关联关系的问题,采用模糊理论将事件发生频度引入到关联规则中,定义网络事件之间改进的模糊关联规则;在传统遗传算法的基础上,引入并改进兴趣度和相似度的概念,采用小生境技术调整适应度函数,提出一种基于改进模糊遗传算法的网络关联规则挖掘方法。实验结果表明,改进的模糊关联规则显著拓宽了关联规则的内涵及其挖掘范围,降低了关联规则冗余度;所提挖掘方法具有一定效率优势。

模糊关联规则及挖掘算法

关联规则的挖掘是知识发现的重要研究内容之一．目前对关联规则的研究，仅限于用确定的、精确的概念表示的确定关联规则．由于客观世界的多样性和复杂性，许多事物难于用精确和确定的概念表示，用确定关联规则不能有效地表达数据之间的关联规则．本文提出了模糊关联规则的概念，研究了模糊关联规则的性质和挖掘算法，同时还提出了一种新的规则有趣性的度量函数．

模糊关联规则的并行挖掘算法

介绍了模糊关联规则挖掘算法的基本思想及实现步骤,提出了模糊关联规则的并行挖掘算法.并行挖掘算法采用并行的模糊c 均值算法将数量型属性划分成若干个模糊集,并借助模糊集软化属性的划分边界.用改进布尔型关联规则的并行挖掘算法来发现频繁模糊属性集.最后由多个处理器并行地产生满足最小模糊信任度的模糊关联规则.在分布式互连的PC/工作站环境下进行性能分析,结果表明并行的挖掘算法具有好的可扩展性、规模增长性和加速比性能.

一种新的模糊加权关联规则挖掘算法

为了提高关联规则挖掘算法处理大数据集的性能,提出一种新的模糊加权关联规则挖掘算法——FWAR算法。通过建立模糊加权关联规则模型生成候选项目集,并进行剪枝,新建的模型按权值对项目进行排序,符合向下封闭性,并解决了已有挖掘算法计算量大的问题。仿真结果证明通过该算法得到解的质量和计算速度有显著的提高。

基于多变异粒子群优化算法的模糊关联规则挖掘

针对事务数据库中连续型数值较难划分及粒子群优化算法易陷入局部最优的问题,提出一种用多变异粒子群优化算法进行模糊关联规则提取的框架,即先对连续型数值进行模糊区间划分,再通过多变异粒子群优化算法对划分结果进行模糊关联规则挖掘。分别对模糊划分方法和多变异粒子群优化算法的相关参数及框架等进行说明。在多组实验中进行比较分析,结果表明了该方法的准确性和有效性。

模糊关联规则挖掘算法及其在异常检测中的应用

阐述了在入侵检测中应用模糊关联规则挖掘的方法,提出了对传统Apriori算法的改进。最后以网络流量分析为例,详细描述了在入侵检测中运用模糊关联规则挖掘的步骤,并以规则集相似度建立对入侵的响应机制。

一种自适应的模糊关联规则挖掘算法

关联规则是数据挖掘的重要研究内容之一。传统的关联规则挖掘算法仅适于处理二元属性与分类属性。为更好地处理数量属性,提出了一种自适应的基于模糊概念的量化关联规则挖掘算法。该算法克服了传统的离散分区法的不足,改进了已有模糊关联规则支持度的计算方法。引入了一种基于聚类的隶属函数自动生成方法,使得模糊关联规则的发现不依赖于人类专家给出的隶属函数,使得关联规则的表示自然、简明,有利于专家理解。实验表明该算法是有效的。

基于主从架构和GA的模糊关联规则挖掘算法

针对关联规则挖掘中适应度评估非常耗时的问题,提出了一种基于主–从架构结合遗传算法(GA)的模糊关联规则挖掘算法。首先,主处理器借助遗传算法为从处理器分配适应度评估任务,并收集来自从处理器的结果;然后,主处理器和从处理器协作挖掘一组合适的隶属函数;最后,主处理器使用找到的隶属函数集挖掘模糊关联规则。分析表明,该算法明显降低了适应度评估复杂度,当代数很大时,该算法加速可接近线性。实验结果表明,当有事务I/O时,该算法处理事务的加速性能可比传统的基于GA的并行算法提升19.1%,比基于累积概率分布的多级模糊关联规则算法提升30.6%。

模糊关联规则的挖掘算法

为了提高模糊关联规则挖掘的效率,定义了冗余模糊关联规则,并分析了强模糊关联规则的冗余性质,提出了通过删除冗余模糊关联规则提高挖掘效率的新算法.此外,针对利用支持度和蕴涵度定义的强模糊关联规则挖掘问题,将删除冗余模糊关联规则和不删除冗余模糊关联规则的计算结果与实验结果进行了比较.结果表明,当数据库中项目数较多时,删除冗余模糊关联规则能提高挖掘效率.