源关联规则生成算法

一、引言 IBM科学家Rakesh Agrawal于1993年提出了用于交易的关联规则数据挖掘[1]算法,该算法把基于关联规则的数据挖掘分为两大步,第一步,从交易中发现频繁项目集;第二步,从已发现的频繁项目集中生成所需的关联规则.由于第二步相对简单,且Rakesh Agrawal已给出了一个有效算法来生成所需的关联规则,因此人们对基于关联规则的数据挖掘进行的大量的研究都集中在第一步,即如何从交易集中快速生成频繁项目集.

一个基于粗糙集和决策树的最简分类规则集生成算法

利用粗糙集理论中属性核与不可分辨关系给出了属性约简和数据过滤算法,去除信息系统中与决策无关的冗余信息.在简化的信息系统基础上用传统算法构造决策树,并利用由粗糙集理论推出的极小、极大化学习方法对决策树规则进行极小、极大化处理.最后给出了一个最简分类规则集生成算法.

CORS方法与规则生成算法GRs

利用含序粗集方法,依据标准的优先序信息及标准间的支配关系,解决了推导含序信息规则问题.提出一种新的规则生成算法,并与其他规则产生算法进行了简单对比.算法按照后件由强到弱产生规则,能保证生成极小规则,在某种意义下规则集是完备和无冗余的.

基于粗糙集的最小规则生成算法

讨论了可辩识矩阵的内容的深层次含义,分析了它与属性值约简的关系,并提出了一种利用可辩识矩阵实现属性值约简的方法,分析了利用可辩识矩阵实现属性约简和属性值约简的方法,设计了基于可辩识矩阵的最佳约简的算法,使得属性约简和属性值约简得以一致计算,使知识推理过程变得统一且相对简单.

基于迭代函数的不规则图像快速生成算法

本文以迭代函数为基础 。

量子衍生图像分解和边缘检测

针对数字图像的分解问题,研究了一种基于量子理论的新分解方法,该方法借鉴量子叠加态建立图像像素之间的关联,将一幅数字图像分解为一系列特征子图的叠加。分析了特征子图的意义,并在此基础上给出了一种边缘检测算子的生成规则。利用该规则构造的一种新的图像边缘检测算法被提出,计算机仿真结果验证了该规则的有效性和提出的边缘检测算法的优越性。

基于数据挖掘的分布式协同入侵检测

将数据挖掘技术用于协同入侵检测 ,提出基于数据挖掘的协同入侵规则生成算法 ,采用基于数据挖掘的分布式协同入侵检测技术 ,可以有效的检测协同入侵 。

基于行为学指标数据的猪只行为分类

将视频监控技术应用于规模化养猪场能大大减少人力,提高效率。猪只行为分类是通过图像处理计数从视频中获得猪只信息后的图像信息分析阶段,如何从大量数据中挖掘出猪只的行为是完成实现猪只智能监控的关键。通过图像处理将猪只行为信息提取量化后,生猪的行为识别转化成对行为指标信息的分类问题。首先论述猪只行为识别的关键行为学指标,然后引入决策树分类算法,贝叶斯网络分类算法,基于规则归纳的分类算法等三种分类方法对数据进行实验,并对猪只数据进行分类预测后评估三种模型的表现。结果显示,选取的行为学指标对猪只行为具有较高的区分度,J48决策树分类算法较朴素贝叶斯和基于规则生成的分类算法的准确率均达到96%以上,提取的规则能作为猪只行为分类的判断标准。

关联挖掘在耕地流失原因分析上的应用研究

在传统算法的基础上,针对耕地流失原因分析时关心的规则后件只包含一个主要因素的特点,提出了改进的基于约束的频繁谓词集和关联规则生成算法,从而大大减少谓词集元素和无趣规则的数量,为该类问题提供了一个有效解决方法。实验证明该方法具有较好的有效性。