基于SIF模型与Apriori算法的煤矿顶板事故致因关联分析

为更科学地预防煤矿顶板事故的发生,对煤矿顶板事故致因及其关联规则进行识别十分关键。首先,通过文本挖掘并结合SIF事故致因模型,确定56个影响顶板事故发生的致因;其次,通过构建顶板事故数据库并运用Apriori算法进行顶板事故致因关联规则挖掘;最后,绘制顶板事故致因关联规则复杂网络图,并综合分析顶板事故的核心致因及各致因间的关联规则。结果表明:安全培训教育和安全监督管理、作业人员安全意识淡薄和违反作业规程、当班管理人员在现场的管理不到位和其他事故致因之间有着很高的关联度以及提升度,这些因素是造成煤矿顶板事故发生的核心因素。

基于“2-4”模型和Apriori算法的商业综合体火灾成因分析

为深入分析商业综合体火灾事故成因,揭示事故致因因素之间的关联规则,运用事故致因“2-4”模型和Apriori算法,对40起商业综合体火灾事故原因进行分析,研究结果表明:在组织文化、管理体系、个体能力和个体动作4个层面中,安全主体责任的认识(100%)、安全管理制度未执行(80%)、无安全培训(70%)等因素是火灾事故的主要原因;通过Apriori算法挖掘出277条关联规则,并从高支持度、高置信度和高提升度3个维度进行深入分析,发现员工参与度与防火意识薄弱、安全管理知识匮乏与报警意识薄弱且应急响应不及时等因素之间存在显著关联。基于分析结果,提出加强安全责任意识、完善管理制度执行、强化安全培训等针对性建议,为商业综合体火灾预防提供理论依据和实践指导。

Model-Apriori模型在医疗决策支持系统中的应用

本文主要讨论了Model-Apriori模型在医疗决策支持系统中的应用。模型Model-Apriori是单维关联规则挖掘模型。它主要用于完成从医院现有数据库中挖掘知识,以便使医院的管理者通过挖掘到的知识来调整对医院的管理。本模型主要应用关联规则中的Apriori算法。

基于改进Apriori算法的塔吊事故致因动态关联网络分析

为研究塔吊事故致因及其相互作用,采用人因分析和分类系统(HFACS)模型、关联规则挖掘和复杂网络理论相结合的方法,对塔吊事故致因进行定性分类和定量分析。首先,收集241份塔吊事故调查报告,并根据塔吊事故特点调整HFACS模型框架,以此确定46个影响塔吊事故发生的因素,再运用改进的Apriori算法挖掘事故致因之间的关联性;然后,结合关联规则挖掘结果构建塔吊事故致因动态关联网络,并综合探究塔吊事故的关键影响因素。结果表明:人员岗位与能力不匹配、监管人员未按要求进行安全检查、部分岗位人员配备不齐等是造成塔吊事故发生的关键因素。改进后的方法实现了人为因素的量化分析,可为预防塔吊事故的发生提供决策依据。

基于Apriori算法的高校选修课程分析推荐模型

将数据挖掘技术运用到学生选课当中,构建了课程推荐模型。首先,基于河南某高校学生选课数据进行清洗和转换,去除无效和冗余的部分,并将数据进行编码作为模型输入。其次,针对数据进行课程热度分析,为学校课程计划的制定提供参考。最后,基于Apriori算法构建课程推荐模型,分别从支持度、置信度、提升度三个角度,挖掘学生选修课程之间的关联规则,并深入分析课程之间的强关联性,为学生的课程选修提供推荐依据,帮助高校了解最新的学生需求和课程动向,以便及时调整课程规划,为高校学生提供个性化服务。

一种基于Apriori算法的雷达目标所属平台判别方法

雷达目标所属作战平台判别是电子对抗侦察情报处理的关键步骤,直接影响电子对抗情报生成质量,进而影响电子对抗决策。针对截获雷达目标所属平台判别问题,提出一种基于Apriori算法的雷达目标所属平台判别方法。首先,利用云模型分别对截获脉冲不同类型的特征参数进行建模,消除截获脉冲特征参数模糊性、不完整性;然后,利用信息熵理论对截获脉冲所属辐射源的型号进行识别;最后,提出了数据挖掘+Apriori算法,建立数据库存储信息、人员识别经验信息与平台识别历史记录多维分析框架,实现了雷达目标与所属平台配属关系判别。仿真结果表明:在已知雷达数据库样本量较大的情况下,所提方法仍有较高的准确率和识别效率。

Apriori算法及神经网络在数控机床中应用研究

数控机床加工精度受到机床零部件、外部环境等因素的影响,从而需要添加适当的补偿参数确保加工精度的稳定性,另外,不同车床不同时刻的补偿参数实时变化。为此,提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础,通过Apriori算法对数据集进行筛选;对各个特征值与补偿参数进行归一化处理,以提高数据的收敛速度;利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型,从而构建起最佳的智能误差补偿模型;经过智能误差补偿后,对生产的物件进行图像识别,分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据,车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法,对30个产品进行雕刻,精度均符合要求。因此,智能误差补偿模型能够提高车床加工稳定性,提升产品合格率。

基于混合支持度Apriori算法的短期负荷预测模型

从海量数据中发现气象变化和节假日等外部因素对电力负荷变化影响的关联特征,有助于提高短期电力负荷预测的精确度。提出一种基于混合支持度Apriori算法的电力负荷预测模型,采用"分而治之"的思想对电力负荷预测的数据集市进行了划分,结合混合支持度Apriori算法挖掘与负荷相关的关联规则,根据挖掘出的关联规则进行预测。通过仿真结果和误差分析,验证了方法的高效性,提高了预测的精确度。

基于Apriori算法的高水平女足比赛进攻模式——以2012年“阿尔加夫杯”决赛为例

为解决足球比赛中"频繁出现的球员组合"问题,发现足球比赛中球员之间的关系,以数据挖掘为基础的比赛分析技术开始应用。本研究使用的比赛诊断分析方法改进了以往研究中的算法的数据结构,使之能够发现与创造得分机会有关的球员或球员关联,即"最佳球员(组合)"。以2012年"阿尔加夫杯"决赛中的德国女足和日本女足所有技战术行为发生的时间、区域以及涉及球员等特征为研究对象,利用比赛诊断分析方法对这2支球队进行诊断分析,发现其"频繁出现的球员组合"以及和得分机会有关的"最佳球员(组合)"。

基于改进Apriori算法的入侵检测数据挖掘模型研究

将数据挖掘技术应用到入侵检测系统中,成为入侵检测研究的重要方向。本文对Apriori算法进行改进,以此构建入侵检测数据挖掘模型,运用该模型作入侵检测。实验表明,对以知攻击,采用误用检测和异常检测混合策略,其平均检测准确率达到80%以上,不失为一种效果良好的的入侵检测技术。

云计算环境下Apriori算法的MapReduce并行化

借助分割数据技术优化了经典的Apriori算法,实现了对候选项集的分组统计。给出了优化Apriori算法的MapReduce编程实现模型,达到了Apriori算法并行化的目的。实验结果表明,该算法能够大量减少键/值对的产生,提高了算法的效率,并且随着挖掘频繁项目集节点数的增加,算法的加速比成线性提高。

云计算环境下基于MapReduce并行的Apriori算法优化研究

根据MapReduce模型并行运行实现的特点,针对可扩展性差的传统Apriori的特点和传统Apriori算法,采用了"云"强大的廉价计算处理方式和关联规则挖掘算法,改进提高Apriori算法的运算效率。通过改进在云计算环境下MapReduce编程框架,并且结合验证MR-Apriori算法的实验为基础,这对传统意义上的Apriori算法在数据挖掘过程中所出现的客观问题进行处理,从而真正意义上的完成了本文研究的基于MapReduce并行的Apriori算法的扩展性提升的目标,并且表明了元计算技术结合关联规则挖掘算法的可能性。

KMV和Apriori算法在上市公司信用风险传染中的应用

运用KMV模型计算违约距离,作为度量我国上市公司信用风险的指标,并利用Apriori算法挖掘上市公司之间的信用风险传染。结果表明关联规则挖掘能直观有效地描述上市公司之间的信用风险传染,产生强关联规则的上市公司之间信用风险传染较为明显。

基于二维云模型和Apriori算法的围岩稳定性分级研究

针对围岩稳定性分级大多是对未受工程扰动岩体进行分级,以及分级结果难以为支护方式提供决策的现状,建立围岩稳定性的岩体及地质因素和工程因素二维分级指标体系。运用云理论确定岩体及地质因素和工程因素的等级期望值、熵和超熵,通过二维云发生器绘出围岩稳定性分级的二维云图,并向二维体系等级图进行投影,得到围岩稳定性的综合等级。将该模型应用于工程实例,并与一维云模型和实际进行对比,验证了该模型的准确性。该模型得到不同系统耦合作用下的围岩稳定性等级,实现了等级的可视化。通过Apriori算法进行关联挖掘得到围岩稳定性的综合等级决策表,可以快速确定工程的综合稳定性等级,并根据已知综合等级和岩体及地质因素等级确定工程因素的等级。

基于兴趣度的Apriori算法在电子病历数据分析中的应用

通过分析Apriori核心算法,使用案例描述Apriori算法设计思想上所存在的不足,引入兴趣度阈值对Apriori关联规则进行了改进.并将该改进后的算法对电子病历数据库中数据进行关联规则提取,建立了基于兴趣度的Apriori算法的医疗诊断模型.通过实验证明,该模型能够提取具有诊断价值的关联规则并提高医生的诊断效率.

基于apriori算法的旅游线路推荐模型实践分析

该文的旅游线路推荐系统模型,核心推荐模块主要采用的是关联规则apriori算法,文中分析了该系统建立的平台,然后通过模拟数据验证该系统的实践意义。

基于Apriori模型的关联规则评价注射用血栓通适应证的选择

目的:本研究采用回顾性研究的方法,与关联规则挖掘的Apriori算法相结合,从数据挖掘角度分析注射用血栓通在适应证中的规律,并判断其合理性。方法:根据ICD-10,收集我院使用注射用血栓通患者的适应证信息,应用相关软件,根据预设的支持度和置信度阈值,找到前十种适应证之间的关联;再通过查阅资料,判断这些适应证是否与血栓通说明书中收录的适应证相匹配。结果:通过关联分析发现血栓通的适应证通常为脑卒中、心绞痛、冠心病、下肢动脉粥样硬化、心肌梗死、脑梗死、高血压、高脂血症、糖尿病、慢性阻塞性肺病。在出现脑卒中、心绞痛、冠心病时,发现了强关联项,说明使用血栓通的频次较高。查询相关资料后发现超适应证用药为高血压、高脂血症、糖尿病。结论:利用关联分析能较直观地判断血栓通在临床的应用规律,为药师分析合理用药提供了新的思路借鉴。

基于重磁电震综合解释的三维地质建模——以南陵—宣城矿集区为例

南陵—宣城矿集区近年来逐步发展为长江中下游成矿带内的第八个重要矿集区。由于地表覆盖层较厚,深部地质结构的研究相对薄弱,复杂的断裂系统和隐伏岩体尚未得到系统的三维建模与分析,严重制约了成矿规律的认识和深部找矿工作的推进。为揭示该区深部地质结构,综合利用重力、磁法、电磁法及地震等多源地球物理数据,结合钻孔和岩矿石物性等先验信息,优化隐式三维地质-地球物理建模方法,通过多源数据的联合反演和综合建模,建立了南陵—宣城矿集区的三维地质结构模型,详细刻画了区域内断裂网络、隐伏岩体及控矿地层的空间分布特征。多重先验信息约束和钻孔信息进一步提高了模型的精度和可靠性,显著提升了对深部地质结构及成矿系统的解析能力。研究结果揭示了该区控矿要素的空间分布规律,并识别出潜在有利的成矿区段,分析显示,南陵—宣城矿集区内深部岩浆活动与主要构造系统之间具有密切的成矿耦合关系,模型中识别的多个隐伏岩体和控矿地层的接触部位具有良好的找矿潜力,研究成果可为深部找矿工作提供有效的技术支撑。

基于Apriori算法的学生成绩分析在课程关联性的应用研究

利用Apriori关联规则算法,并借助SPSS Modeler软件,对学生成绩进行深层次分析,挖掘出课程之间的关联性,并对挖掘结果进行详细的分析和说明,这对今后设置课程、制定教学计划、修订人才培养方案、开展教学活动以及学生学习等具有重大的现实与指导意义。

兴趣模型的构建与Apriori数据挖掘算法优化研究

分析关联规则算法实际过程中参数规律,改进重构Gray和Orlowska兴趣度模型,引入兴趣项、频数阈值、构建兴趣模型,从而能够减少不必要的挖掘扫描操作,提高挖掘的效率,使得挖掘更加有针对性。通过中国石油大学(北京)油气数据挖掘北京市重点实验室提供的标准仿真数据集合对比实验,证明改进后的算法效率更高,适合用于特定兴趣点的二次高效率挖掘。