面向序列的AOI动态规划算法

虽然面向属性归纳(AOI)方法用在广义特征的寻找非常有用,但它只能挖掘不具有序列性的关系数据的特征。为此,针对银联信用卡数据的特征提出一种以AOI技术为基础的动态规划算法,可以从序列数据中找到广义的特征,并挖据出连续K个有序的广义元组,用来描述用户自定义的K个连续数据区间的广义特征。

基于属性归纳的中药方剂数据挖掘

传统的面向属性归纳技术(AOI)存在概化粗糙及算法效率较低等缺陷。为适应中药方剂数据挖掘的复杂需求,提出基于中药数据驱动的属性关联概化算法;为关联的维度创建概念树,利用关联属性与基准属性的相关性以提高归纳的效率,实现了面向属性关联归纳的数据挖掘系统TCMDBMiner。实验结果表明,新算法较传统算法的归纳概化效率提高了23%以上,挖掘结果符合中医理论。

一种新的面向属性归纳中概念层次技术研究

面向属性归纳的方法目前是数据挖掘主要技术之一.在分析基本的面向属性归纳算法不足的基础上,提出了一种概念层次优化技术,包括:将基于规则的概念图转化成一棵概念树;对于不平衡的概念树,再转化成平衡的概念树;用节点集合来记录数据库中每个元组在概念层次中的泛化路径.利用置信度、支持度和LS充分性因子等评价指标对学习结果进行取舍.最后,将算法在爱尔兰教育经历数据库分析中进行了应用测试,结果显示了算法更加有效,适用性更强.

一种快速的运动车辆特征提取算法

结合运动车辆的特点,并根据图像区域灰度的连续性,提出一种新的边缘检测算法,在判断有车的情况下,把检测区域的中心点作为检测基准点,对连续拍摄的序列图像沿检测基准点进行搜索,并对搜索到的符合条件的第一个运动目标进行边缘检测,用运动目标的外接矩形的长和宽作为目标的检测输出数据. 该算法最大的特点是仅对特殊目标进行检测,因而,大大减少了计算时间,可满足交通量检测的实时性要求.

基于量化扩展概念格的属性归纳算法

在知识发现过程中用户感兴趣的往往是一些高层次、适当概括的简化信息,面向属性的归纳是目前主要的数据归约方法,一般是仅考虑原始数据所提供简单的统计信息.本文提出的基于量化扩展概念格的属性归纳算法,采用概念的爬升进行相应的泛化来完成多层、多属性归纳.与面向属性归纳算法比较,该算法的泛化路径不是唯一的,在量化扩展概念格的哈斯图中容易找到合适的泛化路径和阈值,得到满足用户要求合理的属性归纳结果,以提供用户所需的不同粒度的知识.