基于渐增最小支持度函数的数据流频繁项挖掘

目前数据流频繁项近似挖掘算法大多采用误差参数控制挖掘的结果,时间与内存开销越高,挖掘结果的正确性越低.针对这样一个问题,提出了渐增最小支持度函数作为误差参数.如果某数据项在滑动窗口中的保存时间越长,则该数据项的出现频率必须相应的增加才能继续保存在滑动窗口中.这样,在滑动窗口中需要保存的数据项的数量将减少,时间开销与内存开销也相应的减少.在此基础上,提出了一种基于渐增最小支持度函数的数据流频繁项挖掘算法GFFPM.该算法能准确的挖掘出滑动窗口中的频繁项.实验结果表明,该算法具有很高的正确性.

基于数据挖掘关联规则分析法的呼吸机预防性维护机制与数据分析研究

目的:探讨基于数据挖掘关联规则分析法的呼吸机预防性维护机制在呼吸机设备管理中的应用价值。方法:选取医院临床在用的91台呼吸机,采用随机数表法将其分为对照组(45台)和实验组(46台),对照组采用常规定期预防性维护,实验组采用基于数据挖掘关联规则分析法的呼吸机预防性维护机制,制定支持度的最小支持阈值和置信度的最小置信阈值,按需进行预防性维护。对比两组呼吸机维护次数、故障数和故障类型的差异性。结果:实验组预防性维护年均次数低于对照组,差异有统计学意义(t=4.17,P<0.05);实验组年故障数和年平均故障数均低于对照组,差异有统计学意义(t=4.44,t=3.76;P<0.05);实验组呼吸机管路故障和清洁消毒故障低于对照组,意外碰撞故障高于对照组,差异有统计学意义(x^(2)=4.45,x^(2)=4.29,x^(2)=5.74;P<0.05)。结论:基于数据挖掘关联规则分析法的呼吸机预防性维护机制,可在一定程度上降低责任工程师工作量,减少人为因素引起的设备故障,提高呼吸机临床使用效率。

同类项的频繁高效用项集挖掘算法

现有高效用项集挖掘算法没有考虑分类挖掘的情况,针对这一不足,提出基于同类项的频繁高效用项集挖掘算法CMFHUI。把数据库中的所有项进行分类,给每一类赋予一个最小效用阈值,在这个基础上加上支持度约束,使得最终挖掘的项集既是频繁项集又是高效用项集。为进一步提高算法的挖掘效率,提出改进算法CMFHUI+。利用Mushroom和T10I4D100K数据集,结合4种不同的剪枝性质进行仿真实验,验证了这两种算法的有效性和可行性。

多最小效用阈值的频繁高效用项集快速挖掘算法

针对多最小效用阈值高效用项集挖掘算法(MHUI)中出现的重复计算、挖掘的结果项集不是频繁的问题,提出两个新的快速挖掘算法FMHUI和SFMHUI。FMHUI算法在计算项集的最小效用阈值时利用前一次计算结果,避免了项之间的重复比较;另外定义了项的扩展项的最小效用阈值表EMMU-table快速计算出扩展项的最小效用阈值,提高了运行效率。SFMHUI算法在FMHUI的基础上增加了支持度约束,使挖掘的项集既是高效用的也是频繁的。通过仿真实验验证了所提出算法的高效性和可行性。

一种基于频率的多最小支持度挖掘算法

关联规则是描述数据集中不同项之间的稳藏关系,现有的挖掘算法大多是挖掘数据集中满足用户指定的最小支持度和最小置信度约束的所有关联项。由于仅有一个最小支持度用于整个数据集,如果最小支持度很高,则不能发现出现频率较低的项目;如果最小支持度太低,则会出现规则爆炸的现象。为此,提出一种基于频率的多最小支持度挖掘算法,该算法将数据集中各项目实际频率作为其最小项目支持度,并通过设置项目频率最小阈值控制频繁项集的产生。在合成数据集、Zoo数据集和kaggle提供的数据集上的实验结果表明,该算法能更加有效地挖掘关联规则。

基于Apriori关联规则算法提高雷达测速精度研究

在利用初速雷达测试弹丸炮口初速的试验中,如何选择雷达的布站地点一直依靠的是参试人员的经验,始终没有一个科学准确的方法。为了解决这一难题,选择采用Apriori关联规则算法,从大量的历史试验数据中挖掘出测试的初速数据精度很高时对应的雷达布站地点。将雷达的布站地点作为关联规则的左规则、测速精度作为关联规则的右规则,利用Apriori算法就能挖掘出满足最小支持度阈值和最小置信度阈值的强规则,为确定雷达布站地点提供重要依据。通过测试数据进行验证,实验结果表明,根据挖掘出的强规则进行雷达布站,测试出的弹丸初速精度明显提升,表明该方法有效提升了初速雷达的测速精度。

基于粒度计算的数据流最大频繁项集更新方法

为提高对数据流内信息挖掘的程度,本文提出一种基于粒度计算的数据流最大频繁项集更新方法。根据数据流存在的不确定性特点,以属性的取值建立对象粒,将对数据流最大频繁项集的挖掘转化为相同属性对象粒的计算,将过程计算分为两部分,即实时数据流信息挖掘和数据流信息分析,引入对象粒计算方法对实时挖掘结果进一步分析,得出最大频繁项集,对其进行更新。实验结果表明,在实验条件下,在相对稀疏和稠密的数据流环境中,所提方法运行时间相对于对比方法至多可提升30%,最少所占内存可低至对比方法的50%,且相同条件下,随最小支持度阈值变化,运行时间减小幅度均明显少于对比方法,表明实验方法具有一定参考价值。

基于改进频繁模式树的最大频繁项目集更新挖掘算法

在挖掘最大频繁项目集的过程中,通过改变最小支持度阈值可以挖掘更有用的最大频繁项目集,为此提出了一种最大频繁项目集更新挖掘算法UAMMFI(Updating Algorithm for Mining Maximal Frequent Itemsets)。算法基于改进后的频繁模式树结构,在更新挖掘过程中,不需产生候选项目集和条件模式树,并且充分利用先前已挖掘的最大频繁项目集中包含的信息,快速更新挖掘出最小支持度阈值变化后的最大频繁项目集。实验结果表明,算法能够高效更新挖掘最大频繁项目集。