电网异常检测模型方法设计

采用序列模式挖掘算法构建电网异常检测模型,能够更好地表现电网异常行为。本文主要是进行了电网异常检测建模方法的研究,并提出了一个基于模糊序列模式的电网异常检测模型。本文采用改进后的SPADE算法从电网连接记录中挖掘序列模式,据此构建电网异常检测模型,采用规则裁减策略来剔除冗余规则,从而缩减了模式库,加快了检测过程,同时也降低了误报率。通过理论分析和仿真实验证明,本文提出的模型不仅具有检测异常行为的实际能力,而且与传统模型相比,由于引入了模糊逻辑理论和规则裁减技术,模型具有更简洁的行为模式库和更低的误报率,检测效率和检测性能都得到了较大的改善。

基于Apriori的序列模式挖掘算法的研究

近年来很多学者针对搜索技术提出了效率较高,符合用户需求的序列模式挖掘算法。序列模式挖掘技术具有广泛的实际应用价值,它可以在具有序列特征的数据上进行挖掘,找到满足用户需求的潜在模式,商业用户通过分析这些模式进行策略或者结构上的改进措施,以达到他们不同的目的,如提高服务质量或者提高个性化服务等。

基于特征映射的互联网频繁模式识别算法

提出了一种基于特征映射的互联网频繁模式识别算法,采用特征映射与聚类相结合的方法,解决了SPADE算法不能反映类信息的问题与大量数据聚类时的效率低下,同时,提出了比较合理的频繁模式定量评价体系,从而完成了识别系统的整体设计,对于处理互联网海量用户数据有着相当重要的作用,同时,可以根据此算法提供个性化推荐等服务来提升用户体验。

基于序列模式的土地利用变化分析——以广西壮族自治区为例

土地利用变化是一个长期的过程,同时具有一定的复杂性。传统的转移矩阵方法只能在两期土地利用数据之间相互比较而不能总结长期整体的变化规律,频繁项集不能导出变化序列。针对这些方法的不足,本文提出了基于序列模式的土地利用变化序列分析模型。首先给出土地序列数据库的定义,然后根据土地序列数据实际特点和垂直格式的序列模式SPADE算法,给出土地变化序列模式的计算过程和方法。在以中国广西为实例的研究中,计算了1970s-2015年共7期22种二级土地利用类型的变化序列。研究区土地利用变化主要发生在林地之间,部分林地转换为厂矿、采石场、交通道路等建设用地类型;城镇用地主要由旱地和水田转换而来;在研究期内没有任何一个土地单元转化成水田。

基于KMV模型和关联规则组合的上市公司信用风险传染研究

本文意在研究上市公司间的信用风险传染问题,用KMV模型度量了上市公司的违约距离、理论违约概率、资产市值以及资产波动率,并以此为依据,分别用关联规则数据挖掘方法 Apriori算法和Eclat算法,找出了存在着违约风险传染效应的上市公司,并画出直观信用风险传染路径,为风险监管体系以及相关行业提供了可参考的管理依据。