挖掘区间值关系数据库的模糊关联规则

应用关系数据的模糊C 均值算法把数量型属性划分成若干个模糊集 ,提出挖掘区间值关系数据库数量型属性模糊关联规则的算法 .在关系数据的模糊C 均值算法与竞争聚集算法的基础上提出一种新的模糊聚类算法———关系数据的竞争聚集算法 ,并用它来划分数量型属性 .由于关系数据的竞争聚集算法能得到优化的固定的聚类个数 ,因此能挖掘出优化的模糊关联规则 .

加权关联规则挖掘算法的研究

讨论了加权关联规则的挖掘算法 .对布尔型属性 ,在挖掘算法 MINWAL ( O)和 MINWAL ( W)的基础上给出一种改进的加权关联规则挖掘算法 ,此算法能有效地考虑布尔型属性的重要性和规则中所含属性的个数 .对数量型属性 ,应用竞争聚集算法将数量型属性划分成若干个模糊集 ,并系统地提出加权模糊关联规则的挖掘算法 .此算法能有效地考虑数量型属性的重要性和规则中所含属性的个数 。

直觉模糊关联规则挖掘及算法研究

针对关联规则挖掘中连续属性离散化时的"尖锐边界"问题,提出了一种用直觉模糊集合理论来改进关联规则挖掘的方法,定义了直觉模糊非支持度和非置信度的概念,阐述了"支持度-非支持度-置信度-非置信度"的关联规则挖掘度量机制。描述了直觉模糊关联规则挖掘的基本原理和算法,并给出了算法的基本步骤,最后用实例验证了此算法的有效性。

挖掘集合值关系数据库的模糊关联规则

为了挖掘集合值关系数据库的模糊关联规则,应用竞争聚集算法将记录在数量型属性上的取值划分成若干个模糊集,接着给出集合值关系数据库上数量型属性的模糊关联规则的挖掘算法,此算法能将数量型属性模糊关联规则的挖掘问题转化为布尔属性关联规则的挖掘问题。最后通过一个实例说明挖掘算法的合理性。

对Apriori算法的研究及改进

关联分析是数据挖掘的本质体现,关联规则挖掘就是寻找给定的大量数据项集之间存在的某种规律的过程。Apriori算法是关联规则中最重要的一种挖掘频繁项集的算法,但是它也存在一定的不足。目的为了提高挖掘效率。方法采用实验的方法,在经典Apriori算法的基础上进行改进。结果证明改进的Apriori算法性能优于经典的Apriori算法,尤其是在交易事务条数比较多的情况下,效果更加明显。结论是改进的算法在计算支持度个数时,每次不需要扫描全部数据库,只需要在精简的数据库表中扫描各项所在的行就可以了,大大节省了时间;支持度计数的统计也比较容易,也不会产生过多的冗余,可以在很大程度上降低挖掘的复杂度,提高挖掘算法的效率。

基于模糊关联规则的脱硫系统运行优化

为了解决石灰石-石膏湿法烟气脱硫系统(Wet Flue Gas Desulfurization System,WFGD)的运行优化问题,基于某电厂600 MW机组的脱硫系统历史运行数据,采用关联规则挖掘方法中的FP-tree(Frequent Pattern-Tree)算法对历史数据进行关联规则的挖掘。在数据挖掘过程中,利用3σ法则去除原始数据中的粗大误差;利用聚类方法中的竞争凝聚(Competitive Agglomeration,CA)算法,对处理后数据的各个属性分别进行聚类,使其划分为不同的区间;选取不同锅炉负荷工况下的数据,利用FP-tree算法挖掘关联规则;挑选出有意义的关联规则。结果表明:在锅炉负荷为540 MW工况时,将脱硫系统中的可调参数浆液pH值设置为4.9901,吸收塔液位设置为8.9478 m,吸收塔给浆流量设置为8.1782 m^3/h,吸收塔给浆密度设置为1229.2723 kg/m^3,可以在满足脱硫效率的前提下使得脱硫成本最低,从而提高电厂的经济效益。