有限维空间下运动行为传感数据特征提取

维度的升高会加剧运动行为传感数据的复杂度,导致其分布特征空间被无限放大,因此提出基于有限维空间的运动行为传感数据特征提取方法。采用关联规则项挖掘分析方法计算数据模糊度,确定运动行为的有限空间区域。在有限维空间下,通过自适应寻优方法,计算传感数据的特征量化参数。检测运动行为传感数据的特征属性,计算数据分布融合映射输出结果,构建运动行为特征提取模型。实验结果表明,所提方法的运动数据空间聚类效果较好,能够把数据固定在有限维空间,数据特征提取精度始终保持在95%以上。

融合数据挖掘和评分预测的推荐算法

针对传统UserCF算法存在的数据稀疏、相似度计算开销大且不够准确的问题,以提高推荐准确率、覆盖率和时间效率为目标,设计了融合数据挖掘和评分预测的推荐算法DRR。首先用PCA降维算法解决用户评分矩阵过大且稀疏的问题;再用Canopy算法对降维后的矩阵进行处理得到聚类个数K,以余弦相似度为距离度量,用K-means算法对用户聚类,并用Apriori算法挖掘簇内项目之间潜在的关联规则,计算项目关联因子;最后以目标用户所在簇内的其他用户为其近邻,基于历史评分、余弦相似度和项目关联因子预测目标用户对项目的评分,在降低寻找最近邻时耗的同时挖掘出长尾项目。在movieLens数据集、豆瓣电影数据集上与UserCF算法、基于K-means聚类的协同过滤算法和基于谱聚类的协同过滤算法的对比实验结果表明,DRR算法的准确率、召回率、F1值、覆盖率,以及时间效率都有所提升。

动员需求关联规则挖掘模型

关联规则挖掘是一种成熟的基于规则的数据挖掘算法,已广泛用于发掘数据中感兴趣的关联关系。提出了一种动员需求关联规则模型,并描述了规则挖掘算法实现原理及评价方法。动员需求关联规则模型既可用于辅助快速提报动员需求,又可作为动员需求评估的辅助手段,从而为相关信息系统构建提供参考。

基于大数据与关联规则的考评进度动态跟踪系统设计

为了提高考评进度动态跟踪效果,设计一个基于大数据与关联规则的考评进度动态跟踪系统。在系统硬件部分设计了微控制器、通信模块、存储器模块与信号采集模块;在系统软件部分,采用大数据挖掘技术挖掘员工相关数据,采用关联规则挖掘数据的频繁项集,构建FP树,计算数据的最小支持度和最小置信度,对数据分类,获得员工绩效的关联信息,并整合信息,完成考评进度动态跟踪系统的设计。实验结果表明,该方法能够准确地对员工绩效打分,并在多并发用户访问与多条数量处理上,有效提高了考评进度动态跟踪效果。

An Improved Algorithm for Mining Correlation Item Pairs

Apriori algorithm is often used in traditional association rules mining,searching for the mode of higher frequency.Then the correlation rules are obtained by detected the correlation of the item sets,but this tends to ignore low-support high-correlation of association rules.In view of the above problems,some scholars put forward the positive correlation coefficient based on Phi correlation to avoid the embarrassment caused by Apriori algorithm.It can dig item sets with low-support but high-correlation.Although the algorithm has pruned the search space,it is not obvious that the performance of the running time based on the big data set is reduced,and the correlation pairs can be meaningless.This paper presents an improved mining algorithm with new association rules based on interestingness for correlation pairs,using an upper bound on interestingness of the supersets to prune the search space.It greatly reduces the running time,and filters the meaningless correlation pairs according to the constraints of the redundancy.Compared with the algorithm based on the Phi correlation coefficient,the new algorithm has been significantly improved in reducing the running time,the result has pruned the redundant correlation pairs.So it improves the mining efficiency and accuracy.

防空导弹测试项目规划策略研究

在防空导弹全寿命周期中,为保证导弹的实时状态和性能可知,需要进行导弹测试。合理的测试项目设计是确保导弹测试过程可行、测试结果可信的基础。测试项目的规划与导弹测试性设计紧密相关,导弹类型、测试性设计思路均会影响测试项目的设计结果。通过对复合制导型防空导弹作战过程的分析,提出了一种基于作战任务需求的防空导弹测试项目规划策略,并对实际应用中的关联因素进行了分析。基于该规划策略形成的测试项目具有较好的测试覆盖性和可行性,满足导弹全寿命周期各阶段的测试需求。

基于RS_Hash频繁项集的卫星载荷关联规则算法

遥测数据是反映卫星健康状态的重要依据,对遥测载荷数据进行关联性分析,在一定程度上能反映出卫星的整体运行情况的好坏。针对传统关联规则算法存在效率低下、占用内存过多的问题,提出一种基于RS_Hash频繁项集的卫星载荷关联规则算法。首先对事务数据库使用动态随机抽样的方法获取样本数据,设计抽样误差和抽样停止规则来确定最优的样本容量;其次将抽取出的样本使用哈希桶来存储频繁项集,进而减少占用的内存,提高算法的运行效率;最后使用3个与载荷数据相似的公开数据集和卫星载荷数据集进行实验,结果表明,在公共数据集上取得了良好的效果,尤其是在具有大数据量级的卫星载荷数据集上效果明显,在不同事务长度和支持度的情况下,相较于Apriori、PCY、SON、FP-Growth、RCM_Apriori和Hash_Cumulate算法,RS_Hash算法在平均时间效率上分别提高了75.81%、49.10%、59.38%、50.22%、40.16%和39.22%。

关联项目增强的多兴趣序列推荐方法

现有基于多兴趣框架的序列推荐方法仅从用户近期交互序列中学习得到用户多兴趣表示,忽略了数据集中项目间的关联信息。针对这一问题,提出了一种关联项目增强的多兴趣序列推荐方法IAMIRec(item associa-tions aware multi-interest sequential recommendation method)。首先通过数据集中用户交互序列计算得到项目关联集合和对应的项目关联矩阵,然后根据项目关联矩阵通过多头自注意力机制建模用户的近期交互序列,最后使用多兴趣框架学习得到用户的多个兴趣向量并进行top-N推荐。在三个数据集上对该方法进行了测试与分析,IAMIRec在recall、NDCG(normalized discounted cumulative gain)和hit rate指标上的表现均优于相关方法。实验结果说明IAMIRec可以实现更优的推荐性能,也表明引入项目关联信息可以有效增强用户的多兴趣表示。

价值对老年人项目记忆和联结记忆的影响

大量研究发现价值会提高老年人的项目记忆,但是以往关于价值对老年人联结记忆影响的研究相对较少且结果不一。为深入探讨减缓老年人联结记忆损伤的影响因素,该研究选取某校在校大学生和某市60岁以上健康状况良好的老年人各20名,采用统一的低语义关联程度的图片和词语配对材料,通过两个实验分别探讨了客观赋予和主观评定的价值对老年人项目记忆和联结记忆的影响。结果发现,价值对老年人的项目记忆与联结记忆会产生不同的影响,表现为:老年人对高价值图片的项目记忆与年轻人相比无显著差异,而老年人对高价值图片-词语对的联结记忆显著低于年轻人。而且,主观价值对老年人图片-词语对的联结记忆没有影响。这些结果说明,高价值可以提高老年人的项目记忆,但却无法消除增龄性联结记忆损伤。

一种考虑气象因素的配电网设备故障关联挖掘模型

电网结构日益复杂,故障监测与防范的成本随之增大,而强对流天气的频繁出现使得设备故障与外界条件关联更加紧密,因此挖掘故障设备与故障因素间的关联关系,并对具有较高关联度的设备进行重点监测与防范,对电力系统的安全稳定运行具有重要意义。基于模糊频繁项挖掘算法,提出了1种考虑气象因素的配电网设备故障关联挖掘模型。该模型首先从多元信息库中提取故障特征数据,采用Relief-F算法排除相关程度较小的冗余特征,通过数据预处理与数据整合,构建包含气象因素的故障关联特征库。其次,以故障关联特征库为基础,引入模糊集理论,提出基于模糊频繁项集挖掘算法的故障因素与故障设备关联模型构建方法。最后,基于故障关联模型进行了算例分析,结果验证了所提方法的正确与有效性。

合体字与复合词中联结编码和项目编码的关系

本研究通过考察合体字和复合词加工过程中联结记忆和项目记忆的变化,探究了在将不同项目绑定为整体的过程中联结编码和项目编码间的关系,并结合脑电技术比较了合体字和复合词的加工过程在神经机制上的差异。行为结果显示:与不能组成字或词的编码条件相比,合体字和复合词编码条件下的联结记忆成绩有显著提升,且项目记忆成绩没有下降;与复合词编码相比,合体字编码条件下的联结记忆和项目记忆成绩都显著更好。脑电结果显示:复合词编码时晚期负成分(LNC)主要位于额区且发生较早,而合体字编码时的LNC主要位于枕区且发生更晚;合体字编码比复合词编码在α/β频段的神经振荡去同步化更强。这些结果表明,将不同项目绑定为整体的操作可以强化大脑对联结信息的加工,同时不会损害对项目的加工,支持了“只有收益”的观点。本研究也从实证的角度为汉语学习材料的编排提供了参考。

基于关联规则算法的网络安全隐患数据挖掘研究

网络安全隐患数据具有海量化、复杂化、多元化的特点,因此在对网络安全隐患数据进行挖掘时存在执行时间长、挖全率低、内存消耗量大的问题。为了优化网络安全隐患数据挖掘效果,研究了基于关联规则算法的网络安全隐患数据挖掘模型。计算关联权值和平均值,由此获取数据项集关联度的准确性。通过判别关联程度,完成数据预处理。采用Apriori算法对预处理后的数据进行量化处理,抽取、挖掘、记录可应用数据信息。利用亲和度函数建立目标函数,以获取隐患数据。建立关联规则,以确保隐患数据差异。以可信度结果为基础,构建网络安全隐患数据挖掘模型,实现网络安全隐患数据挖掘。试验结果表明,采用此模型后,执行时间较短、挖全率较高、数据挖掘过程中占用的内存较少。该研究可为网络安全隐患数据挖掘系统设计提供有效支持。

基于骨架模型的直升机关联设计方法研究

基于直升机零部件交联关系复杂的研制特点,提出了基于骨架模型的关联设计应用方法。研究了基于构型项的直升机骨架模型组织、有效性管理、更改管理方法,通过骨架模块化设计和配置,能够满足直升机多构型快速衍生设计。分析了直升机自顶向下的研制关联关系,提出了直升机关联设计流程,直升机自顶向下的关联设计应用贯通提升了直升机研制迭代效率,缩短研制周期。

关联规则挖掘方法在输送线烟箱缺条智能检测中的应用

针对输送线烟箱缺条检测时存在的检测精度较低、抗噪性较差问题,探讨关联规则挖掘方法在输送线烟箱缺条智能检测中的应用。以关联规则挖掘概念为依据,结合特征匹配度概念,获取输送线烟箱全部特征后构建烟箱缺条特征库;采用烟箱缺条关联分析模型,挖掘特征库中的烟箱缺条特征,获取烟箱缺条的极大频繁项集,输入所有待检测的烟箱,通过特征匹配和关联规则获取智能检测结果,完成烟箱缺条智能检测。测试结果表明该方法具备较好的数据挖掘性能和效率,在支持度和置信度均为最小值时,可准确完成烟箱缺条特征匹配,在不同噪声条件下,均具备较好检测结果,应用性较好。

一种聚类矩阵和剪枝策略结合的关联规则算法

在医学领域,Apriori关联规则算法在慢性病等方面有广泛应用。然而,该算法存在一些问题,比如需要多次扫描病例数据库、产生大量数据集和冗余规则。针对出现的相关问题,提出一种结合聚类矩阵和剪枝策略的关联规则数据挖掘算法。通过添加约束条件,并采用聚类矩阵方法来压缩存储事务数据库。同时,引入前剪枝和后剪枝策略优化算法。实验证明,这种优化算法显著减少了数据库的扫描次数,降低了候选项目集的数量,缩短了算法的执行时间,大大提高了运行效率。

基于关联规则的工业控制系统运维数据挖掘方法

大型工业控制系统中存在海量的运维数据,为了降低高维数据最大频繁项集对数据挖掘结果的影响,提升控制系统性能和环境安全,在关联规则的基础上,提出了一种新的数据挖掘方法。在给定的事务数据库中,通过不断改变数值,使得支持度和置信度始终保持最小值,保证关联规则为强关联;经过预处理,将数据转换为离散型数据,运用Apriori算法和DLG算法产生频繁项目集,构建关联图得到频繁项集。当不再产生新的项集时终止计算,所得项集即为最终的数据挖掘结果。在TEP仿真系统上展开实验,结果表明,所提方法可以准确挖掘到控制系统运行过程中的异常数据,并以明显的波动提醒工作人员及时查看。

关联规则挖掘中Apriori算法的研究与改进

经典的产生频繁项目集的Apriori算法存在多次扫描数据库可能产生大量候选及反复对候选项集和事务进行模式匹配的缺陷,导致了算法的效率较低。为此,对Apriori算法进行以下3方面的改进:改进由k阶频繁项集生成k+1阶候选频繁项集时的连接和剪枝策略;改进对事务的处理方式,减少Apriori算法中的模式匹配所需的时间开销;改进首次对数据库的处理方法,使得整个算法只扫描一次数据库,并由此提出了改进算法。实验结果表明,改进算法在性能上得到了明显提高。

基于FP-tree频集模式的FP-Growth算法对关联规则挖掘的影响

通过对两个有代表性的算法Apriori和FP-Growth的剖析,说明频集模式挖掘的过程,比较有候选项集产生和无候选项集产生算法的特点,并给出FP-tree结构的构造方法以及对挖掘关联规则的影响,提出了对算法的改进方法.

一种自顶向下挖掘长频繁项的有效方法

Apriori算法已经成为关联规则挖掘中的经典算法 ,被广泛地用于商业决策、银行贷款、金融保险等几乎所有的关联规则挖掘领域之中 该方法是一种自底向上的有效挖掘方法 ,对于长频繁项 (如 10 0个项目 )该方法会遇到非常耗时的巨大计算问题 采用了一种新的自上而下挖掘方法 ,提出了事务项目关联信息表、关键项目、项目约简、投影数据库等新概念 ,利用投影、约简等方法在候选项集生成过程中及时修剪重复分支 ,使算法的实际效率大为提高 ,较好地解决了长频繁项的挖掘问题 通过计算机实验和算法分析证明了这种挖掘方法的有效性和完备性 新算法的计算复杂度与项目集平均约简项长度有关 ,估计为 0 5×M3 N×O(2 S×N′2 ) 其中 ,S为系统在用户给定最小支持度条件下的平均约简项长度 ,N′是数据库所对应关系的元组数 ,N为记录数 ,M为项目集平均长度 对于长频繁项来说S很小 。

多尺度数据挖掘方法

多尺度理论已被引入到数据挖掘领域,但人们对其研究仍不够深入和完善,缺乏普适性理论与方法.随着大数据处理应用的不断深入,其研究变得更加迫切.针对上述问题,进行了普适的多尺度数据挖掘理论和方法的研究.首先,基于概念分层理论给出了数据尺度划分和数据尺度的定义以及多尺度数据集之间的上下层尺度数据集关系;其次,阐明了多尺度数据挖掘的定义、研究实质和方法分类;最后,提出了多尺度数据挖掘算法框架,给出其理论基础,并将此框架应用于关联规则挖掘,提出了多尺度关联规则挖掘算法MSARMA(multi-scale association rules mining algorithm),实现了多尺度数据集之间知识的跨尺度推导.利用IBM T10I4D100K数据集和H省全员人口真实数据集对MSARMA算法进行了实验和分析,实验结果表明:算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的.