改进的FUP算法在五金产品质量分析系统中的应用

以阀门作为五金产品质量数据分析的实例,对阀门产品质量数据进行分析,主要是分析阀门产品的缺陷数据。针对传统的增量式关联规则算法FUP没有考虑到数据的时间属性,在FUP算法的基础上提出一种改进算法,并且将改进的FUP算法运用到产品质量分析系统中。通过实验结果对比发现,使用了改进算法以后,原来的许多规则已经不在生成的规则列表中出现,而一些新的规则被生成了。

一种改进的基于FFT Pruning算法的快速实现方法

针对文献[5]提出的FFT Prun ing算法作了一些改进,得到了只计算FFT频谱中部分频点谱值的改进的快速实现方法.根据输入输出数据的结构特点,利用辅助矩阵和数据复制等手段,降低了FFT Prun ing算法实现的复杂度,提高了FFTPrun ing算法实现的灵活性.将改进后的FFT Prun ing算法用C语言实现并在DSP集成开发环境CCS下的C5402 D evice S im-u lator上运行.在相同条件下,再运行一般意义上的FFT算法和文献[5]中算法所对应的C程序,统计3种方法的运行时间并比较他们的效率.仿真结果表明:在相同的条件下,改进后的算法在快速准确地得到相关频谱值的同时,运算时间明显少于另外两种方法.同时,对输入输出端所取数据的长度也没有任何限制.

一种改进的关联规则增量式更新算法

针对增量式更新关联规则算法FUP会产生大量候选项集和多次扫描数据库的问题,提出改进算法PFUP。该算法借鉴强频繁项集概念,利用强频繁项集连接生成小数量的候选项集,采用预剪枝策略减少对数据库的扫描次数。仿真实验表明,在数据库和支持度相同的情况下,PFUP算法的执行时间比FUP算法减少了50%左右。

关联规则的更新及其算法

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。关联规则是当前数据挖掘研究的主要模式之一,侧重于确定数据中不同领域之间的联系,找出满足给定支持度和可信度阀值的多个域之间的依赖关系。根据关联规则的算法,介绍了FUP、FUP*等对规则的更新及维护的典型算法,并指出了数据挖掘的进一步研究方向。

数据挖掘中关联规则更新算法的研究

在实际应用中,数据库不是静止的,它会随着数据记录的增加而不断地改变,因此,对于已经挖掘出来的关联规则的维护问题在KDD系统成为一个新的挑战。本文主要对典型的关联规则更新算法FUP及FUP 进行分析、探讨和评价。

一种新的关联规则的增量式更新算法

讨论了关联规则的增量更新问题。以往或现有的对关联规则的增量式更新算法,大部分以IUA算法为基础,本文则是以FUP算法为基础,首先分析FUP算法,并给出其基本思想,然后指出其存在的优点与缺点,并提出了一种改进的关联规则增量更新算法NFUP。

一种高效的关联规则增量更新算法

对挖掘关联规则中FUP算法的关键思想以及性能进行了研究,提出了改进的FUP算法 SFUP。该算法充分利用原有挖掘结果中候选频繁项集的支持数,能有效减少对数据库的重复扫描次 数,并通过实验对这两种算法进行比较,结果充分说明了SFUP算法的效率要明显优于FUP算法。

一种优化的关联规则增量更新算法

针对PFUP算法存在扫描多次数据库这个瓶颈问题,提出一种优化的关联规则增量更新算法MIFUP(Mixed Improve Fast Updating)。该算法提出了两种优化策略:借鉴事务压缩原理和用数组存放一阶非频繁项集个数。实验仿真说明,MIFUP算法效率明显优于PFUP算法。

增量式关联规则挖掘算法的研究

关联规则挖掘是数据挖掘中的重要研究内容,在实际应用中,数据库的更新必然引起关联规则的变化,如何高效地获取更新后数据库的关联规则成为研究的热点。本文重点对增量式关联规则FUP算法的基本思想进行了探讨,指出了该算法的优缺点并通过具体实例说明发现频繁项集的方法,最后针对该算法会产生大量候选项集和多次扫描数据库的问题,指出了改进算法,为增量式关联规则挖掘奠定理论基础。

增量式关联规则挖掘算法在大学生心理危机预防中的应用研究

关联规则挖掘是数据挖掘中的重要研究内容.分析了关联规则增量式更新算法FUP算法的思想,指出算法的优缺点及改进算法,为增量式关联规则挖掘奠定理论基础.最后将该算法应用于大学生心理健康测评数据,从而使相关职能部门有效地制定大学生心理危机干预计划、减少或消除危机.

一种改进的增量关联规则算法

针对增量式更新关联规则算法FUP会产生大量候选项集和多次扫描数据库的问题,提出改进算法NFUP。该算法通过新旧数据库频繁项集间的关系得出所有频繁项集,尽可能利用已有的挖掘结果来生成较少的候选项目集并较少次数地扫描数据库。仿真实验表明,NFUP算法的执行时间比FUP算法减少了不少。

关联规则挖掘在电子病历分析中的应用研究

针对甲状腺电子病历数据量大、更新速度快的特点,提出了一种挖掘有效关联规则的技术.该技术运用区间归并法与特征区间法相结合的离散化方法对病历中的数据进行预处理;在规则生成的核心算法中,提出了优化的增量更新FUP算法,算法通过对新旧数据库设定不同的支持度得到病历各属性间的关联规则.实验验证了改进算法的有效性,挖掘结果对了解疾病的诊断、治疗、发展规律有重要价值,对医学研究有重要意义.

兴趣度在增量的关联规则挖掘中的研究

一般的关联规则发现算法使用的都是支持度、置信度框架。但是在增量的数据挖掘过程中,该类算法却需要不断改变支持度、置信度,使得算法本身效率下降,并缺乏可说服性,比如Apriori算法。为了解决该类问题,使用兴趣度框架对增量的数据进行了关联规则挖掘,比较了基于支持度、置信度框架的算法(如Apriori,FUP算法)和基于兴趣度的算法之间的优缺点。试验结果表明:兴趣度能够有效地筛选关联规则,在进行增量的数据挖掘的情况下得到的关联规则总是小于等于支持度、置信度(Apriori)算法挖掘出的规则。

基于多智能体深度强化学习的无人机路径规划

为解决多无人机(unmanned aerial vehicle, UAV)在复杂环境下的路径规划问题,提出一个多智能体深度强化学习UAV路径规划框架.该框架首先将路径规划问题建模为部分可观测马尔可夫过程,采用近端策略优化算法将其扩展至多智能体,通过设计UAV的状态观测空间、动作空间及奖赏函数等实现多UAV无障碍路径规划;其次,为适应UAV搭载的有限计算资源条件,进一步提出基于网络剪枝的多智能体近端策略优化(network pruning-based multi-agent proximal policy optimization, NP-MAPPO)算法,提高了训练效率.仿真结果验证了提出的多UAV路径规划框架在各参数配置下的有效性及NP-MAPPO算法在训练时间上的优越性.

基于矩阵的关联规则增量更新及其改进算法

为了解决大数据环境下如何高效地挖掘关联规则并进行增量更新,在原有的fast updating pruning(FUP)算法基础上,首先提出一种基于矩阵的关联规则增量更新方法(MFUP),该方法将数据集转化成布尔矩阵,减少对数据集的扫描次数以及数据集的存储量;然后将MFUP与Hadoop分布式计算框架结合,提出一种分布式环境下的新算法Cloud MFUP(CMFUP);最后通过设计实验进行对比分析。结果表明,在挖掘相同数据量的关联规则并进行增量更新时,MFUP算法相比FUP算法执行时间更少,且随着数据集的增加,其增速更慢;对比CMFUP与MRFUP算法表明,随着分布式环境下数据集的增加,前者较后者执行时间更短增速更慢。