挖掘时态关联规则

改进已有的关联规划模型,增加了时态信息,也就是发现的关联规则包含该关联规则成立的时间范围。同时给出相应的挖掘算法。     

模糊关联规则的挖掘算法

为了提高模糊关联规则挖掘的效率，定义了冗余模糊关联规则，并分析了强模糊关联规则的冗余性质，提出了通过删除冗余模糊关联规则提高挖掘效率的新算法．此外，针对利用支持度和蕴涵度定义的强模糊关联规则挖掘问题，将删除冗余模糊关联规则和不删除冗余模糊关联规则的计算结果与实验结果进行了比较．结果表明，当数据库中项目数较多时，删除冗余模糊关联规则能提高挖掘效率．     

一种新的高效关联规则数据挖掘算法

在分析关联规则的数据挖掘算法基础上,针对Apriori算法进行深入研究,提出了改进算法FA,并在实际项目中加以应用.算法FA在计算选项集支持度所涉及的记录数目将小于事务数据库中原记录数目,提高了原算法的效率,具有一定的实用性.     

一种新的高效关联规则数据挖掘算法

在分析关联规则的数据挖掘算法基础上,针对Ariori算法进行了深入研究,提出了改进算法FA,并在实际项目中加以应用,算法FA在计算选项集支持度所涉及的记录数目将小于事务数据库中原记录数目,提高了原算法的效率,具有一定的实用性。     

油液监测故障诊断关联规则的挖掘研究

叙述了基于规则推理的传统专家系统对规则提取的局限性，介绍了数据挖掘的概念，并就柴油机故障诊断问题指出关联规则的必要性，确定了挖掘关联规则所需的数据库结构．并讨论了柴油机系统单层次故障和多层次故障关联规则的挖掘．     

基于决策属性的关联规则挖掘

针对具有决策属性的数据库模型,提出了高效挖掘关联规则算法,即矩阵划分算法:根据决策属性将扫描后的数据库划分成两个包含不同决策属性的矩阵,分别采用向量法挖掘频繁项目集.关联规则的生成可充分利用“与”运算的优点,查找规则前件或后件的支持度.所提出的算法减少了候选二项频集的生成,以及“与”运算的大小,与apriori算法及传统的向量法挖掘关联规则相比,效率明显提高.     

广义关联规则基及其挖掘算法

为了解决传统的关联规则挖掘中产生大量规则的问题，提出了项目集上闭集和广义关联规则基的概念，并得出了闭项目集的上闭集是它本身、上闭集是惟一的等性质．基于这些性质，给出了事物数据库的广义关联规则基，不仅保留了数据库中所有关联规则的信息，而且规则有一致的结构，从而最大限度地减少了规则生成的数量．此外，还设计了广义关联规则基的挖掘算法，并通过实例验证了它的正确性．     

基于异几率属性的可视化关联规则挖掘

在分析数据特性的基础上,提出了一种基于异几率属性的可视化关联规则挖掘算法,不仅提高了原算法的运行效率,而且提供了一个可视化的交互平台,使用户主动地挖掘感兴趣的关联规则.     

基于矩阵的多段支持度关联规则挖掘算法

为有效提高关联规则挖掘算法效率,提出了一种基于矩阵的多段支持度关联规则挖掘算法,该算法通过一次数据库扫描将事务数据存放在矩阵中,利用矩阵进行支持度的计算和频繁集的寻找,同时将项集支持度分段计算的思想应用其中,减少候选集生成,实验表明,算法效率得到了较大提高。     

基于决策属性的关联规则挖掘

针对具有决策属性的数据库模型,提出了高效挖掘关联规则算法,即矩阵划分算法:根据决策属性将扫描后的数据库划分成两个包含不同决策属性的矩阵,分别采用向量法挖掘频繁项目集.关联规则的生成可充分利用"与"运算的优点,查找规则前件或后件的支持度.所提出的算法减少了候选二项频集的生成,以及"与"运算的大小,与apriori算法及传统的向量法挖掘关联规则相比,效率明显提高.     

基于包含度的事务数据库关联规则挖掘

通过包含度刻画了关联规则信任度概念及讨论了它与Rough set精度的关系,特别地通过包含度的性质推导了信任度的增量计算。     

PSO算法在关联规则挖掘中的应用

提出了一种新的大型数据库中关联规则挖掘策略,利用PSO算法对原始数据库进行划分,将原始数据库分为n个子数据库,再使用FP-Growth算法对每个子数据库进行关联规则挖掘.实验证明:该方法有效的改善了FP-Growth挖掘算法的效率,尤其是对大型数据库进行着挖掘时,该方法相比于其它算法具有更高的效率.     

属性序下的增量式Pawlak约简算法

为了对动态变化的决策表进行属性约简处理,在给定的属性序下,提出了一种基于分辨矩阵元素集的增量式Pawlak约简算法.该算法根据新增对象的不同情况快速更新分辨矩阵元素集,并依据其元素的变化,在给定属性序下快速更新Pawlak约简.实例和仿真实验结果表明,该算法是有效、可行的,与非增量式算法相比,效率平均提高91.4%.     

一种基于闭项集的无冗余关联规则挖掘方法

针对关联规则挖掘中存在的规则数量过多,难于理解和应用的问题,提出了一种基于闭项集的无冗余关联规则挖掘算法．首先,给出了无冗余关联规则的定义,并基于规则信任度的概念说明了该定义的合理性;其次,在生成子、闭项集和无冗余关联规则的基础上,给出了无冗余最小．最大精确规则基和无冗余最小．最大近似规则基的定义,并讨论了它们的剪枝策略．最后,讨论了生成子的性质及连接策略,并在包含索引的基础上,给出了一种宽度优先的无冗余关联规则挖掘算法．实验结果表明,本文提出的算法不仅可以发现规模较小的无冗余关联规则,提高了挖掘结果的可理解性,而且具有较高的挖掘效率．     

基于粗约简的数据流增量聚类算法

针对数据流聚类算法CluStream需预先指定微聚类数目无法准确描述数据流的变化,进而影响最终聚类结果的缺陷,提出了基于粗约简的数据流增量聚类算法RICStream(rough incremental clustering stream).该算法在保证聚类精度的前提下,对参与聚类的数据流属性进行动态调整,有效地减少了聚类时间和计算量.提出了一种可增量调整的网格结构以存储数据流,保证了聚类结果能有效反映数据流的变化情况.基于真实数据集和仿真数据集的实验结果表明,RICStream算法具有较高的效率和聚类精度.     

基于Rough集理论的增量式数据挖掘算法

提出一种求精简规则的带支持信息的增量式算法IDMA,该算法改进了传统挖掘算法的缺点,可充分利用已挖掘出的规则集来对新增实例进行决策规则挖掘,同经典Rough集挖掘算法比较,算法IDMA计算过程简单,而且效率较高.