一种应用关联规则森林的改进贝叶斯分类算法

针对朴素贝叶斯分类方法中属性值条件独立假设不适应实际情况的问题,提出了关联规则森林表示法及应用关联规则森林的改进贝叶斯分类算法(ABC算法).ABC算法利用关联规则挖掘得到满足条件的关联规则,并由此来构造关联规则森林,而规则森林中所有根节点的概率与所有适用的规则置信度连乘,就得到所有属性值的联合概率.应用UDI数据集对分类器进行了测试,分类结果表明,ABC算法的分类准确率明显高于朴素贝叶斯分类算法,平均提高5%,特别是对属性间有着较强依赖关系的数据集,其分类准确率提高了37%.     

煤矿工程图形快速"剪裁"

针对煤矿工程图形对快速“剪裁”的需求，分析了各类拟剪裁图元与剪裁边的关系，提出了一种有效的快速“剪裁”算法，并给出了应用实例。     

基于VS-Adaboost的实体对齐方法

针对现有实体对齐方法大多以本体模式匹配为基础，处理异构关联数据集间对齐关系存在局限性且实体链接缺失问题严重的现状，在分析关联数据语义的基础上，提出了一种独立于模式的基于属性语义特征的实体对齐方法，对关联数据集中实体属性根据语义标签特征及统计特征建模，并采用有监督的可变样本集VS-Adaboost算法实现分类器优化。实验结果表明，该方法的时间效率、准确率、查全率较高，F测度效果较好。     

基于灰关联分析-模糊推理的目标关联技术

提出了灰关联分析与模糊推理相结合的方法,称为GCA-FDM。GCA-FDM主要用于低时间分辨率的战术机动目标之间的关联。选取航天监测信息中相对稳定的目标属性特征作为基本的关联参量,计算目标间的关联度,以此作为目标关联的判决依据。同时,综合考虑当前战场各方面信息,利用模糊推理方法,对灰关联结果进行修正,从而能够得到更好的结果。GCA-FDM对目标样本数量没有太大的要求,具有广泛的实用性,弥补了经典关联算法在低时间分辨率目标关联中的不足。通过一个应用案例详细说明了GCA-FDM算法的操作过程。     

基于WEFCMO算法的引导型商品营销实训辅助策略研究

本文针对学生商业实践课程实训需求,提出了基于WEFCMO算法的引导型商品营销实训辅助策略。通过建立商品关联数据网络,获取各商品节点关系的集合,再依据新旧属性及类别属性对商品进行档次划分,运用零售商品数据的快速聚类(WEFCMO)算法进行聚类,最终得到聚类结果,为学生实训提供引导式商品营销信息支撑。     

管理分类规则的广义决策树

为了将传统的决策树无法管理的、由各种分类算法所发现的大量的有意义的规则进行有效的存储、剪裁和使用 ,提出了广义决策树结构。它将传统决策树的结构进行扩展 ,能够以较少的存储代价管理所发现的所有分类规则 ,且易于表达规则之间的关系。提出了有效的优化策略。以此树为基础 ,将决策树分类算法与基于关联规则的分类算法进行了概括统一 ,并提出了相应的算法。实验结果证明 ,广义决策树克服了传统决策树的缺点 ,并且适宜于维护、剪裁以及快速搜索大量的分类规则     

基于灰色关联分析的犹豫模糊多属性决策研究

针对属性值为犹豫模糊元的决策问题,提出一种基于灰色关联分析的多属性决策方法.首先,依据犹豫模糊的交叉熵得到属性模糊熵矩阵,从而确定属性的权重,并采用灰色关联度模型对决策属性间的相互关联度进行分析,得到属性间的灰色关联矩阵;采用最小关联度原则将矩阵标准化,得到有效的无关联矩阵,然后对属性权重进行调整,得到更合理的属性权重分配;最后,基于灰色关联分析得到各方案与理想方案的关联度,与权重相乘得到方案的排序,并通过算例分析表明该方法的有效性.     

网络学习中学习者个性挖掘方法的研究

提出了一种面向个性化网络学习的学习者个性挖掘方法，以实现网络学习中学习者个性特征的自动获取．该方法首先通过对样本学习者的个性属性归并，去除冗余的个性属性；进而通过对学习者行为模式与个性特征的定量关联规则分析，得到两者间的关联规则；最终据此规则对后续学习者的行为模式进行推理，获取学习者的个性特征．此方法不仅解决了个性化网络学习中学习者个性特征的自动获取问题，而且还可表现出个性与行为间的关系．该方法已在计算机教学管理示范系统中进行了试验，结果表明该方法是有效的．     

挖掘关注的语言值关联规则

为了解决利用RFCM算法划分数量型属性，并通过组合语言值进行语言关联规则挖掘中出现的规则数量太多，以及难于获得用户真正关注的规则等问题，提出了一种改进的语言值关联规则挖掘算法。通过最大隶属原则将记录在数量型属性上的取值转换为语言值，然后转换成布尔型属性关联规则挖掘问题。同时，给出一个能够度量语言值关联则简洁性和新奇性关注程度（兴趣度）的计算函数，用于减少选取关注语言值关联规则的工作量。采用本文提出的方法对一组实例数据进行实验，得到了关注程度较高的语言值关联规则。所采用的方法能适用于含有大量数量型属性的数据库，并能有效地获取用户关注的规则。     

模糊关联规则格的规则提取

针对模糊属性事务数据库提取模糊关联规则的问题,采用模糊概念格与模糊关联规则相结合的方法,实现格节点与属性项集的对应关系,提出模糊关联规则格理论,在渐进式建格算法基础上对格节点相应修改,给出了适用于动态数据库的模糊关联规则格的构建思想.利用模糊关联规则格挖掘关联规则,与采用Apriori算法计算频繁项目集获取规则相比较,容易获得用户感兴趣的关联规则,同时减少冗余规则的生成,使挖掘算法得到优化.     

关联规则和聚类分析在个性化推荐中的应用

提出了两种应用访问页面关联规则和访问模式聚类分析结果相结合进行个性化推荐的方法,即将聚类分析作为关联规则的预处理和将关联规则和聚类分析互补使用,并与单独应用访问页面关联规则或访问模式聚类分析结果进行个性化推荐时的推荐测度进行了比较·实验表明,将聚类分析作为关联规则的预处理的推荐方法可以显著地提高推荐的准确率,而将关联规则和聚类分析互补使用的推荐方法具有较高的推荐覆盖率·同时发现将聚类分析和关联规则结合使用并不能同时改善推荐的准确率和覆盖率·     

Apriori算法和矩阵分析在医学数据分析中的应用比较

主要通过用Apriori算法对临床收集的2 104条体检数据进行关联分析,得到一些病症之间的关联规律,再应用统计分析的方法对数据集进行验证性分析,并将2种分析方法进行比较,相互印证得出了"2型糖尿病"与关联并发症按照密切程度排序的结果,探寻了医学数据分析的途径。     

基于关联规则的MODIS影像绿潮检测

由于缺乏对绿潮灾害的深入认识和有效的监视监测,海域管理部门的决策管理和防治措施还处于被动局面。为解决这一现状,选取青岛附近海域的3景MODIS影像作为实验数据,分析了浒苔的光谱特性并对浒苔进行了特征选择,然后运用关联规则挖掘出浒苔及其光谱之间的关联关系,并使用发现的关联规则对浒苔进行检测,检测结果相比同类研究具有较高的精确度。对提高绿潮研究的科学性和深入性具有重要意义。     

基于软集上逻辑公式的极大关联规则描述与挖掘方法

针对常规关联规则定义中未涉及项域划分的问题, 提出极大关联规则是对常规关联规则的有益补充. 以软集理论和软集逻辑公式为主要工具, 解决了常规关联规则和极大关联规则挖掘中相关核心概念的描述问题, 获得了二者的统一数学刻画. 实例分析表明, 与经典挖掘方法相比, 基于软集逻辑公式的极大关联规则挖掘方法能有效降低冗余, 并剔除无效规则, 提高了所得规则的准确性和挖掘效率.     

基于模糊集的时序关联规则的度量准则

指出了时序关联规则在支持度度量上的不足,存在处理高密度海量数据时往往要耗费大量的时间处理规模巨大的频繁候选集,同时需要多次重复扫描数据库,执行效率低等问题,提出了重新定义支持度度量方法的时序关联规则.针对时序关联规则在解决项分类时涉及到的分层不确定、不准确情形,引入了基于隶属度的模糊层次分类结构,定义了项间距离、项集间距离,最终得到一种新的关联规则间距离的度量方法.实现了模糊层次分类,将时序关联规则结果进行聚类分析,得到规则和规则之间相似性,实验验证了该方法的有效性.     

带有时态约束的多层次关联规则的挖掘

为了适应现实世界数据中数据具有多层次性和时态性的客观情况，在以往关联规则挖掘算法的基础上，提出上具有时态约束的多层次关联规则的挖掘算法，该算法在核心思想是利用统计分析方法，根据用户给定的最小支持度和最小可信度，确定出用户感兴趣的关联规则，实例分析结果表明，该算法与单层次的无时效性的数据挖掘算法相比更有应用价值。     

关联规则在股票分析中的应用

本文介绍了在数据挖掘中关联规则的基本概念和属性 ,进一步讨论了关联规则在股票信息数据挖掘中的应用 .股票的行情交易数据库在经过一定的预处理后 ,用Aprorio算法挖掘出隐藏在数据背后的有用的规则 ,为投资者提供了有效的决策支持 .     

对数据挖掘中关联规则算法的比较研究

本文介绍了关联规则的概念,关联规则挖掘的方法;分析了Apriori算法的核心方法,以及基于Apriori算法的改进方法,提出关联规则的价值衡量方法和关联规则挖掘今后进一步的研究方向。     

基于属性差异的产品缺陷数据关联规则模糊分类

针对工业生产过程中所产生的产品缺陷数据经过数据挖掘后关联规则存在不能有效组织的问题,提出一种基于项目属性差异的产品缺陷数据关联规则模糊分类方法,在建立模糊分类树的基础上,计算出关联规则间距离,并采用自组织神经网络聚类的方法对挖掘结果进行聚类分析。将该方法应用于冷轧带钢表面缺陷数据挖掘后处理,结果表明,该方法不仅能够得出两种不同属性项目间的关联性,还可以求出缺陷关联规则间的距离,距离越近的关联规则被聚为一类,其相似性越大。     

关联规则挖掘的一种多剪枝概念格方法

多数据源上关联规则挖掘方法,由于各数据节点间相互通信的候选项集数目过于庞大或者挖掘过程需要对数据库进行多次扫描,导致挖掘算法效率不高。研究剪枝概念格(pruned con-cept laffice,PCL)中概念与频繁项集表示关系,定义剪枝格上的导出频繁项集,设计了一个利用多剪枝概念格从多数据源上挖掘近似所有关联规则的算法UMPCL(union algorithm of multiplepruned concept lattice)。利用一个频繁概念表示一些频繁项集以减少挖掘过程中产生的侯选项集数,使用与全局支持度相等的局部支持度对各子概念格进行剪枝,最后融合、剪枝各子剪枝格并提取全局关联规则。理论分析和实验验证表明该算法是有效的。