数据驱动的动车组滚动轴承故障预测

为了有效提高动车组滚动轴承故障的发现率,减少故障监控系统的误报现象,基于Apache Hadoop大数据平台对经典Apriori算法进行改进,并将其应用于动车组滚动轴承故障的预测研究工作中。首先,针对经典Apriori算法的不足,在MapReduce框架下提出以业务经验为约束的改进的Apriori算法。其次,基于文中提出的改进的Apriori算法对某铁路局的动车组状态、故障预警、维修历史等信息进行深度数据挖掘,并通过得出的关联规则进行动车组滚动轴承故障的预测。实验结果表明,文中提出的算法准确率达72%,减少了80%以上的误报报警信息,在实验环境中运算效率较传统的Apriori算法提高了50%。     

关联规则挖掘算法及其在冷轧生产中的应用

针对Apriori算法在实际应用中无法发现关联规则变化趋势的问题,该文根据增量挖掘算法的优点对Apriori算法进行了改进。改进的Apriori算法能够在原算法的基础上,通过关联规则统计量的变化确定强规则与候选规则之间的转换,从而进一步发现关联规则的变化趋势,提高了依靠Apriori算法得到的关联规则对决策分析支持的可靠性。将改进算法应用于冷轧生产过程预测中,试验结果表明,改进算法相对于传统的Apriori算法对产量预测的精度提高了30%。     

关联规则在高校学位预警中的应用

关联规则挖掘算法能发现大量数据中项集之间相关的关联,运用Apriori算法对计算机科学与技术专业某一届毕业生成绩数据进行挖掘,得到了不能授予学位学生的不及格课程规律,这些规律对低年级学生的学习和在学位预警中具有一定的指导意义。     

基于MapReduce的Apriori前后项约束关联规则改进算法

针对经典的Apriori算法依赖内存,只适用于小规模数据集,在面对海量数据集时显得无能为力以及该算法没有考虑用户的需求情况等问题,提出了基于MapReduce的Apriori前后项约束关联规则改进算法。该方法首先对经典Apriori算法挖掘过程进行了改进,加入了用户的前后项约束规则,使得在挖掘过程中剪枝的程度更大并且获取到更加精准的规则。然后利用云计算的MapReduce编程技术,对改进的Apriori算法的各个步骤并行化。实验结果表明,改进的算法在处理不同的数据集时有一定的优势,然后经过MapReduce模型并行化后,提高了对海量数据的处理能力和效率,并且具有良好的扩展性。     

Apriori算法的改进及其在单病种信息挖掘中的应用

采取二维数组方法一次性将数据全部读进内存的方法改进Apriori算法,并用改进的Apriori算法对一种单病种信息进行挖掘,得出和管理指标相关的信息,这些信息对今后预防和控制疾病有帮助。     

Apriori算法的改进及其在物流信息挖掘中的应用

在分析当前Apriori算法及其改进算法的基础上,提出了一种将Apriori算法与物流信息挖掘相结合的Apriori改进算法.通过Apriori改进算法与原Apriori算法挖掘结果的比较,说明了Apriori改进算法不仅缩小了剪枝扫描数据库的规模而且减少了生成频繁项目集的候选项目集.     

基于Apriori算法的航空设备故障关联分析

提出一种基于Apriori算法的航空设备故障关联分析方法.将Apriori算法应用于航空设备故障关联规则挖掘中,对源于机载检测系统的故障数据进行提取,建立关联规则挖掘模式,从而挖掘出故障设备之间的强关联规则以便进行故障分析.实验结果表明,Apriori算法可以有效挖掘出航空故障设备之间的关联关系.     

基于遗传算法的农产品评价信息关联规则挖掘

随着农产品电子商务的飞速发展,各交易平台都储存了大量用户评价信息,挖掘这些信息中的强关联规则,可以发现其隐藏的价值。针对关联规则挖掘的经典算法—Apriori算法,在数据信息量庞大的情况下,效率低,运行时间长的不足,引入全局搜索算法—遗传算法,并对遗传算法进行改进,然后将该算法应用到某商务网站农产品评价信息中,挖掘其背后的价值,从而帮助商务网站优化其经营策略。     

基于向量矩阵的Apriori改进算法研究

针对传统的关联分析算法Apriori执行效率低、I/O过重、计算量过大等问题,提出了一种通过减少扫描数据库次数来降低候选项集计算复杂度, 在频繁项集求解过程中通过将事务项集转换为行向量,利用“与”操作来提高算法执行效率的Apriori改进算法。利用学生在校行为数据集对Apriori改进算法进行有效性和高效性验证。同时,为了符合算法对样本数据的要求,在样本数据处理过程中对原始数据进行了清洗和离散化处理,定义了分析对象的样本数据离散化处理的规则。通过实验分析比较了Apriori改进算法与经典Apriori算法的性能。结果表明,Apriori改进算法保持了对实际分析对象关联规则挖掘的有效性,同时具有更高的执行效率。     

关联规则挖掘的Apriori算法综述

关联规则挖掘是数据挖掘研究领域中的一个重要任务,旨在挖掘事务数据库中有意义的关联。随着大量数据不停的收集和存储,从数据库中挖掘关联规则显得越来越有必要性,关联规则挖掘的Apriori算法是数据库挖掘的最经典算法并得到广泛应用,在介绍关联规则挖掘和Apriori算法的基础上,发现Apriori算法存在着产生候选项目集效率低和频繁扫描数据等缺点。综述了Apriori算法的主要优化方法,并指出了Apriori算法在实际中的应用领域,提出了未来Apriori算法的研究方向和应用发展趋势。     

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络（back propagation neural network,BP）等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆（long short-term memory,LSTM）网络算法,在网络事件指标体系的基础上引入层次分析法（analytic hierarchy process,AHP）并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。     

面向食品安全监理话题检测方法的研究

食品安全问题一直是国民热切关注的话题,关系到社会的多个领域。为及时知晓食品安全领域关注的热点问题,对比了食品安全热点话题与其他热点话题在检测方法上的异同,构建了食品安全监理话题检测模型,运用聚类算法对食品安全数据进行文本挖掘来实现话题检测,并对食品安全数据进行分析。通过实验说明,采用Single-Pass算法的评价优于K-Means算法的评价,能够有效地对食品安全话题进行检测。     

基于Apriori优化算法的IDS模型研究

Apfiofi算法是数据挖掘技术中关联规则的经典算法，为了解决在入侵检测系统中使用Apfiofi算法进行模式匹配的低效率问题，提出了针对Apfiofi算法的优化，提出一种基于基于事务压缩和项目压缩的优化算法，该优化算法比Apriori算法具有明显的效率，提高了模式匹配的精度．     

我国水产食品安全与质量控制研究现状和发展趋势

旨在揭示我国水产食品安全和质量控制等研究的发展规律,通过分析近几年国内外文献报导,聚焦水产食品安全与质量控制科研方面的发展,得知国内大部分研究工作聚集在质量检测和控制技术,其余的分布于追溯体系、预警机制和风险评估.目前,我国的水产食品安全性已经达到可控状态,质量检测与控制技术等已获得很大进步.但与国外先进的技术和管理制度相比较,我国仍存有一些问题,在下一步的工作中,需要借鉴国际上的先进经验,结合我国社会与科技状况,进一步推动和完善我国水产食品质量安全保障技术.     

基于改进Apriori算法的配电网设备退役信息挖掘

影响配电网设备提前退役的因素复杂多样,而且多种因素之间互相作用。为了筛选出影响设备提前退役的主要因素候选集,可以利用数据挖掘算法得到其中关联规则。其中,Apriori算法是最经典的挖掘关联规则的算法。但是传统的Apriori算法时间复杂度过大,计算效率不高。针对这一现状,提出一种基于三维矩阵的Apriori优化算法,通过建立三维矩阵以及简约数据库的方式,减少了传统算法中的计算冗余,挖掘出影响配电网设备提前退役的因素频繁项集。结果表明:改进算法能够得到配电网设备退役因素的关联规则并明显提高计算效率。     

粮食管理、预警与应急预案生成系统

为了解决粮食管理过程中存在粮食安全风险预警不及时、不准确和难以找出相应解决方案的问题,构建了粮食管理、预警与应急预案生成系统。利用预警自动地生成应急预案,并与应急指挥系统相对接,提供管理、预警、应急＂一条龙＂式的技术支持。引入短信接口功能,用户可以使用无线终端操作系统。运行结果表明：本系统对已知的风险和潜在的风险处理更为及时,从而解决了以往同类系统功能相对单一的难题。     

机器人产品质量安全监测预警平台研究及应用

机器人产品安全性随机器人数量增长和应用范围扩大而越受重视。为解决机器人安全数据缺乏导致机器人产品质量监管形式及方法受制约问题,设计了以数据为核心、应用为导向的预警系统架构,构建了机器人安全指标库、产品类型库、安全风险库等机器人产品属性和安全属性数据库,研究了基于抽样检测数据、网络舆情数据、消费投诉数据的多源数据处理流程和方法,开发了机器人产品质量安全监测预警平台,实现了机器人质量安全事件和信息的实时采集、智能评估、系统监测和及时预警,为其他工业产品基于大数据的质量监督提供方法参考。     

集成改进AHP与XGBoost算法的食品安全风险预测模型:以大米为例

近年来,我国在食品质量安全管控方面已有较大提升,但伴随着食品产业规模的增大,检验需求量的增多,食品安全检测数据出现高维、复杂且非线性等特征,这些特征会导致定量分析数据利用率低,从而直接影响以数据为载体的风险预测模型的准确性。为提高风险预测模型的准确性,以食品安全检测数据为基础,提出了一种集成层次分析法与极端梯度提升树算法的食品安全风险预测模型,并通过食品安全限定指标对集成模型进行优化改进,从而实现更高效准确的食品安全风险评估。研究以除港澳台外的全国31个省大米危害物检测数据为例,详细阐述了模型的使用方法,检验结果表明,该风险预测模型具有较强的平稳性与较高的准确性。研究旨在为食品安全监管部门评估决策提供一定的理论依据及参考。