基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。     

基于关联规则算法的换流站SER事件集挖掘方法

为提高运维人员面对换流站生成的海量事件顺序记录（SER）数据的分析能力，本文提出一种基于关联规则算法的换流站SER事件组挖掘方法。首先利用原始SER事件特征筛选，建立换流站SER事件多维模型；进而利用关联规则算法FP-Growth算法进行数据挖掘与分析，得到换流站典型事件的SER支持组与置信事件；最后基于SER支持组与置信事件分析SER事件集可靠性，方便换流站运维人员及时发现换流站的设备异常动作，减少人工盘查SER造成的事件漏看、错看的可能性。通过挖掘昆柳龙直流换流站调试期间SER事件集，表明所提出的方法可以有效的挖掘SER事件集的关联性，为运维人员及时发现SER事件缺失起参考作用。     

商务大数据环境下特定类型 用户智能识别方法

随着大数据时代的来临,商家拥有了越来越多的数据,从而能够准确识别出用户类型.准确的用户类型识别可以帮助商家进行精准营销,提高销售利润.由于商务数据存在数据不全等问题,若直接应用现有的分类方法识别用户类型,识别效果并不太好.借鉴关联规则算法的思想,设计一种商务大数据环境下可智能识别特定类型用户的方法.该方法首先选取种子商品,然后利用种子商品和其他商品的强关联规则,分层次赋予商品权重,再将权重映射到用户身上从而得到一个特征值,最后依据用户特征值来识别用户类型.该方法只利用购物记录数据,就能有很好的表现.通过真实数据集上的实验,以识别超市中婴幼儿家庭用户为例,证明了该方法的效果.     

基于异常模式识别的服务过程改进

持续的改进服务过程,是提高服务过程管理水平的重要方法之一。但在服务过程改进中往往难以识别服务缺陷产生原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,为有效改进服务过程提供了决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

目标类型识别的改进灰关联模型

针对防空作战目标类型识别的具体需求,分析了传统和广义灰关联模型在处理数据时存在的不足之处,建立了基于熵权法的改进灰关联目标类型识别模型。首先,为了提高空情数据的利用率,运用熵权法对数据熵值进行描述而后客观地赋予权重;其次,用置信度取代数据的绝对差值,更加准确地描述数据间相对差异的偏差情况;最后,对模型输出结果进行离散化处理,增强了模型的区分能力。用实例对模型进行检验,结果表明:该模型准确、简单且识别率高。     

一种改进的基于意图识别技术的报警信息关联处理模型

在分析了现有的各种报警关联算法的基础上，提出了基于意图识别技术的报警关联分析模型，并采用了MIT林肯实验室数据对该模型进行了计算机模拟。结果表明，选中的647个初级报警信息经过处理后报警数量减少到112个，说明该模型能够去除无关报警、冗余报警，并可以提高报警的准确率和报警质量。     

基于异常模式识别的服务过程改进

持续地改进服务过程,是提高服务过程管理水平的重要方法之一,但在服务过程改进中往往难以识别服务缺陷产生的原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,以为有效改进服务过程提供决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

基于PFP的关联规则增量更新算法

对快速增长的数据进行挖掘的有效途径之一是采用增量式更新算法,其中最具代表性的是MRFUP算法。该算法的剪枝策略减少了关联规则的计算,但在处理增长快速的数据时效率过低,且频繁计算新增数据。文章以提高海量数据下关联规则增量更新效率为目标,通过扩展能够并行处理关联规则的PFP算法而提出一种基于PFP的关联规则增量更新算法MRPFP。该算法能充分利用云平台强大的存储和并行计算能力。该算法的实验结果表明,MRPFP处理海量数据的效率优于MRFUP算法,更适用于海量数据的关联规则挖掘。     

异质数据集关联规则挖掘

针对存在的关联规则挖掘算法不能有效地在异质数据集中进行,本文首先使用领域本体方法处理数据集中的异质现象,然后提出了一种有效的XML异质数据集关联规则挖掘算法,实验结果表明该算法在挖掘速度和挖掘时在对内存的占用方面都优于现有的算法。     

基于大数据关联规则的网络恶意行为识别检测

为提升数据挖掘技术与网络恶意行为识别准确率,研究基于大数据关联规则的网络恶意行为识别检测方法。模糊化处理网络中存在的大数据,构建模糊数据库,分类聚集模糊数据库中的模糊数据,离散化处理模糊数据的连续属性,确定模糊数据频繁关联规则,通过基于模糊关联规则的数据挖掘方法获得整理后的网络数据;以此为基础,分析用户恶意访问流量特征,加权处理用户访问流量特征与用户信息熵特征,建立多特征融合的网络恶意行为识别模型,完成网络恶意行为识别检测。经实验验证,该方法识别检测网络恶意行为时准确率较高,在93%以上,漏检测率较低,低于8%,在数据挖掘时具有较低的时间消耗与空间消耗,支持度较高。     

云计算环境下基于张量分解的缺失关联规则挖掘算法

针对云计算环境下由于数据缺失导致关联规则发现误差较高的问题,提出一种基于张量分解的缺失关联规则分布式发现算法,从而建模关联规则、缺失数据并近似它们的置信度.利用Apriori算法进行局部数据相关以获得频繁项集,通过CANDECOMP/PARAFAC (CP)分解方法分解张量置信度,使用共轭梯度算法进行迭代以最小化近似张量的成本,当存在缺失数据的情况下,利用分布式算法将局部相关与全局相关结合发现缺失关联规则.仿真结果显示,算法的平均误差仅为5.55％,最大误差不超过10％,低于其他几种较新的缺失关联规则算法,相比基于聚类的关联规则算法,平均执行时间减少了16.5％.结果表明,所提基于张量分解的分布式算法在缺失数据的情况下,性能优于其他的关联规则算法,能更加有效地提供缺失规则置信度的近似解.     

集装箱起重机机械状态监测信息的关联规则挖掘

对集装箱起重机状态监测系统中积累的大量数据进行数据挖掘,发现隐含在其中的新知识对掌握及预测起重机的机械状态是很有必要的.基于改进的竞争聚集(mCA)算法的量化关联规则挖掘方法,挖掘起重机状态监测信息中的关联规则,讨论了这些规则的特点,并对各种规则反映的起重机状态进行了分析.结果表明,通过观测各监测点特征值间关联规则的变化可掌握岸桥机械状态的变化.     

正、负关联规则挖掘算法的实现

关联规则挖掘寻找给定数据集中项之间的有趣关系,是数据挖掘的主要研究方面.传统的关联规则挖掘算法仅能挖掘正关联规则,事实上,负关联规则也包含了非常有价值的信息,对于决策的作用也是不容忽视的.     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

改进的关联规则挖掘算法-MIFP-Apriori算法

Apriori算法是关联规则挖掘的经典算法,具有原理简洁、易编程实现等优点,得到广泛应用。针对该算法扫描数据库次数过多,产生大量冗余候选集的缺陷,在现有Apriori算法改进优化思想的基础上,结合矩阵、改进频繁模式树和计算候选集频数优化策略提出了一种改进的关联规则挖掘算法——MIFP-Apriori算法。实验表明,该算法能够将扫描数据库次数降低到一次,有效解决产生大量冗余候选集的缺陷,提高算法效率。     

A new incremental updating algorithm for association rules

Incremental data mining is an attractive goal for many kinds of mining in large databases or data warehouses. A new incremental updating algorithm rule growing algorithm (RGA) is presented for efficient maintenance discovered association rules when new transaction data is added to a transaction database. The algorithm RGA makes use of previous association rules as seed rules. By RGA, the seed rules whether are strong or not can be confirmed without scanning all the transaction DB in most cases. If the distributing of item of transaction DB is not uniform, the inflexion of robustness curve comes very quickly, and RGA gets great efficiency, saving lots of time for I/O. Experiments validate the algorithm and the test results showed that this algorithm is efficient.      

A new incremental updating algorithm for association rules

Incremental data mining is an attractive goal for many kinds of mining in large databases or data warehouses. A new incremental updating algorithm rule growing algorithm (RGA) is presented for efficient maintenance discovered association rules when new transaction data is added to a transaction database. The algorithm RGA makes use of previous association rules as seed rules. By RGA, the seed rules whether are strong or not can be confirmed without scanning all the transaction DB in most cases. If the distributing of item of transaction DB is not uniform, the inflexion of robustness curve comes very quickly, and RGA gets great efficiency, saving lots of time for I/O. Experiments validate the algorithm and the test results showed that this algorithm is efficient.     

Apriori_Q:关联规则的有效求解

通过对Apriori算法的分析，提出了一种关联规则挖掘的改进算法Apriori_Q。该改进算法减少了模式匹配和对数据库访问的次数，理论分析与实验结果表明，Apriori_Q提高了关联规则生成的效率，因而更具有实用价值。     

基于Hash结构的关联规则交互挖掘算法

关联规则挖掘是数据挖掘的主要技术之一,现有的关联规则挖掘算法均基于支持度-置信度框架,当用户调整阈值时存在多次遍历数据库和重复计算问题。该文针对支持度阈值变化时的关联规则维护问题,提出了关联规则交互挖掘算法HIUA,该算法改进了原始IUA算法的剪枝过程,并通过Hash结构提高算法运行效率。在UCI数据集及企业实际财务数据集中的实验结果表明:在支持度阈值发生变化的过程中HIUA算法进一步利用已有挖掘结果,有效提高了关联规则挖掘的效率。