船舶碰撞事故中人为失误的灰色识别

利用灰色关联分析方法，对从有条件随机选取的100个船舶碰撞事故书面调查报告中的人为失误数据进行了分析，识别出碰撞事故中涉及的主要人的不安全行为，这些行为对事故发生的贡献排序依次为：瞭望不当、雷达设备使用不当、判断失误、操纵时间不当、通信交流不当、操船不当、未使用安全航速、违反规则以及未运用良好船艺．结果表明，灰色关联分析方法在人为失误识别中是有效、可行的．     

一个新的挖掘广义关联规则算法

在分析广义关联规则基本模型和求解在规则的基本性质基础上，提出一个新的基于关系操作的挖掘广义关联规则算法，该算法既使用了成熟的关系操作又充分利用先验，在多概念层上交互挖掘关联规则，有很好的实用性。     

基于文本挖掘的物探作业事故分析方法

针对物探作业事故提出了一种基于文本挖掘(TM)的分析方法。首先,从人、机、环境、管理四方面分别对事故文本数据进行文本分析,通过筛选得到事故影响因素,并利用k-means聚类识别事故类型;以事故影响因素为前项,事故类型为后项构建多维物探作业事故数据模型,运用多维Apriori技术进行物探作业事故关联分析,得到事故影响因素与事故类型的强关联规则,并通过分析这些规则发掘各类事故的发生规律;最后,应用该方法对某物探公司野外作业事故数据进行分析及验证。研究结果表明,该方法能够加深对事故的认识,为物探作业安全管理提供科学的决策依据,在物探行业事故分析领域有着良好的应用前景。     

时间差异条件下的高速公路交通事故致因分析

为探究高速公路交通事故各影响因素间的内在关联,揭示交通事故发生机理,保障高速公路行车安全,基于河北省2018年高速公路事故数据集,应用考虑定向约束的Apriori算法,分别对工作日和休息日的高速公路交通事故进行了关联规则挖掘,得到3类隐藏规则.研究表明:无论是工作日或休息日,事故通常发生在常规外部条件下,但不良道路条件和不利外界环境的耦合作用更容易引发事故;工作日和休息日导致重大事故和一般事故的形态存在一定差异;采用改进Apriori算法的准确度较原始算法提升了92.8％,证实了改进算法适用于高速公路风险因子的识别,有助于提升该领域的交通安全.     

基于约束关联规则挖掘方法的研究与应用

关联规则挖掘应用于商业等领域,它能发现大量数据中的关联关系,为制定决策提供重要信息。将关联规则应用于客户关系管理,深化CRM的分析功能。针对企业要求和交叉销售的特点,分析基于约束关联规则挖掘方法,提出基于约束的FP-growth算法。分析表明,在CRM中应用基于约束关联规则挖掘方法,可以为企业制定销售策略提供有效的依据。     

采用超图的微博群落感知方法

针对微博群落的识别与形成演化机理的获取问题,提出一种基于超图的微博群落感知方法.归纳微博用户的交互关系,提出以用户为节点、交互关系为边的微博用户交互关系超图模型;分析微博用户交互环境的情境特征,通过FP-TREE方法挖掘用户交互与情境特征的关联规则;根据关联规则对超图模型进行划分,得到具有相同情境的微博群落.以新浪微博为例进行了模拟验证,结果表明该方法能够感知导致微博群落形成的情境特征,且较传统数据挖掘方法能够更加准确地识别微博群落.     

基于数据库约简的关联规则挖掘算法

通过对Apriori算法挖掘过程进行分析，提出了一种基于数据库约简的关联规则挖掘算法．该算法利用每趟挖掘中一些非频繁项集的超集、并集，逐步约简事务数据库中的事务，提高了关联规则的挖掘效率．在这些非频繁项集的基础上建立了数据库约简的定理和推论，并在Apriori算法的基础上设计了ApioriNEW算法．经过对算法进行分析和实验，算法ApioriNEW的挖掘效率比较高．一般情况下，平均可将挖掘效率提高约30%．ApioriNEW算法特别适合大型数据库的关联规则挖掘，已应用在网络故障诊断专家系统的知识获取中．     

基于模糊规则库Fine-Kinney方法的沿海水域碰撞事故人为失误风险分析

引入模糊规则库和传统Fine-Kinney理论相结合的方法对沿海水域碰撞事故人为失误风险进行分析.根据各因子对沿海水域碰撞事故贡献度的分层结果,贡献度值随着管理规定的细化程度降低和船员判断难易程度提高而增加.利用A priority算法对浙江沿海2005—2014年424起海上事故样本进行关联规则挖掘,筛选碰撞事故为前项且人为失误为后项关联规则.利用统计学软件对该方法求出的各因子贡献度值与关联规则中置信度值进行比对分析,证明该方法分析结果基本符合实际情况,可用于海事风险分析研究.该方法首次应用于海事领域,可对单个风险因子进行独立评价.     

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.     

基于记录对比的关联规则挖掘算法设计

介绍了数据挖掘及关联规则的基本概念、数据挖掘算法设计的基本方法、现在流行的基于“支持-可信度”的经典关联规则挖掘算法，有针对性地指出了基于“支持度-可信度”的关联规则挖掘算法的诸多不足之处，在此基础上提出了基于记录对比的关联规则算法设计思想。该算法不再认为数据源中的备条记录是独立的，而认为可以通过记录对比，从记录与记录的差异中，找出某种潜在的关系。最后对基于记录对比的关联规则挖掘算法和基于“支持度-可信度”的关联规则挖掘算法进行了对比分析。     

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。     

一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。Apriori算法是一种经典的最有影响的挖掘关联规则的算法，该算法虽然能有效地挖掘出关联规则，但是产生的冗余规则多，效率低下。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，并对关联规则挖掘的未来研究方向进行了展望。     

分布式数据库关联规则挖掘研究

在分布式系统中如何挖掘关联规则是数据挖掘领域研究的一个重要课题.对关联规则分布式挖掘问题进行了深入探讨.基于以P2P网络模式构建的分布式事务数据库,对Apriori算法进行了推广.改进后的算法具有扩展性好、效率高、通信代价小和实现简单等优点.最后,还提出了一种由频繁项集高效产生强关联规则的算法.     

基于用户反馈的关联规则挖掘在试卷分析中的应用

传统试卷分析系统一般只是对考试成绩做简单的整体统计,如平均分、等级、不及格率等,用户缺乏对试题知识点掌握情况关联程度的准确了解。针对该问题提出一种基于用户反馈的关联规则挖掘算法。首先对原始数据进行预处理,得到试卷知识点评分权重表和二进制的学生得分率表。然后建立一个根据用户选择层数输出关联规则,以及查询与选定知识点相关的规则的新方案。最后,提出了一个考虑用户反馈、支持度和置信度阈值的关联规则挖掘算法,以过滤无用规则,提高挖掘效率。对VB试卷数据应用该算法,发现了基于用户反馈的有趣关联规则。实验结果表明基于用户反馈的关联规则挖掘优于其他关联规则挖掘算法,更易获得有趣的关联规则。     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类，挖掘效率低．为此，本文引入相容关联规则和决策关联规则的概念，提出基于关联规则的缺省规则挖掘算法——DRMBAR，该算法借助FP-tree存储结构挖掘出决策关联规则，并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率，且克服了传统算法依赖于主存的限制，为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。     

基于Apriori和IUA的改进算法

在数据库中挖掘关联规则是数据挖掘领域的一个重要的研究课题,在应用中具有非常重要的意义.在分析Apriori算法和IUA算法经典关联规则挖掘算法的基础上,提出了一种基于最近挖掘结果的更新算法称为IIUA.IIUA算法吸收了Apriori算法和IUA算法的优点,在改变最小支持度和基于最近挖掘结果的条件下,从生成尽可能少的候选项集考虑,得到完整的新频繁项集,从而提高算法的效率.     

基于关键属性约束的关联规则挖掘在日志分析中的应用

日志是计算机取证,入侵检测分析的重要数据来源,运用关联规则挖掘算法对日志进行分析是获取日志中所蕴含有用信息的重要方法.针对基于置信度一支持度框架的常用关联规则挖掘算法在日志分析中存在的不足,引入日志关键属性的概念,提出了基于关键属性约束的关联规则挖掘算法.实验结果表明,该算法能有效阻止无趣规则的产生,提高挖掘结果的有效性.     

考虑需求关联性的多供应商电商库存分配研究

需求关联性现象普遍存在于顾客购买行为中，然而大多数库存管理方面的研究假设产品需求相互独立，忽视关联性造成的影响，可能导致严重的缺货现象发生。针对存在需求关联性情况下具有库存容量限制的多供应商电商库存分配问题，应用FP-Growth算法从订单数据库中挖掘得到关联规则，并将关联规则抽象为一种约束，建立双目标随机规划数学模型，通过分段线性拟合方法对非线性目标函数和约束进行处理。采用非支配排序遗传算法(NSGA-Ⅱ)对模型进行求解，基于“先知种群”改进种群初始化过程，以提升算法收敛速度。使用真实数据的数值实验表明，基于关联规则的库存分配模型能以小幅度增加运营成本为代价，显著减少缺货数量。最后对库存容量、关联规则置信度和供应商个数进行敏感性分析，进一步为电商平台管理者提供了参考。     

关联规则挖掘算法研究

本文论述了关联规则的基本概念、分类、基于频繁项集思想的关联规则挖掘算法——Apriofi算法，以及在基础上对Apfiofi算法的各种改进算法。然后对基于非频繁项集的各种关联规则挖掘算法，多维多层次挖掘算法思想进行了讨论。最后指出了关联规则挖掘的未来研究方向。     

基于频繁模式树的关联分类规则挖掘算法

构建精确而有效的分类器是数据挖掘和机器学习中的一个重要任务．提出了一种基于频繁模式树的关联分类规则挖掘算法，该算法同时考虑所有属性，并对现有关联分类规则挖掘算法中内存要求高、类别属性处理难、I／O访问次数多等问题提出了相应的解决方案．试验结果表明，该方法可以取得比同样基于关联规则的分类算法CMAR更高的执行效率以及基于规则的决策树分类算法C4．5更好的分类效果．