基于Ant-Miner的洪灾风险区划模型及应用

应用蚁群优化算法(Ant Colony Optimization,ACO)进行规则挖掘是一个新的研究热点。为解决指标变量与风险级别间非线性关系,提出一种基于蚁群规则挖掘算法(Ant-Miner)的洪灾风险区划模型。在GIS技术支持下,将该模型应用于北江流域洪灾风险区划实例中,结果表明:1 Ant-Miner模型可挖掘15条适合研究区的洪灾风险分类规则,这些规则以简单的条件语句形式表现,便于生成风险区划图;2 Ant-Miner模型测试精度(95.1%)高于相同条件下BP神经网络模型的精度(92.9%),表明其分类性能更好,对洪灾风险区划具有更好的适用性;3研究区高风险区主要集中于降雨量较大、地势平缓低洼、人口财产密集的地区,与历史洪灾风险情况较吻合,表明所构建的模型科学合理,可为流域洪灾风险评价提供了新思路。     

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。     

基于云计算的模糊规则挖掘算法在入侵检测中的应用

提出了一种基于云计算的模糊规则挖掘算法的入侵规则检测方法.以模糊集理论为基础,提出了在入侵关联规则挖掘中将特征属性模糊集作为单一属性来处理的模糊规则挖掘算法,有效地解决入侵规则中出现不相关规则和"尖锐边界"等问题.在云计算平台上进行算法的验证,利用云计算平台可进行大规模计算和数据处理的特点,得出该思想在入侵检测具有较好的应用效果和前景.     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

基于概率近似空间的缺省规则挖掘算法

用概率的形式表示集合的上下近似空间,在对概率近似空间下的统计信息进行缺省规则的挖掘过程中引入ID3算法,根据属性相对于属性集的信息增益确定属性权重,进而确定规则支持度,最终利用规则相似度对挖掘的缺省规则进行合理分类,达到了很好挖掘效果.     

基于CMAR算法的水平加权多分类关联规则挖掘

关联分类是数据挖掘中一种新的分类方法,它将关联规则挖掘和分类进行了算法集成.但在实际应用中,用户会比较倾向于自己最感兴趣或认为最重要的那部分属性,因此有必要加强这些属性对规则的影响,同时减弱另一些用户兴趣不大或认为不重要的属性对规则的影响.为此,本文提出了水平加权关联规则的问题,并结合CMAR算法,加以改进给出了关于该问题的解决方案及有效算法New_CMAR,实验表明,修改后的New_CMAR算法正确并符合实际,有实用价值.     

改进的时态关联规则在入侵检测中的应用

入侵检测系统的性能在很大程度上与它的检测规则有关,所以如何更快更有效地从网络数据中获取有效的检测规则对于一个IDS(入侵检测系统)来说就变得格外重要.本文在分析了传统关联规则算法缺点的基础上,对关联规则挖掘算法的优化策略和时态因素的分类处理重点进行了讨论.即在利用主属性约束最后规则的同时,提出了高频属性直接入选的策略.以更快地获取有效的入侵检测规则.实验测试结果表明,优化后的算法在挖掘速度和规则的检出率等性能上有较大提高,找到了一些原来被忽略的规则并剔除了一些不重要的规则,证明此优化算法是切实有效的.     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法--基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则.根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集.     

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．     

大数据环境下朴素贝叶斯分类算法的改进与实现

朴素贝叶斯分类算法是一种简单并且高效的分类算法,但条件独立性假设在现实中很难满足,导致其性能有所下降.为了解决该问题,本文在关联规则和置信度的基础上对该分类算法进行了改进.通过挖掘出来的关联规则和该规则的置信度,对不同的属性赋予不同的权重,同时实现了该分类算法的MapReduce化,从而在保持简单性的基础上有效地提高了朴素贝叶斯分类算法的分类性能.动车组运维实验表明:该算法提高了分类的准确率和效率.     

基于混合正态核函数的蚂蚁矿工算法

为了提高蚂蚁矿工算法处理连续属性的性能,采用混合正态核函数处理连续属性,使蚂蚁矿工算法能够处理具有连续与离散混合域的数据集.通过分析表明,混合域蚂蚁矿工算法有更高的准确率,能产生更简洁的规则.     

基于人工鱼群算法的分类规则发现

人工鱼群算法(AFSA)是一种最新提出的新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.利用鱼群算法进行分类规则挖掘,建立了相应的优化模型.通过对公用数据的实验和CN2算法的对比表明,本算法可得到预测准确率较高的分类规则,同时规则更为简单.     

挖掘关联规则的蚁群算法

基于蚂蚁的进化算法已经被广泛地应用于各种组合优化问题。首次结合蚁群算法提出了关联规则的蚁群挖掘算法(RA3)。利用数据集中属性和属性值对应超顶点和子顶点而构成无向图。蚂蚁对在无向图中不断地分别搜索挖掘频繁项集合,从而构成双规则前件、后件,并根据规则质量对双规则加以取舍。提出的算法可以在标准测试集中有效地实现关联规则的提取。与经典的Apriori和FP-growth算法比较,模拟实验证明,本文算法可以较快的挖掘出关联规则,具有较好的规则质量。     

基于粗糙集的茶饮料味觉信号识别

把粗糙集理论应用于茶饮料味觉信号分类规则的抽取，采用模糊C-均值聚类算法实现味觉信号的离散化，提出了一种新的规则强度定义。该定义同时考虑了支持规则的对象数和规则的不确定性因子，具有很好的普适性，同时给出一种规则提取算法和用于识别的决策算法，提取算法在获取全部有效规则的条件下．能有效减少核属性内的冗余。     

多支持度关联规则在库存管理中的应用

传统库存管理方法只考虑产品自身特点,按产品的某种属性进行分类,然后分类管理.然而,产品的库存重要程度不仅取决于产品自身的特点,同时还应考虑其他产品的关联影响.可以采用多支持度的关联规则模型来发现这种产品间的关联模式.在规则生成过程中结合“ABC”分类法,并且为了简化规则的生成过程,定义了基于约束的规则生成法.利用这种方法形成“A”类产品相关的关联规则,辅助制定库存管理决策.     

基于粗糙集理论的KNN分类

粗糙集理论为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具。在数据挖掘技术中KNN算法是一个实现简单和分类准确性较高的方法,但是,当用于样本容量较大以及特征属性较多的类似医疗图像挖掘这样的领域时,其效率受到了很大的影响,找到一个删除最大冗余属性的方法成了解决这个问题的关键。将粗糙集理论与KNN算法结合起来,用粗糙集方法进行属性约简,有效地解决了KNN算法分类的这个缺点。     

基于PL/SQL的粗糙集分类算法研究

为改进数据分类的效果，基于粗糙集理论实现数据分类和规则推理的基本原理，利用粗糙集理论中核及决策类覆盖的思想，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系，简化带有不相容规则的决策系统的数据挖掘算法。通过PL／SQL演示了挖掘分类规则的过程，结果表明基于粗糙集分类算法的有效性。     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点 .粗糙集理论是一种具有模糊边界的集合理论 ,它作为研究知识发现的新型工具 ,能严格地处理不精确数据的分类问题 ,被广泛应用于不相容决策表中的规则提取过程中 .针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究 ,并介绍了数据集中挖掘分类规则的基本原理 ,同时利用 RS理论中核和核值的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法 ,并应用一简单的例子说明如何在数据库中发现分类规则 ,实验结果表明此算法可以大大提高系统潜在知识的清晰度     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.