区间值数据库上的正态关联规则

通过等距处理在数据库的区间值上取样,应用模糊c-方法算法确定正态模糊数的两个参数,借助正态模糊数模型来软化数量属性论域的划分边界,给出正态关联规则的挖掘方法与预测方法,由于文中的方法能将数量属性的正态关联规则的问题转化为布尔属性的关联规则的问题,因此容易被人理解和掌握。     

比较两种挖掘正态关联规则方法

首先采用两种聚类方法确定正态模糊数的两个参数,并借助正态模糊数模型来软化数量属性论域的划分边界,由此生成一系列的正态关联规则.接着给出正态关联规则的挖掘方法,此方法能挖掘出所有有意义的正态关联规则.最后对两种挖掘正态关联规则的方法进行了比较.     

列联表规整化对关联规则挖掘算法的改进

关联规则挖掘算法是数据挖掘中非常重要的部分。通过对有趣度参数和列联表规整化的研究，进一步改进了对关联规则挖掘算法。并指出文献[1]中存在的对稳健统计概念的曲解。     

关联规则挖掘在旅游突发事件预测中的研究

基于数据挖掘中的关联规则挖掘及Apriori算法,研究了在旅游行业中用挖掘得到的规则对突发事件进行预测的方法.对突发事件进行了预处理,对与突发事件相关的规则进行了挖掘,提出了改进的关联规则算法,并获得了有意义的规则输出,并对这些关联规则在旅游业的应用进行了研究.     

基于云模型的关联规则挖掘方法

目前对关联规则的研究主要集中在对布尔型属性关联规则的挖掘,本文引入基于云模型进行数据量型属性关联规则的挖掘的方法,并定义云关联规则“如果Ｘ是Ａ则Ｙ是Ｂ”,其中、Ａ、Ｂ分别是属性Ｘ和Ｙ中由云模型描述的概念。利用这种方法得到的关联规则更容易让人理解,也克服了传统划分边界过硬的问题,在此基础上,定义了在挖掘云关联规则中支持率、可 和相关性的计算公式,并阐明了它的一般性,即传统的硬划分及经典的布尔型属性关     

隐私保持关联规则挖掘方法

介绍了隐私保持关联规则挖掘的研究概况，提出了考虑隐私保持的关联规则挖掘分类方法，对现有的隐私保持关联规则挖掘方法进行了分析和评价，并对隐私保持关联规则挖掘的未来研究方向进行了展望。     

多数据源关联规则挖掘算法研究

现行的关联规则挖掘算法大多只针对针对单一数据源进行挖掘，但在实验应用中，往往碰到多个数据源的情况，前面的工作已经就多数据源的挖掘做了一些基础性的研究，取得了一定的成果，在此提出一个多数据源关联规则挖掘算法，能够较好的解决在多个数据源的情况下，关联规则挖掘中所涉及的问题，并在实验部分验证了此种算法的正确性和效率。     

R32管内流动沸腾传热系数关联式和摩擦压降关联式

建立了适用于大范围几何参数和流动参数的R32制冷剂管内流动沸腾传热和摩擦压降计算关联式.从公开文献中收集了R32传热和摩擦压降的数据源构建两个组合数据库.其中，传热数据库由来自8个文献的1 489个数据点组成，涵盖的水力直径为1～6.3 mm,压降数据库由来自8个文献的496个数据点组成，涵盖水力直径范围为0.643～6 mm.以上述数据库为基础，利用无量纲参数分析预测法并考虑参数主导作用，建立了新的传热系数关联式和摩擦压降关联式.此外，利用现有的关联式对新关联式进行评估.结果表明，现有的几个关联式均具有较大的平均绝对误差(MAE)和最大绝对误差(MAX).而新的传热系数计算关联式具有良好的预测精度，其MAE为14.59%,有90.85%的数据点在±30%误差带以内；新的压降关联式预测精度高，其MAE为17.86%.总之，上述两个新关联式都具有较广的应用范围和良好的预测精度，非常适用于分析工质为R32的换热器的传热和压降性能.     

基于时序的不同事物同属性的关联规则挖掘

基于时序的关联规则挖掘算法的研究一直都是人们关注的课题,提出了一种基于时序逻辑的不同事物同属性的关联规则挖掘。传统的关联规则主要是揭示了多个事物的同一属性在相同的时间点上的相互关联性,这样的关联规则的项与项之间没有体现时间上的差别,也就无法对时间序列的发展趋势进行预测。实验表明这种方法对于不同事物同属性预测具有现实意义。     

基于定量关联规则树的分类及回归预测算法

为了解决基于Apriori的分类关联规则算法挖掘数值型数据时效率和准确率偏低的问题,提出基于定量关联规则树的分类及回归预测算法。采用改进的定量关联规则算法挖掘数值型数据生成关联规则库,并基于关联规则树结构实现分类及回归预测。研究结果表明：改进的Apriori定量关联规则挖掘算法提高了分类预测的准确率并降低了计算复杂度;而采用关联规则树结构可使分类与回归预测时间明显加快,提高了样本匹配学习的速度。     

基于云模型和SWRL预测兵器试验故障的研究

将云模型理论和SWRL应用于预测兵器试验故障的研究,用MATLAB实现了正向云和逆向云发生器,用protege建立了兵器试验故障本体并确立了SWRL规则。举例将云模型预测的数据输入兵器试验故障本体用SWRL规则进行了推理,以保证预测结果的正确性与一致性。     

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.     

支持大规模地震探测数据快速可视化的云端数据缓存技术

首先, 基于云计算应用模式, 提出一种能有效利用云存储架构的双层缓存技术. 通过在客户端和服务器端建立分布式缓存, 能有效避免用户频繁访问远端数据, 为用户构建轻量级的客户端, 解决了目前地学数据可视化软件大量占用用户本地存储容量的问题. 同时服务器端也避免了多次访问云存储文件系统, 减少了大量的数据检索与加载时间. 其次, 提出一种ARLS(association rule last successor)访问预测算法, 根据用户的历史访问记录, 利用关联规则挖掘用户的访问模式, 对其访问行为进行预测, 进而提前加载数据, 提高缓存命中率, 解决了用户在可视化过程中不断移动兴趣区域, 频繁更换渲染数据的问题, 能有效应对用户具有多种访问模式的情况, 提高了预测准确率. 实验结果表明, 该云存储架构显著减少了本地资源消耗, 访问预测算法的准确率在最差情形下可达47.59%, 平均准确率达91.3%, 分布式缓存的平均缓存命中率达95.61%, 可有效支持云端大规模地震数据的快速可视化.     

基于极大团的不完备系统规则获取方法

针对不完备决策系统的规则提取问题,提出一种基于极大团的不完备系统规则获取方法.引入图中极大团概念定义相容块构造范式,将其等价转换为极小析取范式后得到不完备系统全体极大相容块,收集每一相容块最全描述即可生成极大相容块最全描述系统,进而为最全描述系统中的每一对象构造决策分辨范式得到与该对象对应的全体可信关联规则.该方法具有2个特点:针对系统中每一基本信息粒自动生成基准置信参数,避免了预设固定参数而遗漏置信度小于此参数的部分有用规则;将决策分辨范式等价变换为其极小析取范式,避免了采用特定顺序选择属性而遗漏部分有用规则.将该算法应用于某保险公司私家车客户车险数据和UCI不完备数据集,实验结果与数据分析说明了该算法的分类预测性能.     

大数据云存储下海量数据传输完整度控制技术

为确保大数据云存储下海量数据传输的完整度,提出了一种基于属性特征匹配和关联规则的海量数据传 输完整度控制方法。构建海量数据的属性特征高维重组模型,得到关键信息的特征分布状况,据此设计海量数 据的关键信息存储分布结构模型,采用关联规则方法进行海量数据的关键信息特征挖掘提取,利用关键信息进 行海量数据的特征分析和数据聚类处理,采用属性特征匹配方法设计海量数据关键信息存储节点后,利用模糊 减法聚类对关键信息存储节点进行聚类处理,在海量数据传输中,以数据关键信息存储节点传输的完整度实现 海量数据的传输完整度控制。仿真结果表明,采用该方法进行海量数据传输完整度控制,能提高云存储下的空 间利用效率,数据传输完整度高。     

Data Mining for Quality Prediction in Textile Engineering

A data mining method for quality prediction using association rule （DMAR） is presented in this paper. Association rule is used to mine the valuable relations of items among amounts of textile process data for ANN prediction model. DMAR consists of three main steps： setup knowledge data set; data cleaning and converting; find the item set with large supports and generate the expected rules. DMAR effectively improves the precision of prediction in yarn breaking. It rapidly gets rid of the negative influence of training parameters on prediction model. Then more satisfactory quality prediction result can be reached.     

负关联规则挖掘中的频繁项集爆炸问题

为了解决负关联规则挖掘中包含负项目的频繁项集数量爆炸问题,引入过频繁项集的概念,证明过频繁项集及其所有超集均不可能产生有趣的关联规则。在频繁项集生成过程中,必须对项集中包含负项目的个数进行限制。使用最小支持度、最大支持度、项集中最多包含负项目的个数2个参数来约束频繁项集生成过程的算法。实验结果表明:所增加的2个参数是必要的,特别是当数据集中所包含的项目个数比较多时,只有恰当地设置2个额外参数,才能够保证挖掘过程的正常进行。     

基于无人机激光雷达技术的开采沉陷监测方法与参数反演

矿区开采沉陷监测与预测对于煤炭安全生产来说至关重要,目前煤矿地表沉陷监测的主流手段均有一定的局限性,存在精度与效率不能兼得的问题。利用无人机激光雷达（UAV LiDAR）技术可以实现矿区地表三维点云的快速获取,建立多期数字高程模型（DEM）,两期DEM相减即可得到沉陷盆地,具有高效高精的特点。本文对无人机激光雷达地表沉陷监测的原理流程和概率积分预计参数动态反演方法进行了分析讨论,以内蒙古唐家会煤矿为例,设计了无人机激光雷达飞行方案,采集了两期激光点云数据,并对实测数据进行了组合解算、融合、滤波,建立两期DEM,求取了观测时间段内的地表下沉盆地,并进行了全盆地动态反演,得到测区概率积分预计参数。实验结果DEM精度分别为0.034mm和0.037mm;下沉盆地精度为0.050mm,结果对于煤矿开采沉陷监测与预测来说是相对可靠的,为无人机激光雷达应用于地表监测提供了案例。