基于三段式编码GA的连续属性关联规则挖掘方法

如何有效地从具有连续属性的数据中挖掘关联规则,是目前数据挖掘领域的一个研究热点。论文基于遗传算法,提出了一个连续属性关联规则挖掘方法。在该方法中,首先采用三段式编码将连续属性离散化、属性约简和规则提取集成在一起,然后将小生境引入到遗传算法中,以避免早熟、提高挖掘效率。实验表明,该方法是有效的。     

基于改进遗传算法的关联规则挖掘

在关联规则的挖掘过程中引入遗传算法,并且结合一个实例,给出了详细的利用遗传算法挖掘关联规则的实现方法。遗传算法的引入很好的避免了规则集中的"假规则"问题。同时,在算法的具体实现过程中,采用了截断赌轮、动态变异概率等方法,有效避免了遗传算法中早熟现象的发生。     

基于遗传算法的关联规则挖掘

根据关联规则挖掘的要求,结合遗传算法的特点,提出了一种基于遗传算法的关联规则挖掘算法,在基本遗传操作选择、交叉、变异的基础上,引入了挑选操作,取消了交叉、变异概率,给出了详细的算法设计及描述,并通过实例证明了算法的性能。     

基于遗传算法的关联规则挖掘研究

针对图书馆读者借阅信息复杂度过大的难点,采用遗传算法研究关联规则挖掘,并举例说明。     

基于遗传算法的单维关联规则挖掘

算法采用了一种新颖的质数编码方式,将数据库属性项压缩为一个数值型的项,把原来用字符串表示的记录转化为用一个合数表示,进而把字符串比较转化为数值运算.通过引入频繁项集估计数目,使算法总是在频繁项密集区进行挖掘,对搜索空间进行了有效修剪.实验表明,算法对数据库压缩比超过25％,效率至少能提高49％.     

一种基于可信度最优的数量关联规则挖掘算法

研究了数量关联规划挖掘过程中的连续属性离散化问题,描述了连续属性离散化方程,包括连续属性区间划分算法和数据库样本大小的确定,提出了基于可信度最优的数量关联规则挖掘算法。该算法首先利用等深度划分算法对连续属性进行离散化,然后利用凸包处理技术提取强规则中可信度最高的数量关联区间,它对于数量关联规则的优化有着重要的应用价值。应用该算法对股票行情进行了数量关联分析,提取股票涨跌与股票价格之间可信度最高的关联规则。实验表明该算法是非常有效的。     

基于并行遗传算法的关联规则挖掘

根据关联规则挖掘的要求与特点,结合并行遗传算法的思想,通过定义适应度函数,讨论了并行遗传算法在数据挖掘中的应用．结合一个实例,提出了基于并行遗传算法的关联规则的提取算法．     

对利用属性特性挖掘粒关联规则算法的改进

目的:针对时间效率不高的问题,对利用属性特性挖掘粒关联规则的算法进行改进。方法:在分析粒计算有关定义和原有算法的思想的基础上,调整原有算法的相关流程顺序,同时设置相关标志位避免对部分数据集重复组织包含关系的操作。结果:通过相关实验证明,有关改进有效减少了算法所需操作步骤,降低了时间消耗。结论:通过调整流程顺序和设置标志位的方法,有效减少了原有算法的挖掘时间,具有一定实用性。     

模糊关联规则挖掘算法

该文介绍了模糊关联规则挖掘算法的基本思想及实现步骤,提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略。     

时态关联规则挖掘综述

交易数据库中的关联规则挖掘是一个很有价值的问题。现在已有不少关联规则模型,挖掘关联规则的算法也在不断改进。然而,在真正的数据库中,一些特殊的问题还没有被解决。一个主要的未解决的问题就是处理包含时态信息的数据。近几年来,为了解决这个问题,已经提出了基于某些方法的研究。     

关联规则挖掘中的关联推理

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题，而挖掘出的关联规则数常常是巨大的。现基于覆盖运算，讨论已知关联规则可导出其它关联规则，并指出存在能覆盖全部关联规则的最小规则集。     

数据集中多属性关联规则发现算法

对数据挖掘中的多属性关联规则算法进行了探讨,给出了关联规则发现算法的相关概念（关联规则、支持率、可信度）和关联规则发现算法,并说明了传统查询工具在数据挖掘中的作用,以及该算法需要进一步研究的内容。     

并行遗传算法及其在关联规则挖掘中的应用

介绍了并行遗传算法的思想及四种并行模型：主从式模型、粗粒度模型、细粒度模型及混合模型,讨论了并行遗传算法在关联规则挖掘中的应用。     

关联规则挖掘Apriori算法研究

随着收集和存储在数据库中的数据规模越来越大,人们对从这些数据中挖掘出相应的联知识愈来愈感兴趣,关联规则一个典型的应用实例就是市场购物分析.本文介绍了关联分析的概念Apriori算法及其改进技术,对Apriori算法地优缺点进行了评价.     

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。     

正负关联规则挖掘的研究

传统的基于支持度-置信度框架的关联规则挖掘方法可能会产生大量不相关的、甚至是误导的关联规则,同时也不能区分正负关联规则。本文提出了一种评价关联规则的可量化标准,进一步提出一种能同时挖掘正负关联规则的框架,实验证明该方法是有效的。     

定量关联规则的挖掘

介绍在关系数据库中包含定量和范围属性关联规则的挖掘问题，给出一些定义和方法，引人局部完备性来度量由于划分而引起大量信息的丢失程序，决定是否划分一个定量属性及划分数。     

关联规则挖掘中的关联推理

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题,而挖掘出的关联规则数常常是巨大的.现基于覆盖运算,讨论已知关联规则可导出其它关联规则,并指出存在能覆盖全部关联规则的最小规则集.     

模糊关联规则的并行挖掘算法

介绍了模糊关联规则挖掘算法的基本思想及实现步骤,提出了模糊关联规则的并行挖掘算法.并行挖掘算法采用并行的模糊c-均值算法将数量型属性划分成若干个模糊集,并借助模糊集软化属性的划分边界.用改进布尔型关联规则的并行挖掘算法来发现频繁模糊属性集.最后由多个处理器并行地产生满足最小模糊信任度的模糊关联规则.在分布式互连的PC/工作站环境下进行性能分析,结果表明并行的挖掘算法具有好的可扩展性、规模增长性和加速比性能.     

关联规则挖掘研究

关联规则是数据挖掘中一个重要的研究内容。典型的关联规则算法是由R.Agrawal等提出的Apriori算法。本文对Apriori算法进行了分析,指出了挖掘中的关键步骤,并给出了算法改进技术。