基于概念格提取简洁关联规则

从量化封闭项集格所提取的所有最小无冗余规则,虽满足最小前件最大后件的要求,但并不是满足用户设定支持度和置信度的最小规则集.本文提出了一种全局简洁关联规则,使所提取的规则集最小,并给出了基于量化封闭项集格提取全局简洁规则的算法.     

一种交互式可约束的最小关联规则集挖掘算法

给出三类约束，并讨论了约束的反单调性，实现了一种交互式的可约束的最小关联规则集挖掘算法，并分析了算法的优越性。     

关联规则维护方法的研究

频繁项目集是满足最小支持度和最小置信度下的一个项目集合,但随着最小支持度的不同,就会产生不同的频繁项目集,而频繁项目集的发现又是一个高花费的过程.该文提出一个新的维护算法,用来解决关联规则的更新维护问题.     

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.     

模糊规则发现算法研究

引入最小强度的概念来限制模糊属性集的搜索范围，提出一种能发现强模糊规则的快速算法．此算法利用Apriori算法的搜索技术来发现强模糊规则，因此具有较高的算法效率，并有效地解决了模糊系统的维数灾难问题．在快速算法的基础上，又提出一种能发现固定数目的强模糊规则的划分算法．该算法将数据库划分成多个子数据库，并在于数据库上通过发现划分强模糊属性集来限制全局强模糊属性集的搜索范围．实验表明，划分算法比快速算法更节省时间．     

分类规则挖掘的免疫算法

为了高效地从数据库中挖掘分类规则，提出了一种基于免疫算法的分类算法．该算法的核心思想为：对规则的前件进行固定长度编码，适应度函数的计算由分类规则的较小分类错误率、简洁性、一致性和训练实例的覆盖性构成，通过把适应度最小的个体作为先验知识来修改个体的某些分量的方法进行疫苗接种，并通过检测个体是否出现退化和模拟退火来实现免疫选择，同时还采用了基于信息增益的规则剪枝策略．在美国加州大学标准数据集中的5个数据集上将该算法与RISE和OCEC算法进行了实验比较，结果表明该算法不仅具有更快的收敛速度，而且获得了更高的预测准确率及更小的规则集。     

一种高效的频集挖掘算法

频集挖掘是关联规则挖掘的关键步骤,它对强规则、相关分析和时间序列有着重要的意义.常用的频集算法包括Apriori和FP-G rowth.为了提高算法效率,提出了一种基于D iffset的混合算法———D iffsetHybrid,该算法根据数据集的稀疏程度决定采用D iffset的某种形式来挖掘频集,减少了存储空间,提高了算法效率.试验表明,该算法对于稀疏数据集和稠密数据集都有良好的计算性能.     

一种改进的基于粗糙集的启发式值约简算法

在求得决策表中属性值核的基础上,用属性重要度指导增加后续属性值,还引入包含度和支持度统计度量,生成了不同置信度水平下的决策规则集,并设计了基于规则集的分类算法。对Monk数据集的对比实验表明,该算法是有效的。     

关联规则在高校师资评测系统中的应用

分析了关联规则的一种特殊情况,即如何提取不大于下限最小支持度阈值的项目集,称这样的项目集为稀缺项目集,提出了相应的类Apriori挖掘算法:Similar-Apriori算法,并将其结合Apriori算法,应用到高校师资评测系统中,从理论和实践上证明了算法的正确性和有效性.     

基于广义决策函数的改进LEM2规则提取算法

针对当前LEM2系列算法提取规则的效率和质量不高的问题,提出了基于广义决策函数的改进LEM2算法(GLD-LEM2).该算法根据广义决策函数来计算候选属性-值对集T(G),通过删除冗余属性-值对来逐步缩小T(G)的规模,以提高规则提取的效率;同时,根据广义决策函数相交最小原则来选择属性-值对,优先提取最简规则,以提高获取规则的质量.实验结果表明,对于完备或不完备的决策表规则,GLD-LEM2算法均能有效地提高规则提取的效率和质量.     

基于粗集理论的一种规则提取方法

介绍了粗集理论的基本概念,通过对现有基于粗集的最小规则提取算法的分析,发现其缺陷,提出了一种改进的基于粗糙集的规则提取方法,并用UCI数据库中的9个标准数据集从规则集的规则数目、规则集的平均规则长度、规则集的平均规则支持、规则集的预测精度等4个指标对改进的算法进行了测试和对比分析,实验表明了该算法的有效性.     

一种快速基于约束的医疗图像关联分类算法

提出了一种快速基于约束的医疗图像关联分类算法(CBCPFP-growth算法)．算法利用扩展项集表征约束,通过加入最大支持度和项出现位置的约束,并利用最小支持度、最小置信度、关联规则数量的约束有效地在算法执行之初和算法执行过程中删除了冗余模式和规则,通过将频繁项集进行划分并在多个处理器上独立执行,充分利用多处理器协同工作的处理能力,使算法具有并行和分布处理的可扩展性．算法在满足医疗图像领域高精确度,高稳定性要求的同时提高了算法运行效率和医疗图像分类的有效性．     

基于关联规则的数据挖掘算法研究

关联规则是数据挖掘的重要手段,它基于支持度、置信度等对规则进行筛选,生成有用的规则。关联规则反映了大量数据中项集之间的相互依存性和关联性。Apriori算法和FP-Growth算法是关联规则挖掘中的两个典型算法。本文阐述了这两种算法的基本思想、数据挖掘步骤,并讨论了它们的优缺点及差异。     

基于最小规则自组织映射的入侵检测算法

为了解决入侵检测模型中海量数据处理问题,降低计算复杂度,提高检测精度,提出基于最小规则自组织映射的入侵检测算法;通过在真实的入侵检测数据集上进行仿真实验,将该算法与普通椭圆补丁算法、简单矩形补丁算法以及决策树算法进行对比.结果表明,该算法在检测精度、稳定性和计算时间方面优于对比算法,验证了该算法的有效性.     

基于量化封闭项集格提取最小无冗余近似规则

为便于规则的提取,提出了具有新的节点结构的量化封闭项集格．最小无冗余近似规则具有最小前件和最大后件,并且没有任何信息丢失;还提出了一个新的算法,可以从量化封闭项集格中直接提取最小无冗余近似规则．     

关联挖掘在耕地流失原因分析上的应用研究

在传统算法的基础上,针对耕地流失原因分析时关心的规则后件只包含一个主要因素的特点,提出了改进的基于约束的频繁谓词集和关联规则生成算法,从而大大减少谓词集元素和无趣规则的数量,为该类问题提供了一个有效解决方法。实验证明该方法具有较好的有效性。     

基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子,通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较,该算法在提高分类规则正确率的同时减少了计算费用．     

一种新的基于幂集的数据挖掘算法

Apriori算法是经典的关联规则挖掘算法,主要缺点是可能产生大量的候选集和需要多次扫描数据库.从幂集运算的角度提出了一种新的关联规则挖掘算法P_DM算法,实现了只需要扫描一次数据库就产生所有频繁集.实验证明这种算法在中小规模数据挖掘上效率优于Apriori算法.     

结合链接结构聚类的混沌粒子群网页分类规则抽取

网页分类器设计的核心是对原始分类数据集进行分类规则挖掘,本文提出了一种结合链接结构聚类的混沌粒子群网页分类规则获取算法．算法将聚类和分类结合起来进行分类规则提取：首先用基于K均值的聚类算法对一部分有代表性的链接结构数据聚类,进行类别自动标注,形成训练集;再用混沌粒子群算法对已标注类别的数据提取分类规则．实验结果表明,这种模式充分发挥了基于链接的分类方法受人为因素干扰最小的优点,减少了人工标注类别的工作量,同时提高分类的准确率和效率．     

关联规则中Apriori算法的研究与改进

Apriori算法是关联规则的一个重要算法。对关联规则挖掘算法Apriori算法的关键思想以及性能进行了研究,通过对候选项集的属性进行加权运算,减少了产生的频繁集,提高了算法的效率,使算法产生的规则更有应用价值。