基于多克隆选择的多维关联规则挖掘算法

通过引入多克隆选择算法的思想,提出了一种基于多克隆选择的关联规则挖掘算法．仿真对比试验表明,该算法加快了关联规则挖掘的收敛速度,具有更强的全局与局部搜索能力,与基于进化算法和基于免疫算法的关联规则挖掘算法相比,明显提高了所得关联规则的准确率．     

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。     

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。     

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。     

基于关联规则挖掘的隐私数据保护

隐私数据保护是目前网络安全关注一个热点之一,随着数据挖掘技术的不断发展,恶意用户可以使用相关技术推理出正常用户的隐私信息。在提出关联规则的前提下,提出了一种基于关联规则挖掘的隐私数据保护方法,对数据进行规则隐藏,从而保护用户的隐私数据。     

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％.     

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。     

基于关联规则挖掘算法的研究

关联规则挖掘是从大量的数据中挖掘出有价值描述数据项之间相互联系的有关知识.对于大型数据库来说,有算法的执行时间太长等问题.分析和探讨了Apriori算法,提出了基于Apriori算法的一种有效的关联规则挖掘算法,减少了数据库I/O操作时间,从而提高了效率.     

基于负关联规则挖掘的价格调整

定制优良的产品价格是激烈竞争的市场中一个关键，基于负关联规则挖掘的技术提出一种新的定价方法。它可通过人力参与和完全自动两种方式进行。该方法具有易操作与易扩展的优点．实验表明该方法是有效的．     

基于模式向量与和或运算的关联规则挖掘算法

针对Apriori算法产生大量候选集和多次扫描事务数据库的不足之处,本文提出一种基于模式向量的与和或运算的关联规则挖掘算法Association Rule Mining Algorithm Basedon ModeVector（ARMV）。该算法首先提出通过模式向量的或运算来减少生成的候选集数量。然后采用模式向量与事务矩阵的与运算来判断候选模式向量是否为频繁集。同时对事务矩阵的行设置flag,删除flag为0的行。每个候选模式矩阵只需扫描事务矩阵一次。实验表明ARMV算法比Apriori算法具有更好的性能和效率。     

基于关系代数的关联规则挖掘算法

目的提出基于关系代数理论的关联规则挖掘算法。方法利用数据预处理方法，剔除无关属性、获得相应的目标特征子集。结果基于目标特征子集，利用关系矩阵及相关运算给出了搜索大项集的基于关系代数理论的优化的关联规则挖掘算法，该算法只需扫描数据库一次。结论克服了经典的Apriori算法需要多次扫描数据库的缺点，同时算法具有良好的并行性和可伸缩性。     

基于分类树的高效关联规则挖掘算法

在分析类Apriori算法存在效率瓶颈的基础上，提出了一个高效改进算法——基于分类树的关联规则挖掘算法．该算法只需要两次访问数据库，把数据库中的数据利用分类树来存储，减少了访问数据库的次数；并且由分类树的全部或部分来求得频繁项目集，减少了求频繁项目集的比较次数．此算法通过结合Apriori和FP—tree两种算法来提高挖掘效率，降低了挖掘算法的时间复杂度和空间复杂度．通过多次试验证明该算法比Apriori及其改良算法的挖掘效率高2到8倍．     

一种新的基于克隆选择原理的人工免疫算法

提出了一种新的基于克隆选择原理的人工免疫算法.该算法基于生物免疫系统的自适应免疫识别机制,通过整合克隆选择过程中的亲和度成熟、阴性选择、免疫记忆、基因库进化和元动力学等关键要素,可在搜索过程中自动获取和积累有关搜索空间的知识,协调利用群体记忆与基因库记忆机制,在资源受限的条件下高效求得问题的解;并对算法的全局收敛性进行了分析.针对STSP问题的实验结果验证了算法的性能.     

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。     

基于扩展的嵌套关系代数的关联规则挖掘查询

提出了一种使数据挖掘与数据库系统无缝集成的方案.该方案基于关联规则挖掘和关系数据库系统的通用查询算法,采用一种扩充的嵌套关系代数作为关联规则和其它数据查询的一种内部表达方式.通过一个典型实例展示了这种代数表达式.代数表达式也被表达为一种查询树,查询树中代数运算的公共操作序列模块化后,具有更多的灵活性,能方便地处理约束关联规则查询和其它各种关联规则描述.     

关联规则挖掘优化方法研究

传统的关联规则挖掘数据的方法虽然取得了很好的成效,但是其中还存在算法效率、规则的后期处理等等一系列的问题,为解决这些问题,对传统的关联规则挖掘进行优化,提出了挖掘支配关联规则.     

改进的关联规则挖掘算法-MIFP-Apriori算法

Apriori算法是关联规则挖掘的经典算法,具有原理简洁、易编程实现等优点,得到广泛应用。针对该算法扫描数据库次数过多,产生大量冗余候选集的缺陷,在现有Apriori算法改进优化思想的基础上,结合矩阵、改进频繁模式树和计算候选集频数优化策略提出了一种改进的关联规则挖掘算法——MIFP-Apriori算法。实验表明,该算法能够将扫描数据库次数降低到一次,有效解决产生大量冗余候选集的缺陷,提高算法效率。     

基于有向图的关联规则挖掘算法研究

为了提高关联规则挖掘效率,提出了一种基于有向图的频繁项目集挖掘算法DGBFIG(Directed graph -based frequent itemsets generation)．该算法采用位矢量技术构造有向图,表示项与项之间的频繁关系,并在有向图的基础上递归产生频繁项集,从而只需扫描数据库2次,不产生候选集,从而大大提高了关联规则挖掘算法的效率．最后从空间和时间的复杂度分析了该算法的效率．