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。     

基于概念分层关联规则挖掘的研究

通过加权平均算法(ML_TWA)发现多层关联规则.该算法针对现有多层关联规则挖掘中存在阈值定义不合理的情况,依据多层数据的特点,提出了一种加权平均阈值估计方法,来提高挖掘效率和结果的准确性.实验结果证明这种算法是有效的.     

多层次关联规则的快速挖掘算法

数据挖掘被认为是解决“数据爆炸”和“数据丰富,信息贫乏”的一种有效方法。关联规则是数据挖掘的重要研究方向。本文提出了多层次关联规则的一种快速挖掘算法,利用抽样从概念层次树的中间开始挖掘,以提高挖掘的速度。     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则。针对这一不足,利用“索引链表”数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度。     

基于下钻操作的多层关联规则挖掘算法研究

多层关联规则涉及多个抽象层中的项,它是通过有概念分层的关联规则挖掘而产生的.传统的方法仅考察每个概念层次内是否有用户感兴趣的规则,而忽略了不同概念之间的规则.另外,很多挖掘出的规则并不是用户感兴趣的.提出的关联规则的下钻操作沿袭了OLAP中下钻的概念,它是通过对已经挖掘得到的用户感兴趣的规则进行再分析,挖掘出用户感兴趣的子关联规则,从而达高效挖掘多层关联规则的目的,且这种规则不局限于同一概念层次内.     

构建基于关联规则的网络行为挖掘系统

随着互联网络的普及,采集并分析用户群体的网络行为十分必要,但是存在着很多技术上的困难。构建了一个网络藉为挖掘系统,对访问数据进行分析,根据挖掘结果对关联规则进行修改,并针对特定用户群对服务器进行调优。     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则.针对这一不足,利用"索引链表"数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度.     

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。     

基于概念的关联规则的挖掘

关联规则是数据挖掘研究的重要内容。本文提出的基于概念的关联规则的挖掘算法ＡＲ＿ｃｏｎｃｅｐｔ是对基于分类的挖掘算法的拓搌 ,提高了挖掘的效率和结果的有趣性。实验结果表明算法是有效的。     

一个基于约束的关联规则挖掘算法

给出了一个基于约束的关联规则挖掘算法，首先依赖加权支持度产生频繁项目集，然后利用兴趣度产生关联规则，并对过滤掉的频繁项目集进一步分析发现包含负项集的关联规则。     

基于模糊集和粗糙集的关联规则挖掘策略

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,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．     

基于支持格的关联规则挖掘算法

提出了一种基于支持格的关联规则挖掘算法（ARSL），该算法连续扫描数据库事务序列，逐步构造支持格，对数据库扫描不超过2遍即可求得所有大项目集。首次扫描数据库时，能提供反馈信息，允许用户对最小支持率进行调整。该算法能连续处理事务序列，可用于网上在线数据挖掘。     

基于模糊数值约束的关联规则挖掘

很多时候一个事务记录中所包含的信息除了项目以外,还包括与这些项目相关的数值信息,这些数值信息同样可以作为关联规则的一种约束而存在,基于上述问题,文中提出了一个基于模糊数值约束的关联规则挖掘方法,实验结果表明该方法具有较好的伸缩性。     

基于Rough集的单维布尔关联规则的挖掘算法

利用Rough集理论中关于等价类的概念,提出了单维布尔关联规则问题挖掘算法,考虑到关联规则设定单一最小支持度阈值的局限性,提出使用多个最小支持度的办法进行频繁项集的发现,利用兴趣度对单维布尔关联规则进行评价.     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

一种改进的分布式关联规则挖掘算法

数据挖掘本质上是一种新的商业信息处理技术,通过对数据进行统计、分析、综合和推理,发现数据间的关联性、未来趋势以及一般性的概括知识,用以指导高级商务活动。由于需要,对数据间的关联性的数据挖掘算法模型已成为数据库及相关领域的一个研究热点,给出了一种基于分布式数据库的挖掘模型及其相应的一种有效的挖掘算法,其由若干个站点集合而成,各个站点拥有各自的数据库、中央处理机、客户端,以及各自的局部数据库管理系统,依靠通讯网络连接。采用购物篮分析式关联规则,将各个数据库文件的数据合成,从而得到挖掘结果,对挖掘的方法又进一步挖掘,即将不满足条件的规则重新传送到各分布式站点上进行更加精确的挖掘处理,从而避免了频繁的网络通讯。该算法在减轻网络频繁的通讯负担,体现并行计算以及异构数据挖掘方面具有独特优点。     

一种挖掘广义模糊关联规则的方法

基于模糊类层次的概念,讨论了模糊关联规则支持度和置信度的计算,给出一个挖掘广义模糊关联规则的算法,并说明其应用.     

超声肝图像SOFM网络识别方法

通过基于空间灰度独立矩阵的特征提取方法,采用自组织特征映射神经网络对正常肝脏、肝硬化和肝癌三类肝脏超声图像进行分类识别。实验结果表明神经网络分类器对3种肝脏超声图像的分类可以达到87%的正确率,其结果对实际辅助诊断提供了理论基础。