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．     

基于关联的自适应分类规则发现模型

为了对现实中的大规模数据集进行分类挖掘，提出了一个基于关联的自适应分类规则挖掘模型，研究了该模型在预处理、多层分类规则的挖掘、算法的可扩展性、效率和输入参数的自适应等方面的技术和方法．     

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。     

基于多支持度的挖掘加权关联规则算法

关联规则挖掘是数据挖掘中一个重要的模型．在其挖掘算法中，如果最小支持度很高，则出现频率比较低的规则就不能发现；如果最小支持度太低，因为频繁项的相互关联，则会出现组合爆炸．为此，提出了允许用户设定多个最小支持度、给定数据各项的权重来解决这一问题．理论、实验数据和实际应用证明，该新算法可行且符合实际情况，比同类算法用时更少，对大型数据库的关联规则挖掘非常有效．     

基于事例的自适应关联规则挖掘模型的研究

认为传统的关联规则挖掘模型主要是针对结构化数据，其可信度和支持度不能随环境的变化自适应调节，即缺乏自适应性，而现实中还存在大量非结构化的数据。针对传统发现模型的不足提出了一个基于事例的自适应关联规则发现模型，它不仅可以处理对非结构化数据的数据挖掘，而且还可以随着环境的变化自适应调节支持度和可信度。     

基于关联图的改进关联规则在推荐系统中的应用

提出了推荐模型中的关联规则挖掘方法的改进,给出了自定义的页面权值的定义,并改进了基于关联图的关联规则挖掘算法,将页面权值应用于关联规则的挖掘中。此算法是利用Web日志中经过预处理后得到的数据进行规则挖掘,将处理后的数据应用正态分布函数来得到页面权值。用页面权值重新计算支持度,最后将得到的支持度应用于改进的规则挖掘算法中,形成一种基于权值的关联图的关联规则算法。     

Model_Apriori模型在医疗决策支持系统中的应用

本文主要讨论了Modd_Apriori模型在医疗决策支持系统中的应用.模型Model_Apriori是单维关联规则挖掘模型.它主要用于完成从医院现有数据库中挖掘知识,以便使医院的管理者通过挖掘到的知识来调整对医院的管理.本模型主要应用关联规则中的Apriod算法.     

Model-Apriori模型在医疗决策支持系统中的应用

本文主要讨论了Model-Apriori模型在医疗决策支持系统中的应用。模型Model-Apriori是单维关联规则挖掘模型。它主要用于完成从医院现有数据库中挖掘知识,以便使医院的管理者通过挖掘到的知识来调整对医院的管理。本模型主要应用关联规则中的Apriori算法。     

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。