关联规则Apriori算法在玉米产量信息挖掘中的应用

应用数据挖掘中关联规则的Apriori算法对玉米产量信息进行数据分析。利用最小支持度和最小置信度挖掘出频繁项集,从而寻找其中存在的关系和规则。挖掘的信息为:玉米生育期内降水量高,平均气温高,则产量高;反之,平均气温偏低,总降水量偏低,则产量低,十分可信。     

关联规则在学生成绩分析中的应用

对学生成绩数据库进行综合整理,应用动态划分的数据离散化方法,生成了高质量的数据集。采用关联规则对学生成绩进行挖掘,获取了有实际参考价值的规则集合,得到了对教学工作有指导意义的结论。     

关联规则中的Apriori挖掘算法改进

关联规则挖掘是数据挖掘研究的一项重要内容。然而基于候选集的Apriori算法效率低下。针对此缺陷,提出了一种NApriori算法,该算法利用频繁1项集重新组织事务数据库来挖掘关联规则。此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,从而提高了挖掘效率。     

关联规则中Apriori算法改进的研究

研究基于大型销售数据库的关联规则挖掘问题,分析和讨论了挖掘关联规则中Apriori算法,对其实现思想进行描述,并针对该算法的缺点提出了2种改进算法。     

关联规则挖掘在课程相关分析中的应用

本研究介绍了关联规则挖掘的基本概念,分析了经典的Apriori算法,提出一种改进的关联规则挖掘算法,解决了挖掘课程相关性关联规则的问题。改进算法的基本思想:①采用位图数据格式;②系统中会永久保留支持度为0的候选1项集和候选2项集,当系统需要运行时,首先采用数据库的过滤技术,可以很快得到频繁2项集。突破了这一瓶颈,系统运行速度将得到较大的提升。将该算法应用于课程相关性分析,实验结果表明改进的算法性能优于Apriori算法。     

基于模式矩阵匹配的关联规则挖掘算法

本文利用模式矩阵对Apriori算法进行改进,提出一种基于模式矩阵匹配的新算法。它使扫描数据库的次数降为一次,同时小产生候选项目集而直接产生频繁项目集,并且存放辅助信息所需要的空间也少,从而使算法的时间复杂度和空间复杂度大大降低。试验结果表明算法正确高效。     

Apriori算法在农业病虫害分析中的应用

介绍了Apfiofi算法进行规则挖掘的方法,并以某地区越冬代二化螟规则分析为实例介绍Apfiofi算法的应用。结果表明,Apriofi算法在农业病虫害数据分析中具有良好的应用前景。     

关联规则挖掘在奶牛营养研究中的应用

【目的】揭示隐含在奶牛营养分析结果数据中影响奶牛瘤胃乙酸/丙酸的关联关系和因素,为奶牛营养研究和奶牛养殖提供参考。【方法】选用奶牛营养分析结果的100条数据,应用改进的关联挖掘算法DMApriori算法,对奶牛营养分析结果中瘤胃乙酸/丙酸低于或高于正常值的情况进行了关联分析。【结果】饲喂一般牧草黑白花牛的瘤胃乙酸/丙酸低于正常值的可信度为70%;当前体质量在598～698 kg的奶牛多为黑白花牛,可信度为75%;日产奶量在10～20 kg的奶牛多为黑白花牛,可信度为70%;乳脂率在3%～4%的奶牛大多为黑白花牛,可信度为88%。【结论】通过对奶牛营养分析中的大量数据进行关联规则挖掘,提取蕴含在这些大量数据中有意义、有价值的信息,可以为奶牛营养研究和养殖的规划调整提供科学依据。     

Apriori算法在语音合成应用中的一种改进

针对目前语音合成技术中提高语音合成自然度这一难点，研究了数据挖掘在语音合成中的应用．首先通过选取基频曲线中的最高音基频值(N1)和最低音基频值(N2)优化韵律参数，然后将其运用到关联规则对韵律参数进行规则提取的方法中，提出了优化韵律参数后的规则提取过程，并对原有的Apriori算法进行改进而获得更适合语音合成的HLApriori算法，通过该算法可以将原有Apriori算法得到的规则进一步细分，从而得到更多研究者感兴趣的规则．     

基于改进Apriori算法的农业病虫害诊断

介绍了Apriori算法的基本方法,并从数据项的建立、频繁项集的连接以及规则生成三个方面对Apriori算法进行了改进,并利用改进后的算法挖掘出了可用于农作物病害诊断的决策规则。     

基于关联规则Apriori算法的物联网海量数据挖掘系统研究

物联网的出现为人们带来了诸多有利之处,人们在利用物联网的过程中会产生海量的数据,这些数据的不断增多加大了用户从中获取有用信息的难度,因此,物联网海量数据挖掘一直是研究的热点,面对物联网海量业务数据如何能够快速进行分析、处理、存储、挖掘,以实现有价值信息的快速提取,并服务于物联网商业决策,这是亟待解决的主要问题。将基于关联规则Apriori算法设计物联网海量数据挖掘系统。     

关联规则挖掘的优化算法

频繁项集挖掘是关联规则挖掘的核心部分，目前大多数关于关联规则挖掘的研究都集中于如何提高频繁项集挖掘的效率，然而在实际应用中，决策者面对的是最终从频繁项集中生成的规则集，因此优化规则的生成过程及生成规则同样值得重视。本文提出频繁项集的子集树这一模式来生成关联规则，不仅简化规则的生成过程还可缩小决策者面对的规则集，更便于规则的增量更新。     

数据挖掘中关联规则挖掘算法的应用研究

随着经济和科技的不断发展,数据融合技术和云技术等新型的数据存储方法越来越多,需要处理的数据信息量也就在逐渐增加。这就引发一个问题,如此大规模的数据信息,到底该如何处置才不会出现差错。数据挖掘技术一直以来就是数据处理的主要方法。所以近些年数据挖掘中关联规则挖掘算法的研究越来越深入,本文探讨了这个问题。     

对Apriori算法的研究及改进

关联分析是数据挖掘的本质体现,关联规则挖掘就是寻找给定的大量数据项集之间存在的某种规律的过程。Apriori算法是关联规则中最重要的一种挖掘频繁项集的算法,但是它也存在一定的不足。目的为了提高挖掘效率。方法采用实验的方法,在经典Apriori算法的基础上进行改进。结果证明改进的Apriori算法性能优于经典的Apriori算法,尤其是在交易事务条数比较多的情况下,效果更加明显。结论是改进的算法在计算支持度个数时,每次不需要扫描全部数据库,只需要在精简的数据库表中扫描各项所在的行就可以了,大大节省了时间;支持度计数的统计也比较容易,也不会产生过多的冗余,可以在很大程度上降低挖掘的复杂度,提高挖掘算法的效率。     

基于兴趣度的正负关联规则挖掘算法研究

为了解决负关联规则挖掘中海量项集问题和一级剪枝策略效率不高的问题,本文在研究关联规则相关性和兴趣度的基础之上,提出了一种计算项集兴趣度的数学模型,引入了有趣2项集的概念,设计了基于兴趣度的项集剪枝和关联规则剪枝的二级剪枝策略及实现二级剪枝的正负关联规则挖掘算法。     

基于Apriori算法的Web日志文件挖掘模块的实现

为了识别用户浏览模式,实现利用关联规则挖掘算法Apriori对Web应用挖掘过程中预处理阶段所产生的用户会话文件进行挖掘的模块,该模块针对用户选定的若干页面产生满足最小支持度和最小置信度的页面之间的强关联规则。关联规则挖掘结果对网站管理员重新调整网站结构、通过预测用户浏览模式提供推送服务来提高用户的访问效率和网站资源的利用率有一定的指导作用。     

Apriori算法在棉花病虫害分析中的应用

为了快速准确地掌握棉花虫害发生趋势,提高虫情测报的时效性和准确性,采用Apriori算法数据挖掘关联规则,对棉花上的3种害虫棉铃虫、棉叶螨、棉蚜的发生趋势进行综合分析。通过Apriori算法寻找出了气候因素与棉花三大害虫的发生发展有密切的关系,尤其气温变化直接影响到棉花害虫的发生种类、发生期及发生量。联规则数据挖掘技术,在处理大量农业信息数据中起着非常重要的作用,Apriori算法在棉花病虫测报工作中将是一项新的技术,具有非常广泛的应用前景。