一种基于序列数的关联规则挖掘算法

在关联规则挖掘研究中,为了在产生候选频繁项时减少算法存在的重复计算和冗余候选项,为了在计算支持数时减少扫描事务数据库的次数,提出了一种基于序列数的关联规则挖掘算法,其关联规则适合挖掘任何长度.该算法用事务属性的布尔约简法,将传统事务数据转换成二进制数,然后用数字的递增和递减两种方式双向搜索候选频繁项;算法通过序列数的度来计算支持数,实现一次扫描数据库,有效地提高了算法的效率.     

一种基于频度的空间关联规则挖掘算法

针对传统关联规则挖掘算法没有考虑空间数据的"空间自相关性"和空间关联规则挖掘的自身特点,提出了新的基于频度的空间关联规则挖掘算法,提高了空间关联规则挖掘的效率,并以广州市南沙地区的遥感图像分类结果为例进行关联规则挖掘实验,结果证明新的算法可行性.     

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。     

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。     

基于单向增长链表的关联规则挖掘算法研究

分析研究关联规则挖掘经典算法Apriori和FP-Growth算法,发现其不足之处在于构建和遍历各自数据结构的时间长、内存消耗巨大,降低了算法在时间和空间方面的效率.针对2种算法的缺陷,提出了LK-Growth算法,该算法不再构建FP-Tree,而是构建单向线性链表组结构,能有效地缩短发现频繁模式的时间和节省内存空间开支.研究结果表明,LK-Growth算法的实用性强且挖掘效率更高.     

基于关联规则数据挖掘算法的应用

数据挖掘,又称数据库中的知识发现,作为一门新兴的研究领域,主要目的是从数据集合中发现隐含的、事先未知的、对决策有潜在价值的用户感兴趣的知识,数据挖掘是当前数据库领域中最受瞩目的研究方向之一。在数据挖掘研究中,关联规则挖掘作为数据挖掘研究中的一个重要部分,引起了越来越多的关注。本文利用SQL Server 2005数据挖掘工具,对已测得的土壤数据,利用关联规则算法对土壤的地力等级进行了预测。     

关系数据库中关联规则挖掘实现研究

近年来，关系数据库得到了广泛的应用，研究在关系数据库中进行关联规则挖掘的有效技术的需求日益增强。文中根据Apriori算法思想并在分析关系数据库中关联规则特点的基础上，介绍了基于Visual FoxPro的关联规则挖掘的实现过程。     

关联规则挖掘算法Apriori在学生成绩分析中的应用

课程自身、课程与课程之间及课程设置与课程成绩之间存在着一定的联系,通过比较分析可以发现学生成绩背后所隐藏的有价值信息.详细介绍了关联规则挖掘算法Apriori在学生成绩分析中的具体应用,给出了挖掘实施的流程图,以实例的方式深入探讨了数据挖掘技术的实现过程.通过关联规则的算法理论,最终得出有实际价值的规则及结论,从而实现...     

一种高效的关联规则挖掘算法及应用

针对传统Apriori算法在生成频繁项目集时出现的瓶颈问题以及难以对非精确的或者模糊的概念进行挖掘的不足,给出了一种高效的关联规则挖掘算法。算法首先利用模糊集知识对数据库中的数值属性进行了合理的非精确语义转换,然后通过高效剪枝的挖掘方法对频繁项集进行挖掘,并将其应用到农业气象数据库的灾害分析中。试验结果表明,该算法在时间性能上有很大的提高。     

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的小生境遗传算法

根据关联规则挖掘的要求与特点,提出了一种新的基于小生境遗传算法的关联规则挖掘方法,该算法可以有效解决传统遗传算法搜索过早收敛的缺陷,实验结果显示,该方法能高效地解决关联规则挖掘问题。     

基于链表的出栈序列生成算法

目的:向栈中依次输入若干字符,输出所有不同的出栈序列.方法:根据栈后进先出的特征,采用链表确定字符进栈的所有时刻序列,输出字符的所有出栈序列.结果:抛开烦琐的组合数学证明,充分利用数据结构中链表、栈来解决出栈序列问题,并用c 程序描述了该算法.结论:从进栈出栈具有时刻先后关系出发,解决出栈序列问题,算法理解更为简单直观.     

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。     

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。     

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。     

基于遗传算法的城市公交服务质量评价知识规则挖掘方法

城市公共交通服务质量评价知识规则是城市公共交通企业进行服务质量评价的重要依据,优质、合理的评价知识规则将使服务质量评价更加公正、更加客观。本文在分析城市公共交通服务质量评价指标体系的基础上,将一种改进的遗传算法用于城市公共交通服务质量评价价的知识规则挖掘,提出一种基于遗传算法的城市公共交通服务质量评价知识规则挖掘方法,阐述算法的实现途径。实例表明,该方法在进行知识规则挖掘时是完全可行的、有效的。     

基于关联规则的图书馆个性化服务研究

关联规则挖掘技术是一种新兴的数据处理技术,其算法及应用在图书馆中起着非常重要的作用。Apriori算法是关联规则挖掘的经典算法,在分析Apriori算法的基础上,提出利用FP-tree生成树技术来减少候选集的数量,克服Apriori算法的弱点,以提高图书馆个性化服务的效率。     

融合关联挖掘与D-ANP的数字经济下消费潜力多模态评估模型构建

[目的/意义]当前数字经济下消费潜力评估作为一项复杂的系统工程,未充分考虑评估指标间关联关系,存在效率低、过于依赖专家主观经验等问题,影响消费潜力评估结果的科学性、合理性。[方法/过程]基于广西中烟工业有限责任公司消费潜力相关数据,采用Apriori算法筛选评估指标,融合DEMATEL和ANP分析指标间依赖关系、计算组合权重,构建包含用户价值、营销传播效果、市场影响能力三维度的数字经济下消费潜力多模态评估模型。[结果/结论]以广西中烟工业有限责任公司2021年3月至9月期间6个真龙卷烟产品营销活动为案例进行实证研究,3月、4月、5月、6月营销活动综合得分分别为0.53、0.52、0.51、0.48,消费潜力总体评估结果为“中等”水平,8、9月营销活动优于3～6月,综合得分为0.57、0.63,处于“中等偏上”水平,总体来看市场影响能力、用户价值、营销传播效果方面对消费潜力的影响依次降低。分析结果与实际情况相符程度较高,验证了消费潜力多模态评估模型的可行性和应用性。