关联规则及其在石油期货价格预测中的应用研究

针对Apriori算法及其变种的不足,提出了一种基于支持度计数矩阵和事务数据库布尔矩阵的新算法,利用此算法挖掘石油期货价格历史数据中的频繁项集,根据给定的最小支持度和最小置信度从挖掘结果产生关联规则,对关联规则在石油期货价格预测中的应用进行了探索,并提出了进一步的研究方向.     

关联规则向量化挖掘算法及其在车险精算中的应用

本文首先回顾了关联规则的基本概念和传统的Apriori算法，然后利用关联规则的数据库是布尔型数据库的特点，在计算关联规则的支持度和置信度的时候引进向量数乘和向量内积的概念，得到关联规则向量化挖掘算法ARVDA，避免全数据库逐条记录模式匹配和属性分层，提高算法的速度．最后，本文利用提升度量关联规则的重要性，采用单独追踪和对比分析方法，衡量车险精算中风险因子的有效性．结果表明把车辆使用性质作为车险定价的分级因素是比较合理的，对于非运营车辆需要合理的费用附加．     

基于协方差的FP-Growth算法在ERP中的研究与应用

文章简要介绍了关联规则挖掘技术,通过对经典算法FP-Growth在某鞋业ERP系统中的应用分析,发现了FP-Growth算法挖掘的部分数据无用的缺陷,提出了一种增加协方差兴趣度阈值的改进算法—CovFP-Growth算法.该算法采用协方差的概念,能够更准确地挖掘出交易集中不同产品间的紧密相关性,减少产生的无用规则,为ERP的产品预测计划决策提供了良好的理论依据和实现方法.     

基于关系数据库的频繁项集挖掘算法研究

Apriori算法及其改进是目前应用最为广泛的频繁项集挖掘算法,但其在关系数据库中挖掘频繁项集时,产生大量候选项集,导致重复扫描数据库,从而导致其效率低下.本文在深入研究Apriori算法及其改进算法和关系数据库特征的基础上,提出了基于关系数据库的频繁项集挖掘算法,并详细描述了其实现和优化方法.本算法不产生候选项集,只需一次事务扫描,大幅提高算法执行效率,此外,本算法经过简单修改就能满足大部分的关联分析需求.在零售业中的应用实验证明:该算法在一定的条件下比经典的Apriori算法具有更高的效率.     

基于多层次模糊关联算法的通用航空产业知识挖掘研究

为挖掘通用航空产业领域知识的类型与发展规律,明确产业规划、推动产业健康发展,利用采集的3869份通用航空产业主题相关的网页资料,根据主题信息的关键词对通用航空产业领域知识进行分类,并基于多层次模糊关联算法进行知识挖掘分析.结果表明,通用航空产业领域知识中的通用航空产业主体与通用航空产业产品存在着紧密的联系和规则,而且采用的多层次模糊关联算法比精确的关联规则算法更容易操作,结果更容易理解、更容易被应用于指导通用航空产业领域的发展.     

基于产品服务融合的服务型制造企业服务创新方法研究

为了提升服务型制造企业的服务创新能力,促进企业更好地进行服务创新,本文提出了基于产品服务融合的服务创新方法,分析了产品服务融合的概念,采用关联规则算法识别出能够进行融合的产品或服务模块,在此基础上,开发出新产品服务系统的概念,并通过模块化的方法对这些模块进行相互融合,设计出新产品服务系统。最后,通过一个应用实例说明了该方法的应用过程。该方法能够为客户提供多样化的服务,从而更加灵活地满足不同客户的个性化需求。     

基于多维关联函数的相似实例检索方法研究与实现

针对多属性产品实例检索过程中存在一定的主观性问题,影响检索结果,提出一种基于多维关联函数的相似实例检索方法并开发出原型系统.首先根据多维关联函数定义,得到多维关联函数一般计算方法的求解步骤,并基于多维关联函数构建相似度函数.其次,根据客户要求设定产品各属性的重要度,结合重要度和各属性修改难度系数构建实例评价模型.最后,运用多维关联函数计算方法,Access数据库构建技术以及层次分析法构建出包含用户需求输入模块、可拓域输出模块、相似实例检索模块和实例评价模块的原型系统,实现实例输出.以大型螺杆空压机为例来构建基于多维关联函数的相似实例检索系统,验证此理论方法的正确性与可行性.     

核电厂不可修复系统冗余配置的可靠性参数论证

核电厂为了提高可靠性,大量系统都设置了不同程度的冗余系列,通过对核电厂不可修复系统可靠性参数的推导、定量计算和比较分析,从可靠性理论角度,论证了不同的冗余配置方案导致系统不同平均寿命和可靠性分布,为系统冗余配置方案的选择提供参考.     

数据库中布尔型及广义模糊加权关联规则的挖掘

引入布尔型加权关联规则和广义模糊加权关联规则的概念,并分别给出挖掘这些规则的计算方法．     

融入位置情景的移动用户行为挖掘方法研究

移动用户为具有特殊性,即与情景的关联性.在研究融入位置情景的移动用户行为特征.首先分析了影响移动用户行为模式的情景集合,并通过调查问卷分析,提取出主要的情景因素,包括用户(user)、设备(device)、地点(location)、时间(time)和服务信息(service).然后根据这些情景属性对移动用户行为模式进行建模,并提出了一种基于网络结构的移动用户行为模式挖掘方法.根据兴趣度的大小将移动用户行为模式划分为三个等级,即低兴趣度、中兴趣度和高兴趣度,保留兴趣度较高的行为模式,剔除兴趣度低的行为模式,然后利用数据挖掘方法挖掘出兴趣度较大移动用户行为模式的关联规则.利用这些规则对用户进行一定的推荐服务,以便为移动用户提供更优质的服务.