基于聚类的关联规则挖掘算法的研究及应用

通过对数据挖掘中聚类技术和关联规则挖掘技术的多种算法进行比较研究,提出了基于聚类的关联规则挖掘算法,阐明了具体聚类方法选择的依据,详述了该算法的实现过程,并利用该算法挖掘出校园卡用户消费行为之间简单的关联规则.     

基于改进关联规则挖掘和距离聚类算法的知识融合

针对产品全生命周期管理(PLM)中来自于不同阶段和不同领域的设计文档,本文提出一种基于实体抽取的改进关联规则挖掘与距离聚类相结合的知识获取与融合的算法。以汽车行业领域知识获取与融合为例,从相关文档中抽取出8 183组数据,220 941个实体,将各组数据的27个特征两两交叉并与原来的特征规则共同作为候选集,进行关联规则挖掘,并构造初步的领域知识库。通过定义知识库中各实体之间的距离,结合聚类算法减少冗余知识,再根据融合后的知识构建知识库。实验表明,该算法在一定程度上减少了知识模型的规模,提高了领域知识库中知识的价值密度。     

结合关联规则与FCM的用户聚类改进

结合关联规则与模糊C均值聚类(Fuzzy C-Means,FCM)进行用户聚类,首先将用户访问事务集构造出页面关联矩阵,以此来计算用户浏览路径之间的相似程度,接着利用FCM算法对用户进行聚类.通过与传统聚类比较的实验证明,此方法是有效的且更符合实际.     

基于关联规则映射的生物信息网络多维数据挖掘算法分析

要想对生物信息网络数据进行大范围的挖掘,所应用到的算法有很多不足之处,比如,精确度低,运行速度迟缓以及占内存等,基于这一背景,文章提出了一种能够对生物信息进行映射并关联的数据挖掘算法,这种算法不仅能够映射关联,确定网络数据集,还能够基于算法引入相对误差,使算法的精确性提高。通过构建数据集间的关联,能够对空间内的数据进行区分,达到更好的数据挖掘效果。     

一种用于隐私保护关联规则挖掘的平均信息分布聚类混合算法

针对现有的隐私保护关联规则挖掘算法无法满足效率与精度之间较好折中的问题,提出了一种平均信息分布聚类混合算法AIDCH(The average information distributed clustering hybrid algorithm).算法建立了关联规则向量,在其中用到了信息论方面的内容.计算信息源各个特征的次数积累关联,提取一种潜在的明显特征,以邻域潜在的特征作为聚类对象进行聚类,引入数据挖掘关联本体概念,在非单调性约束的条件下进行挖掘,克服由隐私保护带来的关联空间数据弱化的弊端.实验表明,该算法在保护隐私的情况下,能够获得精度和效率之间较好的折中,具有一定的实用价值.     

子空间聚类算法在高维数据异常检测中的应用

传统异常检测技术是基于距离和密度的,快速的异常检测算法过分依赖于索引结构或网格划分,在低维数据上有很好的效果;面对高维数据的稀疏性、空空间现象等特性,索引结构失效,网格划分的数目呈指数级增长,传统算法性能下降;文中采用信息熵确定高维数据异常子空间,在异常子空间上使用DBSCAN聚类算法,在高维数据异常检测中表现出较好的性能。     

关联规则挖掘算法

关联规则挖掘是数据挖掘和知识发现中的一个重要问题．自提出以来得到了广泛的研究。目前关联规则挖掘算法可以分为广度优先算法和深度优先算法两大类，每类都有经典高效的算法提出。但是．这些算法大都是从其自身的角度来描述的，缺乏系统的分类和比较。文章从关联规则挖掘的形式化定义出发，给出频集挖掘的解空间，对两大类算法中的几种经典算法进行了概述，并分析了它们的优缺点。     

基于属性关系矩阵的AP子空间聚类算法

Affinity Propagation（AP）聚类算法将所有数据点作为潜在的聚类中心,在相似度矩阵的基础上通过消息传递进行聚类, 但却不适用于子空间聚类。基于属性关系矩阵的AP子空间聚类算法（AP clustering algorithm based on attributes relation matrix, ARMAP）是一种异步软子空间聚类算法,首先通过计算属性a的 邻域得到属性的关系矩阵,然后通过查找极大全1子矩阵得到数据集的兴趣度子空间,最后在各兴趣度子空间使用AP算法聚类,完成子空间聚类的任务。ARMAP算法将子空间的查找转换成查找矩阵的极大全1子矩阵,在正确查找子空间的同时,降低了时间复杂度。算法既保留了AP聚类算法的优点,又克服了AP算法不能进行子空间聚类的不足。     

神经网络的特征映射聚类算法研究

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛应用。他将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。说明自组织特征映射神经网络的工作原理和具体实现算法,并在对已有神经网络聚类分析方法概括和总结的基础上,结合一些实验数据、仿真数据对自组织特征映射算法进行研究,得出了一些有意义的结论。     

面向个性化继续教育的关联规则挖掘算法研究

针对个性化继续教育服务的智能优化需求,文中提出了一套基于关联规则挖掘算法的个性化继续教育方案智能优化模型.在对系统总体模型进行分模块架构的基础上,实现了关联规则挖掘算法的数据预处理,并由此建立了频繁项集与强关联规则,可以使模型有效地挖掘出关联数据,从而更精确地优化教育方案.同时,通过引入DBSCAN聚类算法,在模型中对...     

基于并行关联规则挖掘算法的入侵检测系统的研究

数据挖掘技术已经在入侵检测当中得到应用。为了进一步提高效率。提出将井行关联规则应用到入侵检测的挖掘中，以提高入侵检测的效率。本文提出一个新的分布式的入侵检测系统结构，重点介绍了井行关联规则挖掘算法如何应用于此系统．及其应用于此系统之后的优点。     

一种基于低秩表示的子空间聚类改进算法

该文针对现有的基于低秩表示的子空间聚类算法使用核范数来代替秩函数,不能有效地估计矩阵的秩和对高斯噪声敏感的缺陷,提出一种改进的算法,旨在提高算法准确率的同时,保持其在高斯噪声下的稳定性。在构建目标函数时,使用系数矩阵的核范数和Forbenius范数作为正则项,对系数矩阵的奇异值进行强凸的正则化后,采用非精确的增广拉格朗日乘子方法求解,最后对求得的系数矩阵进行后处理得到亲和矩阵,并采用经典的谱聚类方法进行聚类。在人工数据集、Extended Yale B数据库和PIE数据库上同流行的子空间聚类算法的实验对比证明了所提改进算法的有效性和对高斯噪声的鲁棒性。     

改进的关联规则算法在教学评价中的研究与应用

数据挖掘就是从海量的数据中挖掘出潜在的、有价值的知识。在数据中隐含的未被人们发现的确实存在的内在联系与规律。学生对老师的教学评价是教学管理的一个重要部分,如何找出教学评价中大量数据之间的联系,是评价教师教学质量和提高教学水平的重要手段。本文利用了一种基于Apriori算法的改进的算法——Apriori_B算法对这个教学评价系统进行数据挖掘。     

关联规则快速聚焦算法研究与实现

提出了一种实用的快速聚焦关联规则更新算法。在需要反复调整最小支持度的情况下,如何充分利用以往挖掘过程中的信息,避免多次扫描数据集;在如何有针对性的产生候选项集,从而减少候选集的规模;在如何提高候选项集的支持事务计数的效率等方面进行了研究,给出了算法的具体实现。通过分析,本算法是可行的。     

遗传模糊聚类算法在数据关联中的应用

针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的算法。该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计。聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力。仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值。     

约束蚂蚁聚类算法

通过对真实世界蚁群的模拟仿真,提出一种基于随机游走的约束蚂蚁聚类算法来处理以must-link和can-not-link形式出现的约束聚类问题.在人工数据集和UCI标准数据集上的实验结果表明我们的算法优于无监督的蚁群聚类算法和COP-Kmeans算法.     

基于PSO的关联规则挖掘方法及应用

本文简要描述了关联规则问题及二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO),提出了一种基于粒子群优化算法的关联规则挖掘算法.仿真试验研究了关联规则在股市走势中的应用,选取相对强弱指标RSI,收集交易数据进行实证分析,得出若干条有用的关联规则.     

基于改进KFCM聚类的数据关联算法

针对传统的基于模糊C-均值(FCM)聚类的数据关联算法存在的缺陷,提出了一种基于改进核函数模糊C-均值(KFCM)聚类的数据关联算法。该算法以改进的KFCM聚类为基础,通过放宽KFCM聚类的约束条件来增强系统的鲁棒性,并引入信息熵自动确定目标数以作为数据关联的前期准备,再将改进的KFCM聚类算法引入JPDA算法,通过避免对联合事件的概率计算和对确认矩阵的拆分,以实现数据的正确关联和对多目标的实时跟踪。仿真结果表明算法有效可行。     

基于TL1范数约束的子空间聚类方法

该文将TL1范数应用于子空间聚类的研究中,提出基于TL1范数约束的子空间聚类优化模型。尽管该优化模型是非凸的,在无噪音的情形下,证明了它的最优解为具有块对角结构的系数矩阵,这对随后进行的谱聚类提供了理论保证;在有噪声的情形下,它的约束条件等价于以干净数据为字典的优化模型,因而求解出的系数矩阵提高了聚类的精确度。进一步,利用增广拉格朗日-交替方向乘子方法给出该优化模型的求解方法。实验结果表明,基于TL1范数的子空间聚类方法不仅增强了系数矩阵的稀疏性,而且在聚类精确度,对噪音的鲁棒性方面要优于低秩子空间聚类方法和稀疏子空间聚类方法。