挖掘关注的语言值关联规则

为了解决利用RFCM算法划分数量型属性，并通过组合语言值进行语言关联规则挖掘中出现的规则数量太多，以及难于获得用户真正关注的规则等问题，提出了一种改进的语言值关联规则挖掘算法。通过最大隶属原则将记录在数量型属性上的取值转换为语言值，然后转换成布尔型属性关联规则挖掘问题。同时，给出一个能够度量语言值关联则简洁性和新奇性关注程度（兴趣度）的计算函数，用于减少选取关注语言值关联规则的工作量。采用本文提出的方法对一组实例数据进行实验，得到了关注程度较高的语言值关联规则。所采用的方法能适用于含有大量数量型属性的数据库，并能有效地获取用户关注的规则。     

正态云关联规则在气象中的应用

用数据挖掘方法发现关联规则和进行预测是信息处理领域的两大热点。在文献[1]的基础上对这两个问题进行了进一步的研究，提出了应用竞争聚集臬法确定正态云的两个参数，应用双参数阈值挖掘正态云关联规则，并利用求正态云关联规则的支持率和信任度来进行预测。将这种方法应用于气象数据，结果表明，所提出的关联规则挖掘方法比文献[1]所用的方法更合理，该预测方法简单易懂，更容易被人理解和使用。     

比较两种挖掘正态关联规则方法

首先采用两种聚类方法确定正态模糊数的两个参数,并借助正态模糊数模型来软化数量属性论域的划分边界,由此生成一系列的正态关联规则.接着给出正态关联规则的挖掘方法,此方法能挖掘出所有有意义的正态关联规则.最后对两种挖掘正态关联规则的方法进行了比较.     

挖掘典型的语言值关联规则

通过给定的最小支持率和最小信任度来挖掘语言值关联规则往往会得到很多规则,因此用户很难获得真正关注的语言值关联规则．本文提出一种挖掘典型语言值关联规则的算法,此算法将挖掘得到的语言值关联规则按照相同的后件进行分组,然后对每个分组中的语言值关联规则根据规则之间的不相似性进行聚类．最后从每个类中挑选出代表类原型的语言值关联规则作为典型的语言值关联规则．典型的语言值关联规则是语言值关联规则集合中最具有代表意义的规则．     

双重区间值聚类挖掘模型

提出了双重区间值聚类的数据挖掘模型：首先将每个属性的取值按照领域知识划分为若干类。接着统计每个类在各条“交易”中出现的频率(支持度)，最后再按照关联规则挖掘方法进行处理．这种区间值数据挖掘方法与传统的数据挖掘方法相比较，更有实用价值．     

分布数据库关联规则挖掘

先从理论上证明分布数据库局部频繁集与全局候选频繁集之间存在某种关系 ,利用该关系设计分布数据库关联规则挖掘算法 .该算法的局部频繁集挖掘利用FP -树实现 ,不需生成候选频繁集 ,全局频繁集在局部频繁集基础上直接生成 ,不需重新扫描各局部数据库 ,不会造成过度的网络通信开销 ,具有很好的挖掘效率     

区间值FUZZY事件的区间值概率

定义了区间值Ｆｕｚｚｙ随机事件的区间值概率，研究了它的基本性质，论述了它与通常Ｆｕｚｚｙ事件的概率之间的联系。     

基于区间值相似度集合的多规则近似推理模型

给出区间值相似度集合的概念,并基于区间值相似度集合详细研究了多规则近似推理模型及其推理算法,讨论了基于区间值相似度集合的简单近似推理模型的还原性．最后,通过１个实例验证了推理模型和推理算法的有效性．      

区间值三Ⅰ算法的鲁棒性

经典模糊推理在不确定性和模糊性比比皆是的实际应用中显得捉襟见肘,而具有更多自由度的2-型模糊集更适合于不确定的和模糊的环境。作为一种特殊的2-型模糊集,区间模糊集因便于计算而倍受青睐。区间值模糊推理在处理信息和图像时能有效减少信息和图像的丢失。本文首先给出基于区间值QL-蕴涵的三I算法的表达式,进一步借助区间值模糊连接词的灵敏度,系统地研究基于几种常见的区间值蕴涵的三Ⅰ算法的鲁棒性,为其在实际中的应用提供理论保障。     

关于区间值直观模糊集上的指标问题

在直观模糊集和区间值模糊集基础上,定义了区间值直观模糊的一些关系,算子,讨论了区间值直观模糊集指标的一些主要性质。     

挖掘关联规则的数组方法

讨论了在大数据库上挖掘关联规则的数组方法.给出了一个数组方法,它效率更高,扫描整个数据库最多两遍.     

数据库中标准加权关联规则挖掘算法

在原有的关联规则挖掘算法的研究中,认为所有的属性的重要程度相同,提出标准加权关联规则的挖掘算法,能够解决因属性重要程度不一样带来的问题。     

Adaptive Interval Configuration to Enhance Dynamic Approach for Mining Association Rules

ｎｔｒｏｄｕｃｔｉｏｎＩｎｒｅｃｅｎｔｙｅａｒｓｄａｔａｍｉｎｉｎｇ，ｏｒｋｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙｉｎｄａｔａｂａｓｅｓ（ＫＤＤ），ｈａｓａｔｒａｃｔｅｄａｌｏｔｏｆｉｎｔｅｒｅｓｔｉｎｂｏｔｈｔｈｅｄａｔａｂａｓｅａｎｄｔｈｅｃｏｍｐｕ...     

基于矩阵算法的关联规则挖掘

分析了关联规则挖掘的各种算法,详尽分析和探讨了一种用于挖掘关联规则的矩阵算法并给出了矩阵算法实现过程.矩阵算法扫描数据库一次,然后生成事务矩阵,在矩阵上进行相关的数据挖掘操作.当数据库规模较大时,矩阵算法能够显著提高关联规则挖掘的效率.     

分布式数据库约束性关联规则挖掘

针对分布式数据库和约束条件的特点,提出了2种在分布式环境下挖掘约束性关联规则的有效算法,即基于Apriori算法的DMAIC算法和基于频繁模式树的DAMICFP算法.此外,进行了实例验证和测试分析,指出了这2种算法各自的优缺点及适用条件.研究结果表明:DMAIC算法可靠性高,通信协议简单,适用于对通信性能要求不高的分布式数据库;DAMICFP算法执行效率高,通信性能好,适用于对通信性能要求较高的多项目分布式数据库;这2种算法均能有效地解决分布式挖掘约束性关联规则的问题.     

一种更新关联规则的方法

数据挖掘中IUA算法存在遗漏频繁项目集致使有的关联规则挖掘不出来的问题，本文对其产生的原因进行了分析和讨论，提出了改进的方法，同时给出一种更为高效的关联规则更新算法HIUA。     

基于文本库的完全加权词间关联规则挖掘算法

提出了基于文本数据库的完全加权词间关联规则挖掘算法,给出了与其相关的定理及其证明过程。该算法采用三种剪枝策略,候选项集数量和挖掘时间明显减少,提高了挖掘效率。实验结果表明该算法的有效性,和现有算法比较,挖掘效率确实得到改善和提高。     

关联规则挖掘在医保稽查中的应用研究

关联规则挖掘是从事务数据库中发现大量数据中项集之间存在的有意义的隐藏关系。本文探讨了关联规则挖掘如何应用于医保稽查工作,并论述了对Apriori算法进行的具有针对性的改进。